形态学联想记忆的研究综述

通过提炼出来的一个形态学联想记忆的研究框架,可以很清晰地概括出形态学联想记忆的研究成果,从而可以很合理地归纳出形态学联想记忆仍存在的问题以及今后的发展方向。此形态学联想记忆的研究框架对形态学联想记忆的进一步研究具有一定的指导意义。

形态学联想记忆框架研究

形态学联想记忆(MAM)是一类极为新颖的人工神经网络.典型的MAM实例对象包括:实域MAM(RMAM)、复域MAM(CMAM)、双向MAM(MBAM)、模糊MAM(FMAM)、增强的FMAM(EFMAM)、模糊MBAM(FMBAM)等.它们虽有许多诱人的优点和特点,但有相同的形态学理论基础,本质上是相通的,将其统一在一个MAM框架中是可能的.同时,联想记忆统一框架的建立也是当前的研究重点和难点之一.为此作者构建了一个形态学联想记忆框架.文中首先分析MAM类的代数结构,奠定可靠的MAM框架计算基础;其次,分析MAM类的基本操作和共同特征,抽取它们的本质属性和方法,引入形态学联想记忆范式和算子;最后,提炼并证明主要的框架定理.该框架的意义在于:(1)从数学的角度将MAM对象统一在一起,从而能以更高的视角揭示它们的特性和本质;(2)有助于发现一些新的形态学联想记忆方法,从而解决更多的联想记忆、模式识别、模糊推理等问题.

形态学联想记忆在图像联想识别上的应用

形态学神经网络是一类新颖的人工神经网络,但人们对它的研究,尤其是对于形态学异联想记忆的研究和应用,仍很不够.给出了形态学异联想记忆理论应用于图像的联想识别上的一般方法和步骤,并通过一个字符图像联想识别的实例,叙述了其应用原理与过程,对于推进形态学异联想记忆的应用研究将带来有益的参考.

对数-指数形态学联想记忆

利用对数和指数算子构建了一种新的形态学联想记忆方法,简称LEMAM.理论分析表明:自联想LEMAM(简称ALEMAM)具有无限存储能力、一步回忆记忆、一定的抵抗腐蚀噪声或膨胀噪声的能力,在输入完全或在一定的噪声范围内,能够保证完全回忆记忆;异联想LEMAM(简称HLEMAM)在输入完全情况下,不能保证完全回忆记忆,但当满足一定条件时,也能够达到完美联想记忆.对比实验结果表明:在一些情况下,LEMAM能够取得较好的联想记忆效果.总体来说,LEMAM丰富了形态学联想记忆的理论和实践,可以作为一种神经计算模型加以研究和利用.

形态学联想记忆在内隐学习中的应用

内隐学习的研究关系到人类潜能开发的根本问题,是认知心理学研究的热点和难点.传统人工神经网络能够成功地模拟内隐学习,但模拟过程存在许多弊端,模拟效率也非常低.针对这些问题,采用形态学联想记忆网络(MAM)去解决.MAM不仅能够实现内隐学习的模拟,而且可以克服传统人工神经网络在模拟内隐学习时的各种缺陷,实验表明了该方法的有效性.

增强型模糊形态学联想记忆的改进

为了克服增强型模糊形态学联想记忆(EFMAM)的网络规模随训练样本数目的增加而急剧增大的缺点,使其硬件实现更为容易,对原始EFMAM的网络体系结构进行了约简.在相似度空间中,定义一个基于概率("软")相似度分配的准则以评价约简矩阵A,再利用遗传算法搜索其最佳解.实验表明,约简后的EFMAM节约了计算时间和存储空间,易于硬件实现,同时其识别性能相对于原始EFMAM并未明显降低.

形态学联想记忆网络的研究进展

形态学联想记忆网络具有无限存储能力、一步回忆记忆、良好地抵抗腐蚀噪声或者膨胀噪声的噪声容限等许多优点。从形态学联想记忆的概念、基本原理、发展脉络、研究新成果、发展趋势和研究方向等多个方面综述了形态学联想记忆网络的研究进展。对形态学联想记忆方面的研究带来了一定的参考价值。

形态学联想记忆存储性能的研究

形态学联想记忆(Morphological Associative Memories,MAM)的存储性能是衡量形态学联想记忆能力大小的重要指标。然而,迄今为止,对形态学联想记忆的存储性能,主要是对异联想形态学联想记忆(hetero-MAM)的存储性能的定量分析和定性刻画并未完成。这是一个悬而未决的理论问题,也是一个MAM应用的实际问题。针对这一问题开展研究,站在概率论的角度,提出一个MAM存储性能的概率模型,并进行了证明。通过定量分析和定性讨论,取得一致结论。研究和分析表明,het-ero-MAM的存储性能受到输入模式向量维数n、输出模式向量维数m、以及输入、输出模式对数目K的影响,且三者的影响程度不同。提出的概率模型,对形态学联想记忆的研究、分析、设计和应用,具有一定的启发和帮助。

一种新的形态学联想记忆网络模型研究

针对即使在输入模式无噪声,形态学联想记忆在用于异联想时仍不能保证完全回忆的问题,从扩大记忆矩阵的存储空间的角度入手,提出一种新的形态学联想记忆模型——三维存储矩阵的形态学联想记忆来刻画MAM(Morphological Associative Memories)的记忆性能。该模型能够弥补传统形态学联想记忆的记忆矩阵的不足,解决MAM在异联想时不能保证对模式对集实现完全回忆的问题。详细阐述了构建三维存储矩阵的原理与步骤,并通过实例验证三维存储矩阵的形态学联想记忆的记忆性能远远优于传统的形态学联想记忆。

形态学联想记忆网络记忆性能的定性分析

形态学联想记忆网络基于其前向映射式的网络结构特点,不管有多少个模式对,都可以用一个存储矩阵来进行存储。记忆单个模式对时,该模式对的矩阵信息完全存储在存储矩阵中,所以可以从该模式对的输入模式正确联想出输出模式,但当网络记忆了多个模式对时,各个模式对之间的相互影响就不可避免地存在,在此对其记忆性能进行定性分析,以期对MAM的研究有所裨益。

形态学联想记忆的记忆性能研究

形态学联想记忆在异联想时,在对多个模式对进行记忆之后,逐一对每一个模式对的输入模式进行联想,存在得不到正确的输出模式的情形。对形态学联想记忆在异联想时存在的问题进行研究显得非常的必要,否则,对形态学联想记忆的改进工作就会变得盲目。分析形态学联想记忆的记忆性能,得到几个有意义的结论,通过字符图像的仿真实验,对这些结论进行了验证。

形态学联想记忆中对偶核的研究及改进

首先利用形态学联想记忆W良好的抗腐蚀性和M良好的抗膨胀性,提出了对偶核的概念和方法,将核及其对偶核二者结合起来,以使异联想形态学记忆达到更好的效果.文中对对偶核需要满足的条件进行了界定,对其性质进行了研究,找到了一种加速寻找对偶核的方法,并在尺度空间下对对偶核概念作了进一步的扩充,扩大了其应用范围,增强了其实用性.通过数字和彩色图像的仿真实例验证了对偶核在抗随机噪声方面有良好的性能.

乘除形态学联想记忆及其性能分析

形态学联想记忆是一类新颖的人工神经网络,但是它的异联想记忆效果较差.针对这个问题,基于互补的思想,提出一种形态学联想记忆方法,称为乘除形态学联想记忆.文中分析了乘除形态学联想记忆方法完全回忆记忆的条件及其噪声性质.分析和实验表明,这种方法对异联想效果显著,并具有一定的抗噪声鲁棒性,在一些情况下,能够取得更好的异联想效果.

新模糊形态学联想记忆网络的初步研究

人工神经网络理论已经被成功地应用于各种不同的模式识别问题 .重点研究了联想记忆网络 ,提出了一种新的基于形态学和模糊运算的联想记忆网络 ,即模糊形态学联想记忆网络FMAM .它与经典联想记忆和模糊联想记忆FAM有显著不同 .文中分析了FMAM的记忆能力和抗腐蚀 /膨胀噪声的能力 .自联想FMAM具有无限存储能力 ,能保证完全回忆 ,并且回忆在一步内完成 ,可模糊性解释等 .

形态学联想记忆网络的进展研究

20多年来,形态学联想记忆的研究得到了长足的发展。从形态学联想记忆的基本原理、研究新成果等方面对形态学联想记忆网络的进展进行了研究。期望对形态学联想记忆方面的研究带来裨益。

量子模糊形态学联想记忆网络及在齿轮振动信号识别中的应用

针对传统模糊形态学联想记忆网络(FMAM)不能自适应选择结构元素的形状和大小,在对样本进行分类时存在错分问题,以量子的叠加、坍塌性质为基础,提出量子模糊形态学联想记忆网络(QFMAM),用量子位系统构造结构元素,量子位概率代表相应的隶属度,获取具有自适应特性的结构元素,在分类前先对样本进行处理从而降低无用干扰信息对分类精度的影响。利用QFMAM分别对仿真数据和齿轮箱台架实验信号进行分类,并与FMAM、支持向量机(SVM)、朴素贝叶斯分类器(NBC)的分类性能作比较,验证了提出的QFMAM训练效率高、学习能力强、分类精度高,是一种很好用的智能分类器。

基于分组划分的形态学异联想记忆研究

在输入模式无噪声的情况下,形态学异联想记忆不能够保证完全回忆记忆,针对这个瑕疵,提出了一种新的思路和方法——分组划分.该方法将原有输入模式对进行分组,逐一对分组后的模式对集合进行形态学操作计算,由局部到整体,进而实现形态学异联想记忆的完全回忆记忆.

一种有效的异联想形态学记忆方法

形态学联想记忆是一类新颖的人工神经网络.尽管它有许多优点,然而也有一个致命的弱点,即异联想记忆效果较差.通过对形态学联想记忆框架的分析,发展了一种新的形态学联想记忆方法——加减形态学联想记忆(MAMFATS).理论分析和实验证实,该方法对于异联想形态学记忆效果显著,在一定程度上可弥补原形态学联想记忆方法的不足.新旧两类方法之间的关系是互补,而非排斥.两种方法结合起来,可以更好应对异联想形态学记忆不完全回忆记忆的困难.MAMFATS方法充实了形态学联想记忆理论,也增大了异联想形态学记忆的实用性.

基于概率的MAM记忆性能模型

针对即使输入模式无噪声,形态学联想记忆在用于异联想时仍不能保证完全回忆的问题,借助概率学知识,提出一个概率模型来刻画形态学联想记忆网络的记忆性能。该概率模型能从整体上正确地反映网络的输入端维数、输出端维数以及模式对的数目对形态学联想记忆的记忆性能的影响趋势,对进一步研究与改进形态学联想记忆,有一定的指导意义。