推广的多值指数双向联想记忆模型及其应用

推广了Wang的多值指数双向联想记忆(multi-valued exponential bi-directional associative memory,简称MV-eBAM)模型,使其成为所提出的推广的多值指数双向联想记忆 (extended MV-eBAM,简称EMV-eBAM) 模型的一个特例.EMV-eBAM具有比前者更高的存储容量和纠错性能,因此利用这种性能,设计了一种基于联想记忆的新型图像压缩算法.该算法在无噪声情况下具有与矢量量化(vector quantization,简称VQ)算法相近的性能,而在双重(信道和图像)噪声环境下则具有显著的抑制效果.对比实验结果显示,在添加5%椒盐噪声下,该算法几乎能完全排除噪声干扰,而VQ则反而放大了噪声.该算法的另一个优点是,当在差错信道中传送时,可以获得比采用循环纠错码更强的纠错性能.因而,该算法具有较强的鲁棒性.

多重改进型指数双向联想记忆模型及其在多证据推理中的决策性能

提出了多证据推理中采用神经网络来模拟信念组合学习的方法 .网络由多个改进型指数双向联想记忆模型(Ie BAM)构成 ,并且共享一个输出来同时进行多证据不确定性的管理 .文中证明了多重 Ie BAM(Multi- Ie BAM)的稳定性 ,讨论了在多条证据同时提交网络后的多数规则 .理论和实验都证明了多数因子比 Wang所提模型更紧凑、更严格 ,从而可保证在受一定程度的干扰下 ,专家们仍能做出正确决策 .最后所给出的模拟例子的结果与直觉推理相吻合 .

改进的指数双向联想记忆模型在数据压缩中的应用

改进的指数双向联想记忆模型 (Improved exponential bidirectional associative memorymodel,Ie BAM)是在 e BAM的基础上通过引入内连接项而产生的一个比 e BAM具有更高存储容量、纠错性的联想神经网络。借助于 Ie BAM的高存储容量和良好的纠错性能及有序直方图技术 ,可实现一种更高效率的数据压缩方法 ,从而为现有的数据压缩方法提供一种新算法。最后 ,计算机模拟证实了使用 Ie BAM的数据压缩性能比使用 e BAM的更好。

具有内连接的指数多值双向联想记忆模型

C_CWang的多值指数双向联想记忆模型 (MVeBAM)是一种高存储容量的联想神经网络 .本文在MVe BAM的基础上通过引入自相关项 (或内连接 )提出了一个新的具有内连接的多值指数双向联想记忆模型 ,推广了MVeBAM .通过定义简单的能量函数证明了其在同、异步方式下的稳定性 ,从而保证了所学模式对成为被推广的MVeBAM(EMVeBAM)的稳定点 .最后 。