离散Hopfield联想记忆神经网络的渐近行为

该文对一类离散 Hopfield联想记忆神经网络的渐近行为进行了讨论 ,首先提出这类 I/ O函数取为Sigm oid型函数的离散 Hopfield联想记忆神经网络的数学模型 ,讨论并给出了这种模型的一系列性质 ,例如运动轨迹的有界性、平衡点的唯一性以及渐近稳定性等 ,得到了平衡点渐近稳定的充分条件 .检验这种神经网络模型的渐近稳定性 ,只需要测试一个特定矩阵的定性性质或特定不等式即可 .这些结果可用于离散

基于离散型Hopfield神经网络的联想记忆能力研究

人工神经网络是对人脑功能的简单抽象和模拟,实质是一种数学模型。它通过大量的简单处理单元互相连接成规模庞大的简单抽象和信息处理系统,能够存储经验知识和联想回忆并使用已存储知识,是目前智能信息处理技术发展的一个主流方向。它可以解决许多传统方法难以解决或无法解决的问题,尤其是那些与记忆、思维、认知、推理及联想相关的问题。主要介绍了离散型Hopfield神经网络的发展历程、工作原理、使用方法及其联想记忆功能,并通过举例证明了离散型Hopfield神经网络的联想记忆能力。

联想记忆离散Hopfield神经网络的样本容量和吸引域

对用于联想记忆的外积型设计离散Hopfield神经网络,给出了记忆样本容量与样本间Hamming距离以及神经元数目的具体关系,并论证了其在实际应用中的合理性。同时给出了样本的吸引域半径与样本的具体关系。特别地,对于样本正交的情况得到了两个推论。

基于联想记忆的Hopfield神经网络的设计与实现

介绍了反馈型神经网络Hopfield网络的定义、原理、模型和基本学习规则,并构造了一个用于联想记忆的Hopfield神经网络模型.对实验结果进行分析、比较,实验结果表明:Hopfield神经网络用于数字识别是可行、有效的;该方法较传统神经网络能提高网络的记忆能力和数字识别的正确率;该方法有别于以往的BP神经网络的模式识别,结合一些优化算法,如遗传算法,能对Hopfield神经网络的联想记忆稳态进行优化,增强神经网络的联想记忆能力.

Kosko型双向联想记忆与Hopfield神经网络的关系

深入理解Kosko型双向联想记忆(BAM)网络是学习使用其它双向联想记忆的基础。如果我们按照传统的方法介绍BAM网络,学生很容易产生两个疑问:能量函数为什么是定义的?BAM网络与Hopfield网络的内在联系是什么?本文在说明Kosko型BAM网络就是一种特殊的Hopfield网络后,从Hopfield网络的能量函数出发推导出BAM网络的能量函数,从而揭示了它与Hopfield网络之间的内在联系。

样本优选规则构造的Hopfield神经网络的联想记忆功能

从理论上推导采用样本优选规则构造的离散Ｈｏｐｆｉｅｌｄ网络的吸引子，发现该网络的存储容量达到Ｎ，并推导这些吸引子的吸引域，探讨网络的联想记忆功能．

基于神经元晶体管和忆阻器的Hopfield神经网络及其在联想记忆中的应用

随着人工智能的高速发展,越来越多的神经元模型相继被提出,现有的神经元电路主要由普通晶体管、运算放大器等高功耗器件构成,存在结构复杂、集成度不高、兼容性差、功耗高、阈值调节难度高的缺点.针对以上不足,首次提出了一种全新的神经元结构,该结构仅由神经元晶体管、忆阻器和普通电阻构成,相比传统神经元电路,不包含复杂的差分运算电路以及电流与电压信号的转换电路,电路结构简单,同时具有良好的电路兼容性,可用于大规模集成.该结构利用神经元晶体管的加权求和特性以及阈值可控功能来模拟神经元信息传导过程,同时利用阈值忆阻器的阈值特性和阻值连续变化能力来设定和更新突触权值,使得该新型神经元结构不仅能实现传统神经元电路功能的同时,还具有能耗低、阈值动态可控、权值可编程的优点,不仅极大地简化了网络结构,还能加强网络性能.其次,还提出了基于这种新型神经元结构的忆阻离散Hopfield神经网络,该忆阻神经网络有助于促进人工神经形态系统的硬件实现,使神经网络系统能耗降低,集成度极大地提高,将这种网络运用在联想记忆和彩色数字图像恢复中,进一步说明了基于全新神经元结构的忆阻离散hopfield神经网络的实用性以及有效性.

离散型Hopfield神经网络学习算法

为使得离散型Hopfield神经网络(DHNN)具备更强的联想记忆功能,基于替换函数f(x),权值求取采用提出的学习算法。通过设计比sgn更强约束能力的函数f(x),在满足sgn函数要求的同时连续可导,由于f(x)连续可导,可根据能量最低点网络状态不再发生变化的特性定义损失函数,用梯度下降算法来求解。使用Matlab编程验证效果,验证结果表明,该学习算法比传统的外积法、正交设计法具有更好的效果,对原始信息还原率提高了5%-11%。

反馈型自联想记忆神经网络

自联想记忆神经网络具有类似于大脑的记忆和联想的特性 .在Hopfield网络的理论基础上 ,提出了一种反馈型的自联想记忆神经网络 .和Hopfield模型不同的是 ,这种神经网络增加了一个隐含层来扩大网络的存储容量 ,并采用局部相连的拓扑结构来代替全相连 ,从而减少了计算复杂度 .在网络的学习过程中 ,各神经元之间的权值按照学习规则不断地进行调整 ,使回忆后的输出结果更加接近期望输出 .

基于分类思想的联想记忆神经网络

根据分类思想设计了２层反馈自联想记忆神经网络模型，它符合大脑联想记忆的分类思想，能保证每个样本模式为稳定状态，其吸引域在平均意义上达到了最大值．

基于离散Hopfield神经网络的数字识别实现

介绍了离散Hopfield神经网络的基本概念;以MATLAB为工具,根据Hopfield神经网络的相关知识,设计了一个具有联想记忆功能的离散型Hopfield神经网络,并给出了设计思路、设计步骤和测试结果。实验结果表明,通过联想记忆,对于带有一定噪声的数字点阵,Hopfield网络可以正确地进行识别,且当噪声强度为0.1时的识别效果较好。

联想Hopfield神经网络样本稳定性的判别方法

针对基于Hebb学习的离散Hopfield神经网络,论述了实现联想记忆功能的基本方法及其样本稳定性的基本思想。根据所存在的问题,提出了判别样本稳定性的充要条件,以及判别样本稳定的一个充分条件,使判别样本是否稳定变得简单易行。最后给出了判别样本稳定的矩阵表示形式,并对给出的定理以及推论给予了证明。

中立联想记忆神经网络鲁棒稳定性新准则

针对一类具有离散时滞和参数范数有界的不确定性中立联想记忆神经网络的全局渐近鲁棒稳定性问题进行了研究。通过应用范数理论和矩阵不等式分析方法,并构造合适的Lyapunov-Krasovskii泛函,推导出了与时滞无关的新稳定性判定准则,用于保证神经网络的平衡点是全局渐近鲁棒稳定的。该准则中包含的未知参数少、计算复杂度低,易于验证。仿真算例验证了新判定准则的有效性。

基于Hopfield网的自学习联想思维神经网络模型

基于Hopfield网，本文给出了一个新的神经网络模型该摸型在系统结构及神经元的功能分工上较接近于人脑皮质中的一个垂直柱．本文讨论了该系统的稳定性，及其联想记忆功能和形成连续且受控的联想变化过程的可能性.

基于离散Hopfield网络对英文字母识别的研究

中国的车牌有三部分构成,第一部分为汉字,表示该车户口所在省的简称。第二部分为英文字母,表示该车所在地的地市一级代码。第三部分为数字和英文字母的组合。随着公路上交通压力越来越大以及汽车管理效率的低下,提出了针对车牌中的英文字母的识别方法。定义了标准英文字母,鉴于车牌识别中遇到的各种情况,进行模拟。比如对字母进行模糊处理,模拟实际生活中车牌的污点情况;对字母进行倾斜处理,模拟实际生活中遇到的车牌倾斜情况;对字母进行遮挡,模拟实际生活中车牌的遮挡情况。加入的噪声情况可以远大于或者远小于实际情况,然后测试各种情况下,离散Hopfield网络的识别效果。这样可以更好地测试网络性能。实验结果表明:离散Hopfield网络对英文字母具有较好的识别效果。

Hopfield神经网络在二维码污损复原中的应用

针对传统Hopfield神经网络记忆功能的局限性,以Hopfield神经网络的理论知识为依据,提出了一种改进的Hopfield神经网络。在学习阶段,通过对连接关系矩阵的修正来提高网络的记忆能力。运用Matlab为工具,设计了一个可以对信息进行联想记忆的网络,实现了不同污损程度二维码的复原。对改进前后网络的复原结果进行了比较分析,结果表明:改进后的Hopfield神经网络对污损二维码的复原较好。

离散Hopfield联想记忆网络的设计新方法及应用

基于离散Hopfield神经网络(DHNN)的联想记忆能力,利用由局部极小值条件产生的同种类的线性不等式给出了动态自联想记忆(DAM)网络的设计新方法;该方法简化了网络权值矩阵和阈值向量的确定,同时给出了设计的例子,说明了方法的有效性;最后给出了新设计方法的应用。

离散Hopfield网络的置换对称性与逆联想记忆

着重从理论上探讨离散Hopfield网络的置换对称性，同时根据采用样本优选规则构造的神经网络所具有的一种特殊的置换──不变置换的原理，建立一种新的联想记忆──逆联想记忆。

神经网络的Hopfield异步动力学模型及其应用

本文阐述了 Hopfield异步动力学模型及其马氏链描述 ,并引入能量函数概念 ,给出网络稳定性判据 .通过学习规则 ,训练网络 ,使其实现联想记忆 .

基于异联想记忆Hopfield网络的强化学习

针对自主机器人的动态避障问题,借鉴异联想记忆Hopfield神经网络对样本模式的记忆能力和强化学习解决问题的突出能力提出了一种新的融合学习方法即异联想记忆神经网络——强化学习方法。通过在强化学习中引入记忆来增强学习方法的能力,可以使自主机器人快速和适应的学习,从而实现机器人的动态避障。仿真结果表明了该避障方法的有效性。