改进的稀疏分布存储器模型及其学习能力分析

Kanerva的稀疏分布存储器模型 (SDM) ,由于其读写规则采用外积法 ,因此限制了它的应用 .本文对该模型进行改进 ,改变了原来的读写规则 ,保留其稀疏分布式存储的特点 ,得到一个与小脑模型 (CMAC)相似的新模型 ,但它不存在分块效应、不需要HASHING技术 .

基于Gabor变换与自组织稀疏RAM的N-tuple神经网络的人脸识别方法

本文提出了一种采用首先对人脸图像进行Gabor变换,然后由自组织稀疏RAM的N-tuple神经网络进行训练识别的方法,通过大量实验证明,该方法在较少训练样本下条件下,能够取得较高的识别率。

基于稀疏RAM的逼近型神经网络与统计模式识别的人脸识别

本文提出了一种基于稀疏RAM的逼近型神经网络(SN-tuple)与统计模式识别相结合的人脸识别方法,采用首先直接将原始图像数据输入稀疏RAM的逼近型神经网络中进行粗分类,再由统计模式识别方法中的PCA、LDA来进行最终细分类的方法,通过大量的实验证明了该方法的有效性。

改进的SDM模型及其在函数逼近中的应用

Kanerva的稀疏分布存储(SDM)模型存在一个编码过程把输入模式二值化,这易引起模式间不保序的问题,并且其学习规则使该模型不具有对函数的逼近能力。本文提出一种改进的SDM模型,输入输出空间是实值模式,不需任何编码,改进了学习规则,使该模型不仅具有模式识别的能力,且具有对函数的逼近能力。最后通过实验证实了该模型的有效性。