约束最小平方双向联想存贮器

基于ＫｏｓｋＯ的双向联想存贮（ＢＡＭ）和Ｋｏｈｏｎｅｎ的广义逆存贮的思想，本文提出了一种约束最小平方双向联想存贮器模型（ＣＬＳＢＡＭ），其联想存贮阵（或连接阵）满足Ｌｙａｐｕｎｏｖ型方程。与ＢＡＭ不同，ＣＬＳＢＡＭ能处理实数类数据；与Ｋｏｈｏｎｅｎ模型亦不同，它不仅是双向联想的，而且在本文的一种约束下联想性能达到最优。通过矩阵奇异值分解（ＳＶＤ）的分析及所进行的计算机模拟证实了所提模型的可行性。

一种新的高阶联想存贮模型

由于Kohonen模型对噪声极端敏感，Murakami提出一个利用带噪输入优化Kohonen模型的最小平方联想存贮模型（LSAM），大大降低了原有模型的噪声敏感性。但是与Kohonen模型一样，LSAM模型的联想存贮能力随着样本数的增加而大大下降。本文提出一种高阶联想存贮模型，对LSAM模型作了改进，使原有模型的联想存贮能力得到极大地提高。计算机模拟结果证实了这一点。

线性联想存贮器在自动控制中的应用

简介线性联想存贮器的工作原理和实现方法 ,它们已应用于光通讯、谱分析、衍射光学、射电天文学、电子显微术等与信息处理、图像恢复或图像识别相关的近代光电子技术领域 .然而本文探讨该方法在自动控制建模中的应用是一种新的尝试 ,尤其对复杂对象的研究 .我们把它与神经网络法比较 ,发现在非线性对象的线性化过程中 ,它具有花时更省、精度更高和鲁棒性的特点 .也讨论计算机模拟实验 。

基于循环多层神经网络的联想存贮器

提出一种基于循环多层神经网络的联想存贮器模型，它同时具备Ｈｏｐｆｉｅｌｄ联想存贮器神经网络以及多层前向神经网络的特性，可以用于构造自相联存贮器和模式识别。作为联想存贮器，其存贮记忆能力强于Ｈｏｐｆｉｅｌｄ网络。还证明了Ｈｏｐｆｉｅｌｄ网络仅仅是基于循环多层神经网络的联想存贮器的一种特例。

线性联想存贮器在图像恢复中的应用

简要介绍线性联想存贮器的工作原理和实现方法，它们已被成功地应用于光通讯、谱分析、衍射光学、射电天文学、电子显微术与信息处理．图像恢复或图像识别相关的近代光电子技术领域。

一种改进联想存贮器误差的方法

基于近代回归分析理论,本文提出了一种改进广义逆联想存贮器的新方法.理论分析和计算机模拟都表明该方法具有明显的误差改善效果.

基于矢量量化及Hopfield模型的灰度级图像识别

提出了一种新的识别灰度级图像的方法，该方法基于矢量量化的基本思想，通过对图像的分割，将灰度级图像映射成神经元仅取少数几种状态（低态）的Ｈｏｐｆｉｅｌｄ神经网络模型。理论和模拟实验证明：这种低状态的Ｈｏｐｆｉｅｌｄ网络模型与传统灰度级图像识别模型相比，不仅神经元的数目较少，互连密度较低，而且网络具有较好的联想能力。