基于约束优化的联想记忆模型学习算法

本文提出了一种对称互连神经元网络的学习策略,利用全局约束优化方法确定连接权。优化过程采用了梯度下降技术。这种学习算法可以保证训练样本成为系统的稳定吸引子,并且具有优化意义上的最大吸引域。本文讨论了网络的存储容量,训练样本的渐近稳定性和吸引域大小。计算机实验结果说明了学习算法的优越性。

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.

一种联想记忆模型及附加节点方法

本文提出一种新的联想记忆模型,这种模型可根据Perceptron算法进行学习。它是一种非对称的、互连的人工神经元网络。从理论上证明了在一定条件下这种网络能记忆样本的最少个数,能够使得所要记忆的样本都能成为神经元网络动力学系统的稳定吸引子。从心理学角度看,它与人记忆采些信息的方法很相近。为了能够使网络运行时可逃离非样本吸引子,回到样本吸引子,我们又提出了一种加深联想记忆的学习及相应的运行算法。为了使任意多个样本能够存储在一个网络里,我们提出一种附加节点方法,附加节点对应于模式的一种概念,这种方法也解决了模式分类中的线性不可分问题。最后给出了计算机模拟结果。

一种改进的神经元网络联想记忆模型及其应用

本文给出了一种改进的神经元联想记忆模型及其在控制系统故障诊断中的应用。这种模型不要求输入的样本向量之间是正交的或近似正交的,而是对任意输入样本向量进行HADAMARD预处理,使得处理后的样本向量,与输出样本向量组成联想矩阵M,构成这种联想记忆模型。最后本文给出了一个简单的控制系统故障诊断的数值例子加以说明。

内连式复值双向联想记忆模型及性能分析

Lee的复域多值双向联想记忆模型(complex domain bidirectional associative memory,简称CDBAM)不仅将Kosko的实域BAM(bidirectional associative memory)推广至复域,而且推广至多值情形,以利于多值模式(如灰级图像等)间的联想.在此基础上,提出了一个新的推广模型:复域内连式多值双向联想记忆模型(intraconnected CDBAM,简称ICDBAM),通过定义的能量函数证明了它在同步与异步更新方式下的稳定性,从而保证所有训练样本对成为其稳定点,克服了CDBAM所存在的补码问题.计算机模拟证明了该模型比CDBAM具有更高的存储容量和更好的纠错性能.

基于联想记忆模型的模糊关系矩阵自学习机制

分析了模糊诊断原理与联想记忆模型的相似性，提出了一种递归的模糊关系矩阵自动获取及自学习方法，并成功应用于空气压缩机组的故障诊断，取得了满意的效果．

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 。

一般多值双向联想记忆模型及其在IP地址识别中的应用

通过引入模式相似度的概念,给出了一个一般的多值双向联想记忆模型.该模型囊括了Wang的指数式多值双向联想记忆(Mv-eBAM)以及多项式多值双向联想记忆(PBHC),并衍生出几种新的多值双向联想记忆模型,即正切联想记忆(HTBAM)和柯西联想记忆等.其中侧重对比讨论了HTBAM和Wang的PBHC模型,模拟结果显示HTBAM具有和PBHC相当的存储容量,且纠错性能显著提高.最后利用此性能,将HTBAM用于IP地址识别中,给出了一种新颖的联想IP路由查找方法.

基于结构学习和迭代自映射的自联想记忆模型

传统的人工神经元网络连接结构是固定的,是对权值的学习.提出一种基于生理神经元特征的人工神经元模型,并在以此为单元构成的用于实现自联想记忆的神经网络上进行对结构的学习.学习算法以设定神经元的输入/输出感受野、调整突触和轴突末梢的连接、并行的自投影迭代为特征.给出了此网络模型的矩阵描述和实验结果.

基于联想记忆模型的炮兵战场目标价值分析

目标价值分析是炮兵作战情报信息处理的中心工作。如何从炮兵战场众多目标情报中确定其价值 ,并根据作战需要选择需射击的目标和确定优先顺序是炮兵指挥员及其参谋人员的一项重要任务。根据联想记忆的一般模型和迭代解法对炮兵战场目标价值进行了分析和排序 ,并运用计算机进行处理 ,为炮兵指挥员的决策行为提供了依据。

一种能存贮相关模式的自联想记忆模型

Hopfield 的联想记忆模型只能存贮正交模式。虽然出现了一些能存贮非正模式的修正模型,但有的是针对统计无关模式的,有的学习方法显得复杂[3]。本文提出一种利用离散 Hadamard 变换存贮统计相关模式的自联想记忆模型。通过对样本模式和键模式进行预处理,该模型对于统计相关的模式仍有较好的稳定性。与其它模型相比,我们提出的学习和检索方法简单。分析表明,该模型对于统计相关的模式仍有 n/2logn 的存贮容量。

最小平方形态联想记忆模型的研究与实现

Ritter等人借助形态学理论提出了形态联想记忆模型 (MAM Morphological Associative Memory) ,其中所构建模型的两个权值矩阵和可分别用以回忆腐蚀和膨胀噪声模式 ,但不能回忆混合噪声模式 .故本文提出了一个最小平方形态联想记忆模型 (L SMAM least squares MAM)来克服 MAM的不足 ,以达到既可分别识别腐蚀和膨胀噪声模式 ,也可以识别混合型噪声模式的目的 ,因此更适用于实际情形 .实验结果表明了该方法的可行性 .

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。

一类新的指数式联想记忆模型

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记忆模型（ＬＳＡＭ），大大降低原有模型噪声敏感性。但ＬＳＡＭ的性能依赖于预先给定的输入噪声方差，而这在实际应用中难以达到。本文所提出的一类指数式联想记忆模型，一方面解决了Ｍｕｒａｋａｍｉ所遇到的上述问题，另一方面使原有模型的联想记忆能力得到极大的提高。因此可广泛地应用于模式识别等领域。

具有非线性映射能力的高性能联想记忆模型

通常的联想记忆模型的联想性能由于受到输入模式间交叉相关项的影响而有所下降，并且在输入与输出之间缺乏非线性映射能力。本文介绍一种高性能联想记忆模型，它将低维输入向量映射到一个高维的中间向量，从而提高了系统的联想能力，又使系统具有非线性映射能力，最后给出了几种推广。

应用联想记忆模型获取模糊关系矩陈

本文提出了一种基于Ｗａｌｓｈ变换的联想记忆模型，并成功应用于空气压缩组故障诊断中模糊关系矩陈的自动获得，取得了满意效果。

含有反馈环的互启发联想记忆模型

本文将Hopfield的自联想记忆模型拓广到互联想记忆模型,并讨论了含有反馈环的神经元网络的部分功能.

异联想记忆模型的快速增强算法

本文通过增加网络的神经元,提出了异联想记忆神经网络模型的快速增强算法,它能存储任意给定的训练模式对集,即对于训练模式对的数目以及它们之间相关性的强弱没有限制.快速增强算法在X-域和Y-域增强的神经元个数分别至多为原先Y-域和X-域的神经元个数.快速增强算法设计出的网络连接权只取值1,0或-1,因而网络易于硬件电路实现和光学实现.计算机实验结果表明,与虚构增强算法相比,快速增强算法大大减少了网络的附加连接权.

基于并行处理的Hopfield联想记忆模型学习算法

本文在约束优化学习算法的基础上,提出了一种采用并行处理技术的Hopfield联想记忆模型学习策略.这种学习算法能有效地节约计算时间,提高学习的成功率.同时,本文给出一种多余吸引子的清除算法.计算机实验结果证明了算法的有效性.