模糊联想记忆的一种有效学习算法

本文提出最大－最小合成模糊联想记忆的一种新的学习算法，在一定条件下，这种学习算法能将多个模糊模式对可靠地编码到模糊联想记忆的连接权矩阵中，且已存储的模式对可被完整地回想出来。

一种基于最大-乘积型合成神经元的模糊联想记忆网络

本文提出了由最大-乘积型合成神经元的模糊神经网络实现双向联想记忆的一种学习方法及实现双向联想记忆的充要条件．对于自联想记忆网络，自联想权重由广义模糊解确定，模式联想一次就可收敛，该网络具有较强的容错性．大量的计算机实验结果表明该学习算法是行之有效的．

多模式对连接权矩阵的一种神经网络学习算法

该文提出多模式对连接权矩阵的一种神经网络学习算法,并给出了严格的理论证明。该算法能够将多个模糊模式对可靠地编码存储到尽可能少的连接权矩阵中,从而大大地减少存储空间,而且容易实现,并举例验证了它的有效性。

模糊联想记忆网络的增强学习算法

针对 Kosko提出的最大最小模糊联想记忆网络存在的问题 ,通过对这种网络连接权学习规则的改进 ,给出了另一种权重学习规则 ,即把 Kosko的前馈模糊联想记忆模型发展成为模糊双向联想记忆模型 ,并由此给出了模糊快速增强学习算法 ,该算法能存储任意给定的多值训练模式对集 .其中对于存储二值模式对集 ,由于其连接权值取值 0或 1,因而该算法易于硬件电路和光学实现 .实验结果表明 ,模糊快速增强学习算法是行之有效的 .