训练模式对的摄动对模糊双向联想记忆网络的影响及其控制

训练模式对的小幅摄动可能对模糊神经网络的性能产生副作用,为此文中提出了一般性的模糊神经网络对训练模式对摄动的鲁棒性概念,并就典型的模糊双向联想记忆网络FBAM进行了具体分析.理论研究表明FBAM采用模糊赫布学习算法时该鲁棒性好,而采用新近提出的另一学习算法时,该鲁棒性较差.为此,作者为后一算法提供了一种训练模式对摄动的控制方法,以保证FBAM的这种鲁棒性较好.最后用FBAM在图像联想方面的实验证实了文中的某些理论结果.文中工作对FBAM系统的性能分析、学习算法的选择和模式对获取过程的指导有一定意义.

基于三角模的模糊双向联想记忆网络的性质研究

基于模糊取大算子和三角模T的模糊合成,构建了一类模糊双向自联想记忆网络Max-T FBAM。利用三角模T的伴随蕴涵算子,为这类Max-TFBAM提出了学习算法,并理论上证明了该学习算法确定的连接权矩阵是网络最大的连接权矩阵。对任意输入能使Max-T FBAM迭代一步内就进入稳定态,该类网络具有全局稳定性和可靠的存储能力。当三角模T满足利普希兹条件时,采用上述学习算法时自联想Max-T FBAM对训练模式的摄动全局拥有好的鲁棒性。最后用实验证实了理论研究,也为图像的可靠存储提供了参考。

基于Lukasiewiczt-模的模糊双向联想记忆网络的有效学习算法

利用t-模的伴随蕴涵算子,为基于Max和TL合成的模糊双向联想记忆网络Max-TLFBAM提供了一种新的学习算法,此处TL是Lukasiewiczt-模算子。从理论上严格证明了,只要存在有连接权矩阵对使得任意给定的模式对集成为Max-TLFBAM的平衡态集,则依该学习算法所确定的连接权矩阵对是所有这样的连接权矩阵对中的最大者。并用实验验证该学习算法的有效性。

模糊双向联想记忆网络的有效学习算法

基于模糊取大运算和爱因斯坦s-模提出新的模糊双向联想记忆网络模型(Max-Ses FBAM),并为该网络提出了一种新的学习算法。在理论上严格证明了,任意给定的模式对集,只要存在有连接权矩阵对使其为Max-Ses FBAM的平衡态集,则依该学习算法所确定的连接权矩阵对(,)是所有这样的连接权矩阵对中的最大者;且该最大连接权矩阵对能使Max-SesFBAM对任意输入在一步内就进入平衡态。

模糊形态双向联想记忆网络的研究

提出了一种新型的模糊形态双向联想记忆网络FMBAM,证明了FMBAM在双向联想中能够保证记忆在一步之内完成,因此不存在收敛问题,并实现完全双向正确联想,且可模糊性解释,同时表明了FMBAM具有优越的抗腐蚀或膨胀噪声的能力,仿真实验验证了双向联想FMBAM具有良好的性能。

模糊双向联想记忆网络的收敛性

本文讨论模型双向联想记忆 (fuzzybidirectionalassociativememories(FBAMs) )网络的收敛性 .对任意FBAM(n ,m)网络 ,给出了网络收敛的充分必要条件和极限环长度的上界 ,证明了网络由任意初态激发都一定在 (n - 1) 2 +2步内到达某个极限环 ;对由max min学习规则确定的FBAM(n ,m)网络 ,证明了网络由任意初态激发其状态序列都是单调减的 ,且一定在n +1步内收敛 .

一种模糊双向联想记忆网络的性质研究

基于已经提出的Lukasiewicz t-模算子的模糊双向联想记忆网络(FBAM)的学习算法,进一步研究该网络的性质。在理论上证明了只要存在使给定的模式对集合能成为FMBAM的平衡态集合,则该连接权矩阵对能使FMBAM对任意输入全局收敛到平衡态。当训练模式存在摄动时,利用该学习算法训练的FBAM,对训练模式摄动拥有好的鲁棒性。

基于一类T-模的模糊双向联想记忆网络的稳定性分析

首先定义了max-T复合模糊算子,建立了一类基于模糊复合算子的模糊联想记忆网络——模糊双向联想记忆,然后系统地分析了该网络的性质,在Hamming距离意义下证明了该网络的平衡点（吸引子）具有Lyapunov稳定性。

基于模糊理论和双向联想记忆神经网络的变压器老化评价

采用模糊理论和双向联想记忆神经网络(BAM)相结合的方式对变压器老化进行评价。该方法首先运用模糊理论对变压器的相关特征进行模糊化处理,处理相关参数的不确定性问题,之后采用模糊推理和解模糊过程进行变压器的老化状态评价。在模糊化过程中,因为绝缘油气体和绝缘油的电气特征主观性较强,本文使用BAM神经网络进行训练,从而实现这些规则的模糊化。通过对实际数据的模拟实验,对所提出的方法进行了检验,实验结果与实际情况吻合程度很好,验证了所提出方法的有效性。

一类带有时滞的模糊双向联想记忆神经网络模型周期解的全局指数稳定性

利用M-矩阵理论、Halanay不等式和一些分析技巧证明了一类带有变时滞的非自治模糊双向联想记忆神经网络模型周期解的全局指数稳定性,通过一个实例说明了结论的正确性。

双向联想记忆神经网络的全局指数稳定性

在研究双向联想记忆神经网络时,通常都假设输出响应函数是光滑的增函数,但实际应用中遇到的大多数函数都是非光滑函数。因此,本文将双向联想记忆神经网络的输出响应函数连续可微的假设削弱为满足Lipschitz条件,通过引入Lyapunov函数,利用不等式的方法,证明了双向联想记忆神经网络全局指数稳定性的一个定理。

双向联想记忆神经网络及其在肺癌患者分类判别中的应用

给出双向联想记忆 (BAM)神经网络的基本原理。在此基础上 ,根据血清中微量元素的含量 ,将双向联想记忆神经网络用于正常人与肺癌患者的分类判别。实验结果表明 :用独立预测样本作检验 ,在本工作所选定的条件下 ,可以达到 10 0 %的正确识别率。并讨论了双向联想记忆神经网络的影响因素。

模糊联想记忆神经网络在土地质量评价中的应用

土地是一个复杂的动态系统，受到众多因素的影响，而影响因素存在很大的模糊性，应用传统的理论和方法进行评价难以得到正确结果。本文提出一种基于模糊联想记忆神经网络的土地质量评价方法，并以实例证实了该方法的简便、快速、客观和实用性。

神经元网络在故障诊断中的双向联想记忆法

本文介绍了神经元网络用于控制系统故障诊断的双向联想记忆法.该方法是根据神经元网络的特点和功能以及控制系统故障诊断的要求而提出.文中首先介绍了双向联想记忆的模型和算法,然后给出一个简单的应用例子.

双向联想记忆神经网络的一种编码策略

本文提出一种双向联想记忆神经网络的按‘位’加权编码策略，并给出了求取权值的速推算法．它将Ｋｏｓｋｏ双向联想记忆神经网络按海明距离进行模式匹配的原则，修正为按加权海明距离进行模式匹配，从而可以使得对不满足连续性的所谓“病态结构”的一类样本模式集，同样具有良好的联想能力．对二值图象模式存贮、联想的计算机模拟实验表明，此方法具有优良的性能和实用价值．

模糊联想记忆神经网络模型在地震预报中的应用

介绍了模糊联想记忆ＦＡＭ（ＦｕｚｚｙＡｓｓｏｃｉａｔｉｖｅＭｅｍｏｒｙ）神经网络模型、ＦＡＭ自适应学习算法以及ＦＡＭ推理机的原理，并成功地将其用于“新一代的地震预报专家系统ＮＧＥＳＥＰ”，使得系统既具有良好的学习功能。

最大─乘积型模糊联想记忆网络的最大最小编码学习算法

提出了最大─乘积型模糊联想记忆网络的最大最小编码学习算法，新算法可以记忆任意多个自联想模式。对于异联想模式，给出了一种以最大最小编码算法为基础，近似求解网络连接权阵的梯度下降学习算法，这种方法可用于解最大乘积型模糊关系方程。计算机模拟实验证实了算法的有效性。

具有时滞的双向联想记忆(BAM)的神经网络的全局动力学行为

在没有假定关联函数的光滑性,单调性和有界性的条件下,应用Liapunov泛函方法和矩阵代数技术,得到具有常数传输时滞的双向联想记忆(BAM)的神经网络模型平衡点存在性和全局指数稳定性的一些新的充分条件,这些条件可以由网络参数,连接矩阵和关联函数的Lipschitz常数所表示的M矩阵来刻化· 这些结果不仅是简单和实用的。

具有轴突信号传输延迟的双向联想记忆神经网络

双向联想记忆模型是两层异联想网络,本文重点讨论了具有轴突信号传输延迟的双向联想记忆神经网络平衡点存在的条件以及全局稳定性.并用具体例子验证了结论的正确性。本文所讨论的方法具有普遍性,所得到的结果对于网络的设计和应用具有重要的指导意义。

训练模式的摄动对最大——乘积型模糊联想记忆网络的影响

首先建立了前馈型模糊联想记忆网络对训练模式摄动的鲁棒性概念,分析了最大—乘积型模糊联想记忆网络(Max-Product FAM),发现当采用模糊赫布学习算法时它的鲁棒性好,但采用另一学习算法时鲁棒性较差。最后用实验验证了理论结果。