符号多值PLA‘s及其应用

提出了三种新的符号多值ＰＬＡ（ＳＭＰＬＡ）结构：第一类型ＳＭＰＬＡ由符号译码器、ＭＩＮ阵列和ＭＡＸ阵列组成；第二类型ＳＭＰＬＡ由符号译码器、ＡＮＤ阵列、ＯＲ阵列和输出编码器组成；第三类型ＳＭＰＬＡ由两级第二类型ＳＭＰＬＡ和延时部件组成。在此基础上，讨论了专用数字流水处理器部件－ＡＤＤ的原理及其实现。     

一种新的单层神经网络学习算法分析模型

提出了适用于单层神经网络快速学习算法分析的一种新模型——广义系统辨识模型，分析了Ｋａｒａｙｉａｎｎｉｓ的快速ＢＰ算法．研究结果表明：利用所提出的新模型，能有效地进行单层神经网络学习算法的性能分析     

用神经网络构造鲁棒HMM＇s

对窗口神经网络（ＢＷＮＮ）与鲁棒ＨＭＭ’ｓ之间的关系作了新的探讨，指出了鲁棒ＨＭＭ’ｓ是循环的ＢＷＮＮ（ＲＢＷＮＮ）的特殊情况。讨论了由ＲＢＷＮＮ构造用于噪音环境下语音识别的组合ＨＭＭ’ｓ和二阶ＨＭＭ’ｓ的算法，给出了它们相应的网络结构。     

用神经网络构造鲁棒HMM‘s

对窗口神经网络与鲁棒ＨＭＭ＇ｓ之间的关系作了新的探讨，指出了鲁棒ＨＭＭ＇ｓ是循环的ＢＷＮＮ的特殊情况。讨论由ＲＢＷＮＮ构造用于噪音环境下语音识别的组合ＨＭＭ＇ｓ和二阶ＨＭＭ＇ｓ的算法，给出了它们相应的网络结构。     

改进的神经网络快速学习算法

提出了一种新颖的神经元模型和用于神经网络训练的推广准则，给出了多层神经网络的快速学习算法，研究了一种用于语音识别的时变多层神经网络及其相应的快速学习算法．语音识别实验表明：所给出的快速学习算法能有效地加速网络训练进程．     

高阶神经网络与二阶隐马尔柯夫模型的统一的数学模型

随着ＶＬＳＩ技术的迅锰发展，对神经网络与隐马尔柯夫模型（ＨＭＭ＇ｓ）之间的关系研究已成为信息处理领域的一个重要的研究方向。在分析高阶神经网络和二阶ＨＭＭ＇ｓ的结构及算法的基础上，提出了这两种模型的统一数学模型，从而为这两种模型的ｓｙｓｔｏｌｉｃ设计奠定了基础。     

高阶神经网络与二阶隐马尔柯夫模型的统一的数学模型

随着VLSI技术的迅猛发展,对神经网络与隐马尔柯夫模型(HMM’s)之问的关系研究已成为信息处理领域的一个重要的研究方向.在分析高阶神经网络和二阶HMM’s的结构及算法的基础上,提出了这两种模型的统一数学模型,从而为这两种模型的systolic设计奠定了基础.     

符号多值PLA′s及其应用

提出了三种新的符号多值ＰＬＡ（ＳＭＰＬＡ）结构：第一类型ＳＭＰＬＡ由符号译码器、ＭＩＮ阵列和ＭＡＸ阵列组成；第二类型ＳＭＰＬＡ由符号译码器、ＡＮＤ阵列、ＯＲ阵列和输出编码器组成；第三类型ＳＭＰＬＡ由两级第二类型ＳＭＰＬＡ和延时部件组成，在此基础上，讨论了专用数字流水处理器部件——ＡＤＤ的原理及其实现。