具有认知判别功能的自联想记忆神经网络模型

提出一种具有认判别功能的自联想记忆神经网络模型，对一个新的输入模式，当网络达到平衡点时，通过一种差别函数可差别该模式是否是网络中已存贮的模式，如不是则对其进行学习；如是则该平衡状态即为其联想结果，给出了模型及其学习规则，分析了网络吸引子半径与有关参数的关系及模型对输入模式的筛选作用，最后给出了计算结果。     

再谈基于分类思想的联想记忆神经网络

探讨了CANN网络的伪吸引子的情况，证明了网络最多只有1个伪吸引子，即所谓的“空白模式”，并设计出异联想记忆网络模型结构。     

样本优选规则构造的Hopfield神经网络的联想记忆功能

从理论上推导采用样本优选规则的离散Ｈｏｐｆｉｅｌｄ网络的吸引子，发现该网络的存储容量达到Ｎ，并推导这些吸引子的引域，探讨网络的联想记忆功能。     

具有时滞的双向联想记忆神经网络的稳定性分析

研究一类具有时滞的变系数双向联想记忆神经网络(BAM)的稳定性问题.由于时滞变系数双向联想记忆神经网络的平衡点不一定存在,分平衡点存在和不存在两种情况进行研究.在BAM神经网络系统存在平衡点时,通过构造Lyapunov函数,结合不等式分析技巧,给出了系统指数稳定的充分条件;在BAM神经网络系统不存在平衡点时,利用数学归纳法给出了系统的吸引域.     

离散Hopfield网络的置换对称性与逆联想记忆

着重从理论上探讨离散Ｈｏｐｆｉｅｌｄ网络的置换对称性，同时根据采用样本优选规则构造的神经网络所具有的一种特殊的置换－不变置换的原则，建立一种新的联想记忆－逆联想记忆。     

基于联想记忆的Hopfield神经网络的设计与实现

介绍了反馈型神经网络Hopfield网络的定义、原理、模型和基本学习规则,并构造了一个用于联想记忆的Hopfield神经网络模型.对实验结果进行分析、比较,实验结果表明:Hopfield神经网络用于数字识别是可行、有效的;该方法较传统神经网络能提高网络的记忆能力和数字识别的正确率;该方法有别于以往的BP神经网络的模式识别,结合一些优化算法,如遗传算法,能对Hopfield神经网络的联想记忆稳态进行优化,增强神经网络的联想记忆能力.     

基于记忆图样权重的联想记忆神经网络学习算法

提出了记忆图样对神经突触联接强度的贡献权重概念。通过使原图样成为稳定态即稳定条件得到的方案求解该权重,得到了突触联结强度矩阵,实现了神经网络相关模式的联想记忆。将此算法和其它联想记忆算法进行了比较和讨论,并用计算机进行了模拟。     

一种混合模糊联想记忆网络

本文改进了Ｋｏｓｋｏ．Ｂ提出的最大最小联想记忆网络的模糊Ｈｅｂｂ关系编码规则,给出了一种新的学习算法,新算法克服了Ｋｏｓｋｏ．Ｂ算法的缺陷,在一定条件下,本文的学习算法能将模式对完整地联想出来．另外,本文在分析网络的容错性及稳定性的基础上,提出了一种五层混合模糊联想记忆网络,五层混合网络具有良好的联想容错能力．实验结果表明,本文的学习算法及混合网络是有效的．     

含时延的双向联想记忆神经网络的指数吸引性分析

针对含时延的双向联想记忆神经网络模型具有多个对应于不同记忆模式的平衡点的特点,采用不等式技巧和非负矩阵性质,建立了平衡点指数吸引域及其指数收敛速度估计的方法,所得结论对含时延的双向联想记忆神经网的设计和容错性能的评价都很有意义。     

一种新型联想记忆神经网络

提出了一种新型联想记忆神经网络,记忆容量接近2^N,完全消除了假模式,具有多模式回忆能力,同时具有较高的记忆效率;模式的各个分量分别存储在网络的N个连接中,这些连接构成一个通过网络中所有神经元的被称为“模式环”的单环回路;网络中处理和传递的信号为神经元编号组成的序列,神经元执行一组处理这种序列的符号和逻辑运算;连接由“连接状态”和“禁止路径”组成,前者用于存储信息,后者用于抑制网络中出现的假模式。     

An Incremental Time—Delay Neural Network for Dynamical Recurrent Associative Memory

An incremental time-delay neural network based on synapse growth,which is suitable for dynamic control and learning of autonomous robots,is prooposed to improve the learning and retrieving performance of dynamical recurrent associative memory architecture.The model allows steady and continuous establishment of associative memory for spatio-temporal regularities and time series in discrete sequence of inputs.The inserted hiddewn units can be taken as the Long-term memories that expand the capacity of network and sometimes may fade away under certain condition.Preliminary experiment has shown that this incremental netwrok may be a promising approach to endow autonomous robots with the ability of adapting to new data without destroying the learned patterns.The system also bendfits from its potential chaos character for emergence.     

一类神经网络稳定性与联想记忆的分析

分析了具有代表性的一类神经网络的稳定性与联想记忆问题.首先定义一种新的能量函数,由此分析网络的稳定性,推得了保证网络平衡点是渐近稳定平衡点所满足的条件,从而使网络可用于联想记忆.所得条件与 A.Guez 所得结论对比发现,在某些情况下两者是一致的,在另外一些情况下,两者并不等价.另外,还得到了比 A.Guez 结论更具普遍意义的保证网络运行点为渐近稳定平衡点的有关定理,扩展了 A.Guez 的结论.     

Memory Chain in a Chaotic Autoassociative Neural Network

Memory chain is observed in a chaotic autoassociative neural network. The network recalls first stored pattern from a fragment of a memory, stays at this pattern for a while, transits to the second stored pattern that overlaps with the first recalled pattern.Then it stays at the second recalled pattern for a while, transits to the third stored pattern that overlaps with the second recalled pattern, and so on. Thus a memory chain is generated. The memory chain ends with the pattern that overlaps no other stored patten. This phenomenon is similar to the way of recalling process of human beings in some respects.     

一类新的模糊关联存储器模型

在运算(∧,·）和（∨,·）的基础上,提出了一类新的模糊关联存储器模型(FAMM),并证明了利用基于运算（∧,·）的FAMM处理扩张性噪声和利用基于运算（∨,·）的FAMM处理消减性噪声是非常有效的.最后,通过一种核方法对混合噪声进行处理,取得较好效果.     

一种基于稀疏指数联想记忆神经网络的图像识别方法

区别于一般的图像识别方法,指数联想记忆模型(EAM)是一种对数据分布无任何要求的非线性技术,具有指数级的存储容量和良好的容噪性能.随着实际的需求和被处理问题规模的扩大,EAM所采用的全互连结构将导致布线工艺上的困难而难以克服,限制了模型的VLSI(超大规模集成电路)硬件实现.通过在EAM中引入社会领域中广泛存在的"六度分离"现象,借鉴Watts和Strogatz提出的"小世界网络"理论对EAM进行了稀疏化改造.改造后的稀疏指数联想记忆模型(SEAM)不仅结构相对简单、易于硬件实现,而且仿真结果表明在灰度图像加噪和部分缺失的情况下,SEAM识别性能和全互连的EAM相当,表现出了较强的鲁棒性.     

基于自联想记忆算法的图像缩放研究

针对图像缩放中的问题,提出基于自联想记忆算法。首先确定自联想记忆最小上界和最大下界,自联想记忆每个层之间的神经元通过最近域互连接方式连接信息交替,能够在神经系统缺损信息时通过自联想记忆恢复出原来存储的完整记忆模式;接着所有神经元节点采用同步方式调整状态,利用均场定理加快自联想记忆神经网络学习速度;最后给出了图像缩放算法过程。实验仿真显示算法输出图像能够较好地保持原图像内容,峰值信噪比(PSNR)比较大。     

基于神经网络的字母识别方法研究

利用Hopfield神经网络联想记忆的功能,对有噪声干扰的字母进行识别。