基于竞争的联想存储器学习算法

提出两种基于竞争的神经网络联想存储器学习算法—CC算法和ACC算法 ,并证明算法得到的神经网络对任一输入模式的竞争收敛性 ,由CC算法得到的网络 ,利用 p n个神经元存储p个n维样本模式 ;每个样本点都是吸引中心 ,不存在假吸引中心 ;对任一输入模式 ,总被吸引到与之海明距离最小的样本点上 ;不产生拒识点 .ACC算法是CC算法的改进形式 ,所得网络可在自适应学习中收敛 ,竞争次数较CC算法大大降低 本文算法得到的网络在存储容量、容错能力方面好于Hopfield联想存储器及作为联想存储器使用的BP网络 .     

模糊联想存储器及自适应学习算法在地震预报中的应用

介绍了模糊联想存储器ＦＡＭ的基本结构、ＦＡＭ的自适应学习算法以及ＦＡＭ推理机的原理，并成功地将其用于地震预报专家系统中。其成果表现为：在知识获取方面，用积空间聚类的方法，自适应地产生地震预报规则；在推理方面，用ＦＡＭ推理机实现了对结构性语言经验的综合推理。     

联想记忆神经网络的学习算法设计

提出了联想记忆神经网的学习算法，并给出了算法的收敛性定理。     

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。     

联想记忆系统的学习算法设计（Ⅰ）

基于牛顿向前插公式设计了一种新的联想记忆系（ＮＦＩ－ＡＭＳ）的学习算法,用以实现任意阶的多变量多项式函数的无误差逼近。该系统与传统类型的ＣＭＡＣ－ＡＭＳ相比,具有学习精度高和记忆空间小的特点;且比多层的ＢＰ网络具有学习算法简单和收敛速度快的特点。数值模拟表明,这种ＮＦＩ－ＡＭＳ在信号处理,模式识别,及高精度的实时智能控制等领域具有很大的应用潜力。     

0模糊联想存储器及自适应学习算法在地震预报中的应用

介绍了模糊联想存储器ＦＡＭ（ＦｕｚｚｙＡｓｓｏｃｉａｔｉｖｅＭｅｍｏｒｙ）的基本结构、ＦＡＭ的自适应学习算法以及ＦＡＭ推理机的原理，并成功地将其用于地震预报专家系统中．其成果表现为：在知识获取方面，用积空间聚类的方法，自适应地产生地震预报规则；在推理方面，用ＦＡＭ推理机实现了对结构性语言经验的综合推理．     

超立方体的3—独立集及其在神经联想存储器中的应用

用Ｉ３（ｎ）表示ｎ－立方体Ｑｎ的３－独立数。提出了构造Ｑｎ的３－独立集的一个算法，证明了２＾ｎ－［ｌｏｇ２＾ｎ］－１≤Ｉ３（ｎ）≤［２＾ｎ／（ｎ＋１）。这些结果被应用于神经联想存储器的设计。     

自联想映射存储器：一种新的非线性人工神经网络存储器模型

提出了一种基于图论理论的新的非线性人工神经网络存储器模型－自联想映射存储器。该存储器借助一种特殊的矩阵逻辑异或（ＸＯＲ）运算和存储器结构,可以实现大容量信息的动态存储和自联想记忆功能,具有结构简单,存储容量大和良好的动态特性,是一种理想的实时计算机信息处理系统信息存储器。     

混合故障模型下离散Hopfield联想存储器的鲁棒性

离散 Ｈｏｐｆｉｅｌｄ 联想存储器（ Ｄ Ｈ Ａ Ｍ）在联想记忆方面有很大的优点,但是在硬件实现过程中存在着各种故障。对于软硬故障同时存在情况下 Ｄ Ｈ Ａ Ｍ 的性能进行分析是很有必要的。该文对 Ｄ Ｈ Ａ Ｍ 建立了同时包含权值误差、权值断路、神经元输出固值等各种软、硬故障的故障模型,定义了概率意义下 Ｄ Ｈ Ａ Ｍ 的鲁棒性。运用概论统计的方法推导出了运行于同步方式下 Ｄ Ｈ Ａ Ｍ 的鲁棒性,推导中对结果进行了近似处理。对 Ｄ Ｈ Ａ Ｍ 系统进行了仿真实验,与利用这种鲁棒性分析方法计算进行了对比,结果相差非常小,证实了此方法的正确性,可以用于 Ｄ Ｈ Ａ Ｍ 的可靠性计算。     

用反馈网络实现动态联想存储器

研究了用反馈网络作动态联想存储器中的一些问题。从动态联想存储器的两个重要指标和性质中引出相关的学习算法，并用计算机仿真。结果表明：所有基本向量都是网络的稳定状态，且动态联想存储器具有一定的纠错能力。     

基于学习与竞争的改进PSO算法研究

针对普通PSO算法收敛速率慢,难以收敛到全局最优解的问题,提出了一种基于学习与竞争的改进PSO算法.该算法通过将种群内部学习和竞争的思想与PSO算法相结合,让种群中个体通过竞争和学习策略来替代原有的PSO算法迭代公式.该方法在不增加PSO算法计算复杂度的基础上,能够克服基本PSO算法的不足.最后基于动态系统的稳定性分析理论,给出了该PSO算法收敛性的证明.在7种不同的测试函数上对改进后的算法进行了实验测试.实验结果表明该改进算法比传统的PSO算法有着更好的搜索精度.结果证明,新算法比普通的PSO算法具有更高的搜索精度和较低的时间复杂度.改进算法求解函数优化问题更加有效,收敛速率更快.     

一类学习联想神经网络的动态特性研究

本文讨论了一类联想神经网络在学习新的模式过程中，结构变化引起网络平衡点状态变化的动态特性；分析了联想过程中输入激励在噪声干扰情况下网络的抗噪性能，得到一些对于研究联想神经网络学习性质有用的结论。     

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。     

超立方体的3－独立集及其在神经联想存储器中的应用

用Ｉ３（ｎ）表示ｎ－立方体Ｑｎ的３－独立数。提出了构造Ｑｎ的３－独立集的一个算法，证明了２ｎ－［ｌｏｇ２ｎ］－１≤Ｉ３（ｎ）≤［２ｎ／（ｎ＋１）］．这些结果被应用于神经联想存储器的设计．     

关于基于存储器故障的测试算法探讨

随着系统级芯片中存储器的比例越来越大,存储器的品质直接影响着系统级芯片的整体性能,所以存储器部分的测试就更为重要。在分析了常用的几种存储器测试算法在故障覆盖率或时间复杂度方面的局限性之后,对能够在不需增加测试时间的同时而明显提升故障覆盖率的新March测试算法进行探讨并予以验证。     

一种新的联想记忆系统的学习收敛性(Ⅱ)

基于牛顿向前插公式的新的高阶联想记忆系统 (NFI AMS) ,可以用来实现任意阶多变量多项式函数的无误差逼近 ,证明了对于任意多变量连续函数均可通过一组与子区域个数相同的学习数据 ,NFI AMS的学习总是以任意精度收敛的。     

基于神经网络自联想的数字图像水印算法

基于神经网络自联想记忆功能,提出了一种新的数字图像水印算法.首先将水印信息存储到神经网络中;再将其分别嵌入到原始图像小波分解的近似系数分量和细节系数分量中,采用嵌入水印过程的逆过程提取水印;最后利用神经网络对提取出的水印图像进行后处理.实验结果表明所提方法在满足水印的不可感知性的前提下,对多种攻击,如JPEG压缩、加性和乘性噪声干扰、滤波、剪切等具有较强的鲁棒性.     

离散型 Hopfield 联想存储器k阶吸引子的鲁棒性分析

为对离散型Ｈｏｐｆｉｅｌｄ联想存储器（以下简称为ＤＨＡＭ）平衡点吸引域的鲁棒性进行理论探索,文章基于输入及权值实现误差或扰动同时作用的随机模型,采用统计学方法,推出了ＤＨＡＭ的ｋ阶吸引子（ｋ≥０）鲁棒性的通用计算方法。并针对正交样本经Ｈｅｂｂ规则构成的ＤＨＡＭ,进一步得到了该类网络ｋ阶吸引子鲁棒性的具体计算公式。仿真试验表明所得算法是正确的。讨论了这类ＤＨＡＭ结构及参数等对其ｋ阶吸引子鲁棒性的影响。     

基于学习-竞争模式的启发式算法及其应用

建立了一种解决NP难组合优化问题的一般性的模式--学习-竞争模式.其中,"学习模式"侧重于个体局部的搜索;而"竞争模式"侧重于种群全局的搜索.利用此模式将多种算法的优点融合在一起.在对背包问题的实际求解中,采用贪婪算法实现了"学习模式",而"竞争模式"则采用了遗传算法实现,并且设计了一组参数来协调这两个模式之间的关系,结果证明与理论分析一致.     

使用反馈信号的竞争学习算法

提出一个用反馈信号来控制连接权变化的竞争学习模型,用以提高竞争学习算法的学习速度,并用计算机模拟结果来讨论该模型的有效性.