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。     

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。     

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。     

基于竞争型神经网络的城市空气质量分析

该文利用竞争型神经网络来对空气质量进行分类。竞争型神经网络模拟生物神经网络中的神经元之间的兴奋、抑制与竞争的机制,进行网络的学习与训练。竞争型神经网络的输出层神经元能够通过竞争以确定胜者,胜者将指出哪一种原型模式最能代表输入模式。将不同空气质量等级下的各空气指标作为原型模式,通过输入样本模式,利用竞争网络的竞争特点得到胜者,以此得出空气质量等级。     

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BP神经网络的光栅莫尔条纹细分方法

一种基于BP神经网络的光栅莫尔条纹细分方法可以提高光栅莫尔条纹的细分精度。在1个莫尔条纹信号周期内采集多个样本点进行差值细分,利用3层BP神经网络,将获得的差值作为网络输入,该样本点在1个栅距内的微位移量作为目标输出,建立合理的网络模型,与DSP微处理器相结合实现莫尔条纹细分。通过对样本点的学习,莫尔条纹细分精度可以达到0．001微米级。同时对非样本点进行验证,实验结果表明该系统具有可行性。     

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.     

基于高维空间划分的神经网络分类学习模型

基于高维空间划分的原理，提出了一种非线性神经元CC模型和基于CC模型的神经网络的构造算法。从理论上证明基于CC模型的神经网络的容错性比MP网络要好，而且网络的隐层节点个数远远少于FP网络的隐层神经元个数，对于分类问题其计算复杂性仅为多项式（上界≤O(p^2),p为样本个数。该网络有明确的几何和物理意义，具有持续学习和噪声数据处理能力，适合大规模数据挖掘领域。     

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。     

基于动态分类算法的入侵检测系统

为了使分类方法适合网络入侵检测系统在线、实时的特点,根据自适应谐振理论提出了基于联想和竞争学习的动态分类算法。算法采用改进的胜者全得方法训练神经网络,通过估算类别数目方法优化初始系数。该算法能防止分类时丢弃特殊模式,并能对未知类别数量的数据动态进行分类,实验采用相同的数据集训练自适应谐振理论网络和动态分类网络。结果证明,动态分类算法具有良好的收敛性和模式分类能力。将该算法应用于入侵检测系统的网络行为智能学习,其误报率仅为10%左右。     

数学神经网络（Ⅱ）：神经网络的学习算法

重点研究神经网络的学习算法，给出了单人单出，多入单出，单入多出及多入多出网络学习算法的通用公式，指出了目前人工神经网络研究的方法没有跑出计算数学的圈子，人工神经网络所具有的“优点”并没有真正的实现。     

一种小波神经网络的快速学习算法及其应用

提出一种基于最小二乘的小波神经网络的快速学习算法,与现有的同类算法相比,该算法无需任何矩阵运算,兼有快速收敛和计算量较小的特点,有助于提高小波网络的实时性能,推导了算法,几个典型的函数逼近的仿真实例表明了算法的优良性能。     

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．     

Hopfield连续神经网络新的综合和学习方法

本文对设计一个全局稳定的Ｈｏｐｆｉｅｌｄ连续时间联想神经网络提出一种新的综合方法，用本文提出的方法综合的网络不仅能保证每一个要求的模式全部记忆，而且存贮在网络的稳定平衡点上的每一个记忆具有很好的吸引域特性。从最小误差参数估计的观点导出求解网络联接矩阵的学习方法具有快速收敛特性。本文还提出了利用反馈网络电路结构实现网络综合的方案。一个零自联接联想网络的综合实例证实了本文提出的方法的有效性和实用性。     

随机时滞BAM神经网络的全局散逸性

把不确定性因素考虑到双向联想记忆神经网络(BAM)中, 得到一类带Brown运动的随机时滞双向联想记忆神经网络(BAM)模型. 在激活函数有界的条件下, 研究了随机时滞BAM神经网络的全局散逸性. 通过Lyapunov泛函、Jensen不等式和It 公式等, 讨论了随机时滞BAM神经网络系统均方散逸的充分条件, 给出了该系统散逸的吸引集. 通过数值例子对所给出的结论进行了验证.     

离散Hopfield神经网络在混烧控制系统故障诊断中的应用

给出了离散Hopfield神经网络结构和模型．利用Hopfield神经网络的演变过程是一种计算联想记忆的过程,它适用于正交(或近似正交)模式的记忆性质,给出了一种Hopfield神经网络的双向联想记忆模式的记忆矩阵构造方法,并提出了一种改进的基于Hopfield神经网络的控制系统故障诊断的算法,利用此算法实现实时检测混烧控制系统的故障和异常,对混烧控制系统的调节器和阀门进行故障诊断和故障信息提示．     

船舶避碰的自适应模糊专家系统研究

采用自适应模糊系统和神经网络方法,研究了基于模糊联想规则的避碰操纵知识表示,知识获取和自适应学习;建立了基于二值输入输出模糊联想系统的并行模糊推理机制,由此而建立的船舶避碰撞模糊专家系统具有自适应学习能力,能实现实时避碰导航。     

MIMO Channel Estimation and Equalization Using Three-Layer Neural Networks with Feedback

This paper describes a channel estimation and equalization algorithm using three-layer artificial neural networks （ANNs） with feedback for multiple input multiple output wireless communication systems. An ANN structure with feedback was designed to use different learning algorithms in the different ANN layers. This actually forms a Turbo iteration process between the different algorithms which effectively improves the estimation performance of the channel equalizer. Simulation results show that this channel equalization algorithm has better computational efficiency and faster convergence than higher order statistics based algorithms.