双向联想记忆神经网络全局渐近稳定的一个结果

利用李雅普诺夫泛函方法结合一些分析技巧证明了双向联想记忆神经网络平衡点全局渐近稳定的充分条件。这些条件对设计双向联想神经网络具有一定的意义。     

关于神经网络高阶连接的张量描述及动力学分析

神经网络中与联想记忆密切相关的两个动力学性质是网络的稳定性和吸引性，针对高阶连接网络，首先讨论了通常所用的Ｈｅｂｂ规则下网络的稳定性和吸引性问题，由于Ｈｅｂｂ规则对于正交或近似正交的原型模式才有较好的联想记忆能力，故文中又针对一般线性无关模式，给出了保证这些模式稳定平衡点的高阶连接权的秩１张量形式，该形式可看作高阶连接的伪逆规则，通过对网络稳定性和吸引性的分析，得出一些充分条件，这些条件对高阶网的     

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的全局指数稳定性

研究了带连续时延杂交双向联想记忆神经网络的全局指数稳定性 ,通过构造适当的Lyapunov泛函获得了与时延无关的充分条件且保证网络指数收敛到惟一稳定的平衡点 ,在证明过程中 ,并不要求突轴联结权的对称性和激活函数的单凋性与可微性 ,因此论文所推导的结果更具一般性。     

一类推广的BAM模型的全局渐近稳定性分析

在B KOSKO双向联想记忆模型（BMA模型）上，引入了变时滞，去掉了连接权矩阵对称的要求，利用构造Liaponov泛函，得到了此动力学系统全局渐近稳定的条件，所得结果，在人工神经网络理论和应用研究中具有实际意义。     

含时滞的双向联想记忆神经网络的全局吸引性和全局指数稳定性

本文研究了具有时滞的双向联想记忆神经网络模型,在非线性神经元激励函数是Lipschitz连续的条件下,通过构造适当的泛函,得到了该系统的平衡点是全局吸引和全局指数稳定.     

一个新的线性规划通用神经网络模型

指出了现有模型存在的局限性，为构造了一种新的神经网络模型用于求解一般线性规划问题，避免了现有网络模型的不足，该模型是线性规划的通用模型，具有全局渐近稳定性，能够惟一地收敛到问题的全局最优解，模拟计算表明了新模型的有效性。     

含时滞和脉冲的双向联想记忆神经网络模型的全局鲁棒一致渐近稳定性分析

讨论了一类含时滞和脉冲的双向联想记忆神经网络模型的鲁棒渐近稳定性.通过构造恰当的Lyapunov泛函和使用线性矩阵不等式技巧,获得了该模型全局鲁棒一致渐近稳定的充分条件.通过2个例子说明了结论的有效性.     

全局优化学习算法下的高阶神经网络模型

研究了一个高阶神经网络模型，该模型采用全局优化学习算法，能使所有学习图样都成为系统的稳态吸引子，其存储容量远高于Ｈｅｂｂ－ｒｕｌｅ－ｉｌｋｅ型学习算法下的高阶神经网络模型，并能存储识别相关图样，对由３０个神经元组成的二阶神经网络系统进行了计算机模拟，模拟结果证实了上述结论。此外，还分析了初始突触强度对学习效果的影响，计算不同存储力图样数目下的平均吸引半径。     

具有时滞的BAM细胞神经网络模型的全局指数稳定性

利用拓扑度理论、推广的Halanaly矩阵时滞微分不等式、Lyapunov原理以及Dini导数, 研究了具有时滞的双向联想记忆细胞神经网络模型的全局指数稳定性。去掉了有关文献中要求输出函数 fj在实数集R上有界的务件,给出了条件要求更弱的判定平衡点的存在唯一性以及全局指数稳定性判 据,推广和改进了前人的相关结论。     

三阶局域互联神经网络的关联存储

该文将局域互联神经网络的概念推广到三阶的情况，并对三阶局域互联神经网络的关联存储特性进行了计算机模拟。结果表明，与传统的三阶全局互联神经网络相比，三阶局域网的互联权重矩阵大大减小了，同时基本保持原有的全局关联存储能力，故更具实际应用价值。     

关于单层神经网络结构特征的一个结果

目前有许多神经网络模型以 Hebb 规则做为学习的基础.在 Hebb 规则中不包含神经元的几何结构信息.但对点数相同的二维点阵和一维点阵,大脑易于记忆二维点阵,因为它有更多的几何结构特征.Kohonen在中论述了生物神经网络的结构特征.本文在Hopfield 网络中引入几何结构信息,对其联想记忆过程做了理论分析和实验研究,试图研究单层神经网络的结构特征对联想记忆的影响,并探讨实现局域连接的可能性.1 Hopfieid 神经网络模型及结构信息的引入Hopfield在文中提出了一个神经网络离散模型.此模型中包括 N 个神经元,它们     

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。     

动态反馈型神经网络的特性及其应用

对Hopfield型神经网络的特性及其应用作了较为详细的讨论，给出了相应的动力学特性以及在联想记忆和优化计算方面的应用，得到离散型网络的最大记忆容量以及与汉明距离的关系，对于连续型网络还给出了绝对稳定的充分必要条件。最后指出了动态反馈型神经网络的局限性和进一步的研究方向。     

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.     

基于BP神经网络的岩土工程预测模型研究

BP神经网络具有自适应机制,通过训练和学习,达到对知识进行分类、模式判别、联想记忆等能力.岩土工程的灾害预测问题可以看作是一个模式识别问题,而岩土工程中变形情况的监测和预测模型的研究是矿山、建筑、水利等工程的一项重要课题,近年来安全监测技术发展有了巨大的飞跃,呈现出"实时"、"远程"、"非接触"的特点.针对BP神经网络预测模型监测在岩土工程方面的应用,应用BP人工神经网络实现了对岩土工程安全监测数据的预测预报,并对预测结果进行了分析,说明了隐含层数对预测结果误差的影响.通过比对,选择了误差最小的较优组合对岩土工程进行预测.     

随机非对称Hopfield模型中恢复带性质研究

对随机非对称连接Hopfield网络的突变行为进行理论研究. 结果表明, 在存储容量大于临界值的情况下, 网络的性能发生了一次新的突变; 在存储容量临界值邻域, 恢复带与伪稳定点带融合后又重新出现.     

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.     

基于神经网络的股票估值综合模型

鉴于传统估值方法对我国股市不完全适用，结合经济类和工程类研究者对股票估价的一般方法，提出了一种基于神经网络的股票估值综合模型．模型以上市公司的财务数据、比率因素及历史股价作为输入变量，将市场均价作为输出值．通过实证分析，显示模型具有良好的估价性能，并且优于市赢率估价法，     

人工神经网络在手感评定中的应用

针对现有的手感评定方法在识别准确性,容错性和适应性方面存在的问题,提出了用4个检测模型产生手感信号,并用BP神经网络处理信号的具体方法和步骤.实验证明,BP神经网络具有较好的自适应模式识别能力和容错性.