增强型模糊形态学联想记忆的改进

为了克服增强型模糊形态学联想记忆（EFMAM）的网络规模随训练样本数目的增加而急剧增大的缺点，使其硬件实现更为容易，对原始EFMAM的网络体系结构进行了约简．在相似度空间中，定义一个基于概率（“软”）相似度分配的准则以评价约简矩阵A，再利用遗传算法搜索其最佳解．实验表明，约简后的EFMAM节约了计算时间和存储空间，易于硬件实现，同时其识别性能相对于原始EFMAM并未明显降低．     

乘除形态学联想记忆及其性能分析

形态学联想记忆是一类新颖的人工神经网络,但是它的异联想记忆效果较差.针对这个问题,基于互补的思想,提出一种形态学联想记忆方法,称为乘除形态学联想记忆.文中分析了乘除形态学联想记忆方法完全回忆记忆的条件及其噪声性质.分析和实验表明,这种方法对异联想效果显著,并具有一定的抗噪声鲁棒性,在一些情况下,能够取得更好的异联想效果.     

形态学联想记忆在图像联想识别上的应用

形态学神经网络是一类新颖的人工神经网络,但人们对它的研究,尤其是对于形态学异联想记忆的研究和应用,仍很不够.给出了形态学异联想记忆理论应用于图像的联想识别上的一般方法和步骤,并通过一个字符图像联想识别的实例,叙述了其应用原理与过程,对于推进形态学异联想记忆的应用研究将带来有益的参考.     

基于分组划分的形态学异联想记忆研究

在输入模式无噪声的情况下,形态学异联想记忆不能够保证完全回忆记忆,针对这个瑕疵,提出了一种新的思路和方法——分组划分.该方法将原有输入模式对进行分组,逐一对分组后的模式对集合进行形态学操作计算,由局部到整体,进而实现形态学异联想记忆的完全回忆记忆.     

对改进的联想记忆器的研究

运用统计物理学的平均场理论来研究改进的联想记忆器问题。通过对三阶输出函数的有关网络状态的稳定性讨论,提出了一种对伪态的影响加以削弱的方法,并与Ｈｏｐｆｉｅｌｄ联想记忆网络进行了比较以及给出模拟结果来验证理论分析。     

形态学联想记忆在内隐学习中的应用

内隐学习的研究关系到人类潜能开发的根本问题,是认知心理学研究的热点和难点.传统人工神经网络能够成功地模拟内隐学习,但模拟过程存在许多弊端,模拟效率也非常低.针对这些问题,采用形态学联想记忆网络(MAM)去解决.MAM不仅能够实现内隐学习的模拟,而且可以克服传统人工神经网络在模拟内隐学习时的各种缺陷,实验表明了该方法的有效性.     

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．     

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.     

时滞离散时间双向联想记忆模型的研究

提出一类时滞离散时间双向联想记忆神经网络模型,研究了平衡点的全局吸引性,并且以具体仿真算例给出了利用平衡点的全局吸引性建立这类双向记忆神经网络的方法.     

具有时滞的BAM细胞神经网络模型的周期解

文献[9]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。文章在文献[9]的基础上进一步给出周期解的存在性的判据,推广和改进了前人的相关结论,最后的数值例子说明:文中结果不仅保守性小,而且计算简单。     

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。