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.     

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。     

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。     

基于联想记忆神经网络的故障诊断

以模拟人脑由部分记忆而联想整体的特点为基础,通过引入联想记忆衰减因子,改进了神经网络结构和学习算法,以应用于系统的故障及时诊断.     

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。     

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。     

基于分类思想的联想记忆神经网络

根据分类思想设计了2层反馈自联想记忆神经网络模型，它符合大脑联想记忆的分类思想，能保证每个样本模式为稳定状态，其吸引域在平均意义上达到最大值。     

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。     

有脉冲和时滞的双向记忆神经网络稳定性分析

利用Lyapunov函数和二维Hanalay类型不等式,研究带有脉冲和时延的广义双向联想记忆神经网络平衡点的全局指数稳定性,得到了几个判断网络全局指数稳定的充分条件,这些条件刻画了脉冲强度和没有脉冲的连续子网络(双向联想记忆神经网络的连续部分)的指数收敛速度对整个网络的全局指数稳定性的混合影响。研究结果表明即使脉冲对网络状态有放大的影响,脉冲时滞双向联想记忆神经网络也可能保持连续子网络的全局指数稳定性质。数值例子验证了理论结果的正确性。     

基于协同神经网络人脸信息联想记忆算法

根据序化动力系统模型(ODSM),通过KPCA分析实现数据降维和增加人脸模式的可分性,给出了一种基于协同神经网络和KPCA的人脸图像视觉信息联想记忆(VIAM)算法。实验结果表明本文给出的方案可以针对输入特征激励完成对输入模式的联想。     

三维异联想Hopfield模型

三维物体的识别是有重要应用意义的课题,神经网络模型是解决该复杂问题的一个途径。作者将神经网络模型表达为矩阵形式,提出异联想矩阵形式的Ｈｏｆｉｅｌｄ模型,从而提出了能较好地解决这一问题的新方案。与传统Ｈｏｐｆｉｅｌｄ模型相比较,该模型对三维物体的识别有较好的识别率,对神经网络的发展和实际应用有重要参考价值。     

具离散时滞的混合双向联想记忆神经网络的周期解

在放弃活跃函数的有界性、单调递增性和可微性条件下,引入可调实参数di>0(i=1,2,…,n),通过构造Lyapunov泛函和运用不等式分析技巧,对一类具离散时滞的混合双向联想记忆神经网络的周期解、平衡点的存在唯一性和全局指数稳定性给出了一些新的充分准则.     

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。     

时滞Hopfield神经网络的全局指数稳定性

利用时滞微分不等式,讨论了时滞Hopfield神经网络的全局指数稳定性,获得了几个判定条件。这些结论推广了已知文献中的结果。     

离散Hopfield神经网络的稳定性分析

利用能量函数推广了一些关于离散Hopfield神经网络稳定性结论，同时给出了稳定点存在的一个充要条件，最后给出了几个有趣的例子，揭示这类网络渐进行为的复杂性。     

基于LMI的中立型Hopfield神经网络的稳定性

为了更加深入地了解神经网络的复杂性,研究了中立型Hopfield神经网络模型,对该模型的稳定性的判定进行了探讨.通过构造合适的Lyapunov泛函,借助线性矩阵不等式(LMI)的一些技巧以及Lyapunov-Krasovskii稳定性理论,给出了该神经网络模型稳定的充分条件,以及模型稳定时中立项所必须满足的必要条件.给出的结果改进了已有的结论和方法,在一定程度上降低了求解的难度,在实际应用方面更加简捷方便.仿真实例表明了算法的有效性,以及所存在的保守性.