多块神经网络误差反传的新概念

连接型网络的误差反传学习通常只是改变网络的权系数，所学的知识仅存储子所用网络内部神经元的连接之中，而神经元的作用函数在学习过程中保持不变．人脑中的神经无处理信息的方式对变化的信息环境应该具有相应的自适应性，这样的观点用于连接型网络的学习便意味着，在学习过程中，不仅网络内部神经元的连接，表示神经无处理信息方式的作用函数也应该可以变化，参与学习．本文对具有上述功能的多块神经网络以矢量一矩阵的形式给出了一般性的描述，并介绍了相应的误差反传学习算法．多块神经网络及其学习算法的矢量一矩阵描述有助于网络的稳定性分析和学习算法的收敛性分析．     

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.     

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     

一个非全局连接神经网络模型

为了降低神经网络的连接复杂度,以利于硬件实现,本文提出了一个非全局连接的神经网络动力学模型,包括网络的能量函数、局域场和学习规则。基本思想是将Hopfield网络分解成若干个子网络,并建立各子网络之间的联系。对此模型的联想记忆过程统计分析表明,与Hopfield网络相比,一次分解后的连接数减少了25%,但网络的存储量和联想能力不变;多次分解后的连接数大大减少了,尽管网络的存储量和联想能力有所下降,但每个连接系数的平均存储能力提高了近1倍。本文最后讨论了高阶连接和多层网络结构的关系.     

具有模糊联想神经网络的自组织模糊控制器

在分析了几种用神经网络实现的模糊控制器不足的基础上，提出一种用模糊联想记忆神经网络实现的自组织模糊控制器；该控制器由２个模糊联想记忆神经网络分别记忆校正规则表和修正控制规则表，并通过网络权值矩阵的在线修正完成控制规则的实时修正。模糊推理则由网络的自联想功能完成。     

BP神经网络在旋转机械故障诊断中的应用

人工神经网络模型是在现代生物神经系统研究基础上建立的一种网状结构，是对人脑某些基本特性的一种简单的数学模拟。神经网络以其信息的并行分布式处理、联想记忆、自组织及自学习能力，在机械故障诊断领域显示了极大的应用潜力。本文就神经网络对给定知识的表达、联想、记忆能力及网络结构进行了研究，利用反向误差传播网络对旋转机械中四种典型故障进行了实例分析诊断，取得了令人满意的效果。     

基于模糊神经网络的瓦斯爆炸危险性评价模型

煤矿瓦斯爆炸事故的复杂性和随机性决定了煤矿瓦斯爆炸重大危险源的变化不会按照某一特定的规律或函数变化.模糊神经网络具有较强的非线性函数逼近能力和较强的自学习、自适应和联想能力.通过简化易燃、易爆、有毒重大危险源评价模型,确定了网络的输入参数,应用模糊神经网络对各参数之间的关系进行计算,验算结果表明:该网络模型在评价煤矿瓦斯爆炸危险性方面效果良好.     

一种BP神经网络的改进方法及其应用

针对BP神经网络中学习因子取值小、收敛性好但训练时间长，学习因子取值大、权值变化剧烈但可能导致振荡的情况，提出了一种修正学习因子的方法，即给学习因子前加一比例因子，在网络权值调整过程中自动调整学习因子的大小，使网络训练时间短，而且收敛效果较好。仿真结果表明，在导弹指令跟踪中，改进算法比原来算法优越得多。     

一类联想神经网络的计算机模拟实现

本文讨论了一类联想神经网络的综合方法，给出了计算机实现网络综合的算法程序流程图及网络综合实例，计算机模拟结果表明，综合出的网络在模式联想记忆中得到的结果与理论分析完全相吻合。     

基于神经网络推理的故障诊断专家系统

本文利用神经网络(NN)的知识并行处理、自学习及联想记忆等功能，建立了基于神经网络推理的专家系统论述了NN的结构、算法参数的确定、系统知识获取和离线／在线自学习功能，提出了NN数值推理和ES深层逻辑概念相结合的输入／输出转换机制与NN推理的解释机制．研究表明系统具有良好的实用性。     

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.     

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 .     

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。     

联想神经网络的风速序列预测分析

为了提高风速序列预测的可靠性,针对具有混沌特性的风速序列,构造了一种用于风速序列预测的联想网络。以风速序列的波动性作为相似性测度准则,构造联想网络的存储样本模式,根据存储模式中蕴含的关联信息完成网络的无监督学习,从而完成具有自相似性的风速序列的一步或多步预测分析。与传统前向型神经网络相比,该网络预测机理明确,预测结果唯一,且可一次给出多步预测结果。仿真实验结果表明,该网络的具有良好预测性能,适用于风速序列的动态预测。     

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．     

模糊神经网络在压铸型浇注系统计算机辅助设计中的应用

在模糊联想记忆（ＦＡＭ）神经网络的基础上，构造了一个神经模糊控制器，论述了其Ｈｅｂｂ型相关学习过程；说明了它在浇注系统基本工艺参数设计中的预测作用，结合文献［１］的结果给出了应用实例。     

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。     

An Incremental Time—Delay Neural Network for Dynamical Recurrent Associative Memory

An incremental time-delay neural network based on synapse growth,which is suitable for dynamic control and learning of autonomous robots,is prooposed to improve the learning and retrieving performance of dynamical recurrent associative memory architecture.The model allows steady and continuous establishment of associative memory for spatio-temporal regularities and time series in discrete sequence of inputs.The inserted hiddewn units can be taken as the Long-term memories that expand the capacity of network and sometimes may fade away under certain condition.Preliminary experiment has shown that this incremental netwrok may be a promising approach to endow autonomous robots with the ability of adapting to new data without destroying the learned patterns.The system also bendfits from its potential chaos character for emergence.