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.     

非线性神经网络全局指数稳定性分析及吸引域和模式恢复估计

证明了非线性连续神经网络当其连接权阵的矩阵测试小于适当的正常数时，一定具有唯一的全局平衡态吸引子，且从相空间中任一点出发的网络运动轨道以指数收敛速度趋于该吸引子，另估计子联想记忆模式的动态过程。     

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.     

延时FitzHugh-Nagumo神经网络的时空编码

为更接近真实神经系统,考虑具有延时的FitzHugh—Nagumo神经元组成的神经元网络,发现其并不是单个发放而是簇状发放,有利于模式的时间分割．给定一个输入模式,它是几种模式的叠加,网络能够以一部分神经元同步簇放电的形式一个接一个地分割出每一种模式．如果输入的模式是缺损的,系统能够按记忆的模式恢复,即网络具有联想记忆功能．     

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．     

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.     

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。     

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.     

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。     

基于神经网络的高炉异常炉况判断专家系统

采用反向传播网络作为揄机，构造了高炉异常炉况判断专家系统，该系统具有良好的自学习功能和联想记忆功能，系统采用离线学习方式，在线运行时，可将高炉操作实绩存入知识库，作为进一步学习的样本，从而提高了系统精度和联想能力。     

基于改进的多对多联想记忆混沌神经网络研究

研究混沌神经网络的联想记忆特性,探讨了网络参数的改变对其联想记忆效果的影响,在此基础上提出了一种多对多联想记忆混沌神经网络模型（MCAM）,通过仿真实验证明了该模型的先进性．     

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。     

面向防汛减灾VR-GIS的汛情虚拟场景演进方法研究

基于模糊神经网络和面向对象方法,对汛情虚拟场景及实现方法进行了研究,提出了基于模糊联想记忆网络FAM的汛情场景演进模型EFSM.EFSM采用多层模糊联想记忆网络,避免了大规模复杂数学计算,有效解决了防汛减灾VR-GIS平台的关键问题.     

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。     

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。     

Hopfield连续神经网络平衡态局部指数稳定的充要条件

研究Ｈｏｐｆｉｅｌｄ连续联想记忆神经网络平衡点的局部指数稳定性,给出了Ｈｏｐｆｉｅｌｄ连续联想记忆神经网络的平衡点局部指数稳定的充要条件。通过引入特征函数的方法,得到了各记忆模式的指数吸收域的估计,以此可用来评价Ｈｏｐｆｉｅｌｄ连续反馈联想记忆的容错能力和模式恢复能力,且可用于综合更为实用的连续联想记忆神经网络。     

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     

免疫系统局域记忆态的研究

研究了独特型网络ＡＢ模型和Ａｎｄｅｒｓｏｎ等人提出的动态局域记忆态的记忆问题。通过计算机数据模拟的方法计算这种记忆态对抗原清除所需时间，发现抗体清除抗原所需时间是随抗体数密度变化的，同抗原初次侵入系统时抗体清除抗原所需时间比较，两者相关不大，和出局域记忆态是不一定能实现免疫记忆的结论。     

利用双向联想神经网络对缺损自定义字符图形的识别

阐述了采用计算机人工智能原理的双向联想神经网络进行自定义字符图形识别的方法和技术实现的方式，给出采用Visual,Foxpro数据库管理系统程序实现的实例，讨论影响双向联想神经网络系统识别准确率的因素。     

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。