具有非线性映射能力的RAM式联想存贮器

本提出一种具有非线性映射能力的ＲＡＭ式联想存贮器，通过将二值输入模式分解分解成若干个子模式，并作为ＲＡＭ的寻址地址，来训练该联想存贮器，存贮编码采用相关矩阵方法，此ＡＭ作为异联想存贮器能成功地回忆，如ＸＯＲ，高阶奇偶校验一类高阶非线性问题，说明了映射能力对于模式划分行为的依赖性。     

具有非线性映射能力的RAM式联想存贮器*

本文提出一种具有非线性映射能力的RAM式联想存贮器(RAM—AM)，通过将二值输入模式分解成若干个子模式，并作为RAM的寻址地址，来训练该联想存贮器．存贮编码采用相关矩阵方法，此AM作为异联想存贮器能成功地回忆，如XOR、高阶奇偶校验一类高阶非线性问题，说明了映射能力对于模式划分行为的依赖性．最后从理论上证明了所提模型的信噪比大大高于Hopfield模型的信噪比及在大量神经元存在下的可实现性，实验例子证实了这种模型的可行性．     

一类新的指数式联想记忆模型

由于Ｋｏｈｏｎｅｎ模型对噪声极端敏感,Ｍｕｒａｋａｍｉ提出一个利用带噪输入优化Ｋｏｈｏｎｅｎ模型的最小平方联想记忆模型（ＬＳＡＭ）,大大降低原有模型噪声敏感性。但ＬＳＡＭ的性能依赖于预先给定的输入噪声方差,而这在实际应用中难以达到。本文所提出的一类指数式联想记忆模型,一方面解决了Ｍｕｒａｋａｍｉ所遇到的上述问题,另一方面使原有模型的联想记忆能力得到极大的提高。因此可广泛地应用于模式识别等领域。     

具非线性映射特性的广义逆联想存储器

本文针对基于Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ广义逆实现的联想存储模型（如Ｋｏｈｏｎｅｎ模型、Ｍｕｒａｋａｍｉ模型）缺乏对已存数据完全的联想回忆能力和非线性映射能力，通过在这些模型中引入一个扩展层（隐节点层）使原模型人具有对已存数据的完全回忆能力和一定的非线性映射能力，通过矩阵的奇异值分解，从理论上阐明了改进模型的性能优越性，模拟结果证实了这一点。     

一种非线性可自学习的联想记忆神经网络

醉庆生物神经突触特性的基础上,提出了非线性神经突触神经元的概念,并以此为根据构造了一种可自学习的联想记忆神经网络模型。这种模型可以按照Hebb规则进行学习,学习机制由网络本身完成。在此模型中,由于非线性权重的引入,使此神经网络模型能以简单的结构实现网络的自学习功能。文中对网络的记忆容量和此种网络在以特定的学习方式学习后与Hopfield网络的等效性方面进行了讨论。试验表明,此种网络模型结构是有效的。     

具非线性映射特性的广义逆联想存储器*

本文针对基于Moore-Penrose广义逆实现的联想存储模型(如Kohonen模型、Mu rakami模型)缺乏对已存数据完全的联想回忆能力和非线性映射能力，通过在这些模型中引入一个扩展层(隐节点层)使原模型具有对已存数据的完全回忆能力和一定的非线性映射能力，通过矩阵的奇异值分解，从理论上阐明了改进模型的性能优越性．模拟结果证实了这一点．     

基于广义逆的指数型联想存储器模型

基于Ｋｏｈｏｎｅｎ的广义逆联想存储模型ＧＩＡＭ（ｇｅｎｅｒａｌｉｚｅｄｉｎｖｅｒｓｅａｓｏｃｉａｔｉｖｅｍｅｍｏｒｙ）和Ｍｕｒａｋａｍｉ的最小平方联想存储ＬＳＡＭ（ｌｅａｓｔｓｑｕａｒｅｓａｓｓｏｃｉａｔｉｖｅｍｅｍｏｒｙ）原理，本文提出了一个指数型联想存储器．该模型的存储性能经计算机模拟证实，远远优于ＧＩＡＭ和ＬＳＡＭ，通过适当地调节参数，几乎可达到完全的联想．对输入噪声方差，无需先验假设，同时还实现了一定程度的非线性映射特性.     

具有期望容错域的前向掩蔽联想记忆模型的设计方法

联想记忆的综合问题是目前没有很好解决的难题.文中用作者提出的通用前馈网络和排序学习算法,提出了一种设计具有期望容错域的前向掩蔽联想记忆模型的方法.该方法一般性地解决了信息空间上联想记忆的综合难题,使设计出的联想记忆模型具有任意期望的记忆样本容错域.     

一个新的高阶双向联想记忆模型及其性能估计

提出了一个新的高阶双向联想记忆模型.它推广了由Tai及Jeng所提出的高阶双向联想记忆模型HOBAM(higher-order bidirectional associative memory)及修正的具有内连接的双向联想记忆模型MIBAM(modified intraconnected bidirectional associative memory),通过定义能量函数,证明了新模型在同步与异步更新方式下的稳定性,从而能够保证所有被训练模式对成为该模型的渐近稳定点.借助统计分析原理,估计了所提模型的存储容量.计算机模拟证实此模型不仅具有较高的存储容量,而且还具有较好的纠错能力.     

双向联想记忆学习与回忆的研究

本文对双向联想记忆(BAM)的学习与回忆过程进行了详细的分析。在学习过程中,先是运用自适应非对称BAM算法进行学习,进而采用设置印象门限的反复记忆算法进行学习,本文从理论上证明了印象门限与样本吸引域之间的关系,指出反复记忆方法的理论依据。回忆过程中,采用非零阈值函数的运行方程,提出了阈值学习方法,并且从理论上证明了非零阈值函数的运行方程的采用,可进一步扩大吸引域。为了进一步扩大网络的信息存储量,本文引入了并联的BAM结构。本文方法的采纳,使得BAM网络的信息存储量、误差校正能力等得到很大程度的提高。     

改进的指数双向联想记忆模型及性能估计

提出了一个新的改进型指数双向联想记忆模型(improved eBAM,简称IeBAM).通过定义有界且随状态改变而下降的能量函数,证明了IeBAM在状态的同、异步更新方式下的稳定性,一方面排除了Wang的修正指数BAM(modified eBAM,简称MeBAM)和Jeng的eBAM(exponential BAM)的稳定性证明中所作的不合理假设;另一方面,放宽了对BAM(bidirectional associative memory)的连续性假设的要求,并避免了补码问题.理论分析和计算机模拟结果表明,     

模糊形态双向联想记忆网络的研究

提出了一种新型的模糊形态双向联想记忆网络FMBAM,证明了FMBAM在双向联想中能够保证记忆在一步之内完成,因此不存在收敛问题,并实现完全双向正确联想,且可模糊性解释,同时表明了FMBAM具有优越的抗腐蚀或膨胀噪声的能力,仿真实验验证了双向联想FMBAM具有良好的性能。     

内连式复值双向联想记忆模型及性能分析

Lee的复域多值双向联想记忆模型(complex domain bidirectional associative memory,简称CDBAM)不仅将Kosko的实域BAM(bidirectional associative memory)推广至复域,而且推广至多值情形,以利于多值模式(如灰级图像等)间的联想.在此基础上,提出了一个新的推广模型:复域内连式多值双向联想记忆模型(intraconnected CDBAM,简称ICDBAM),通过定义的能量函数证明了它在同步与异步更新方式下的稳定性,从而保证所有训练样本对成为其稳定点,克服了CDBAM所存在的补码问题.计算机模拟证明了该模型比CDBAM具有更高的存储容量和更好的纠错性能.     

具有内连接的指数多值双向联想记忆模型

C_CWang的多值指数双向联想记忆模型 (MVeBAM)是一种高存储容量的联想神经网络. 本文在MVe BAM的基础上通过引入自相关项 (或内连接 )提出了一个新的具有内连接的多值指数双向联想记忆模型, 推广了MVeBAM. 通过定义简单的能量函数证明了其在同、异步方式下的稳定性, 从而保证了所学模式对成为被推广的MVeBAM(EMVeBAM)的稳定点. 最后, 计算机模拟证实了EMVeBAM比MVeBAM具有更高的存储容量和更好的纠错性能.     

具有内连接的指数多值双向联想记忆模型

C_C Wang的多值指数双向联想记忆模型(MVeBAM)是一种高存储容量的联想神经网络.本文在MVeBAM的基础上通过引入自相关项(或内连接)提出了一个新的具有内连接的多值指数双向联想记忆模型,推广了MVeBAM.通过定义简单的能量函数证明了其在同、异步方式下的稳定性,从而保证了所学模式对成为被推广的MVeBAM(EMVeBAM)的稳定点.最后,计算机模拟证实了EMVeBAM比MVeBAM具有更高的存储容量和更好的纠错性能.     

多重改进型指数双向联想记忆模型及其在多证据推理中的决策性能

提出了多证据推理中采用神经网络来模拟信念组合学习方法。网络由多个改进型指数双向联想记忆模型（IeBAM）构成,并且共享一个输出来同时进行多证据不确定性的管理。文中证明了多重IeBAM(Multi-IeBAM）的稳定性,讨论了在多条证据同时提交网络后的多数规则。理论和实验都证明了多数因子比Wang所提模型更紧凑、更严格,从而可保证在受一定程度的干扰下,专家们仍能做出正确决策。最后所给出的模拟例子的结果与直觉推理相吻合。     

多值指数式多向联想记忆模型

多向联想记忆MDAM(multidirectional associative memory)模型是Kosko双向联想记忆模型BAM(bidirectional associative memory)的一个直接推广,它可应用于数据融合及维数分裂,使模型能处理大维数输入问题.目前所提出的若干种多向模型均局限于二值输入/输出模式对,但如在图象处理等的实际应用中,所处理的模式均是多值的.本文的目的就是提出一个多值指数式多向联想记忆模型MVeMDAM(multivalued exponential multidi