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高性能联想记忆模型

通常的联想记忆模型的联想性能由于受到输入模式间交叉相关项的影响而有所下降，并且在输入与输出之间缺乏非线性映射能力。本文介绍一种高性能联想记忆模型，它将低维输入向量映射到一个高维的中间向量，从而提高了系统的联想能力，又使系统具有非线性映射能力，最后给出了几种推广。     

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．     

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。     

最小平方高阶联想存贮器*

本文提出了一个新的高阶联想记忆模型．该模型采用噪声模式优化联想功能，使得对于噪声输入模式在均方误差的意义下同样达到最优的联想效果和存贮性能，推广了chen的的结果，计算机的模拟结果表明了这一点．     

基于一种新型联想记忆神经网络的传感器故障诊断

联想记忆网络是一种反馈型神经网络。由于反馈型网络会收敛于某个稳定状态，因此，可用于联想记忆。神经网络具有高度的并行处理能力和极强的非线性映射能力，可以实现故障与征兆之间复杂的非线性映射关系，因此在机械故障诊断领域中显示了很大的应用潜力。本文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，改进神经网络结构和学习算法．应用于系统的故障诊断。     

实现模式识别与回忆的联想存贮器

本文介绍了一个联想存贮器模型所必须具有的本质特征，并详细讨论了几种联想存贮器模型的基本原理。     

改进B—P网性能的研究

提出了采用三角函数作为隐含节点的非线性作用函数的Ｂ—Ｐ网，在收敛速度、映射能力、联想能力等方面相对用Ｓ型函数有很大的提高。     

最小平方高阶联想存贮器

本提出了一个新的高阶联想记忆模型。该模型采用噪声模式优化联想功能，使得对于噪声输入模式在均方误差的意义下同样达到最优的联想效果和存贮性能，推广了Ｃｈｅｎ的结果，计算机的模拟结果表明这一点。     

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.