双向联想记忆在多固定故障诊断中的应用

本文重点介绍双向联想记忆算法及其稳定度、贴近度,最后举例介绍双向联想记忆在多固定故障诊断中的应用。     

双向联想记忆神经网络的一种编码策略

本文提出一种双向联想记忆神经网络的按‘位’加权编码策略，并给出了求取权值递推算法，它将Ｋｏｓｋｏ双向联想记忆网络按海明距离进行模式匹配的原则，修正了按加权海明距离进行了模式匹配，从而可以使得对不满足加续性的所谓“病态结构”的一类样本模式集，同样具有良好的联想能力，对二值图象模式存贮，联想的计算机模拟实验表明，此方法具有优良的性能和实用价值。     

延迟双向联想记忆神经网络的周期振荡现象研究

带输突信号传输延迟的双向联想记忆（ＢＡＭ）神经网络是两层异联想网络,本文详细讨论带延迟ＢＡＭ网络周期解的存在与唯一性,得到了一个充分条件;并用具体例子验证了所得结论的正确性,我们的结果对于具体的延迟ＢＡＭ振荡神经电路的设计和应用具有重要的指导意义。     

具有轴突信号传输延迟的双向联想记忆神经网络

双向联想记忆模型是两层异联想网络，本文重点讨论了具有轴突信号传输延迟双向联想记忆神经网络平衡点存在的条件以及全局稳定性，并用具体例子验证了结论的正确性，本文所讨论的方法具有普遍性，所得到的结果对于网络的设计和应用具有重要的指导意义。     

Kosko型双向联想记忆与Hopfield神经网络的关系

深入理解K0sko型双向联想记忆(BAM)网络是学习使用其它双向联想记忆的基础.如果我们按照传统的方法介绍BAM网络,学生很容易产生两个疑问:能量函数为什么是定义的?BAM网络与Hopfield网络的内在联系是什么?本文在说明Kosko型BAM网络就是一种特殊的Hopfield网络后,从Hopfield网络的能量函数出...     

不确定决策中的双向联想记忆方法

提出了不确定决策的双向联想记忆方法。这种方法通过关联矩阵将归纳好的一些决策规则存储到记忆矩阵中。当有新有状态信息输入时，通过对信息流的前向处理和后向处理，使它收敛到个稳定的规则，从而给出合理的决策方案应用实例说明了这种方法有效性。     

双向联想记忆神经网络的开关电流技术实现

本文研究了双向联想记忆（ＢＡＭ）神经网络的开关电流技术实现，提出了实现负权值及存储联想矢量的两个开关电流单元电路，基于此，给出了双向联想记忆网络的开关电流电路，文中对三神经元双向联想记忆ＳＩ网络进行了ＰＳＰＩＣＥ仿真，结果表明所提出的ＳＩ联想记忆网络是正确的。     

具有轴突信号传输延迟的双向联想记忆神经网络

双向联想记忆模型是两层异联想网络,本文重点讨论了具有轴突信号传输延迟的双向联想记忆神经网络平衡点存在的条件以及全局稳定性.并用具体例子验证了结论的正确性。本文所讨论的方法具有普遍性,所得到的结果对于网络的设计和应用具有重要的指导意义。     

延迟双向联想记忆神经网络的周期振荡现象研究

带轴突信号传输延迟的双向联想记忆(BAM)神经网络是两层异联想网络,本文详细讨论带延迟BAM网络周期解的存在与唯一性,得到了一个充分条件;并用具体例子验证了所得结论的正确性。我们的结果对于具体的延迟BAM振荡神经电路的设计和应用具有重要的指导意义。     

双向联想记忆中的互余编码问题

互余编码及连续性要求对双向联想记忆的容量及回忆有着很大影响，Ｓｉｍｐｓｏｎ，Ｊｅｎｇｅｔ．ａｌ．提出了各自的解决方法（ＩＢＡＭ，ＭＩＢＡＭ），他们的方案的实质就是增加层内神经元间的连接，本文首先证明了ＩＢＡＭ没能解决互余编码问题，借助计算机模拟发现ＭＩＢＡＭ容量也非常有限，且只是在一定程度上能克服互余编码，通过对ＭＩＢＡＭ引入高阶，我们提出了ＨＯＭＩＢＡＭ，它能有效地解决前述两问题，从而有着较大的容量与较好的回忆性能     

连续双向联想记忆模型的稳定性分析

对于连续型Ｈｏｐｆｉｅｌｄ模型的平衡态特征，目前人们已经得到了很多富有意义的成果，本文说明，连续Ｈｏｐｆｉｅｌｄ模型的大部分结论都可以推广到连续双向联想记忆模型，我们重点讨论了平衡态条件、渐近稳定性以及围绕一稳定平衡点的吸引域等问题，所得到的结论对于ＢＡＭ的设计和应用都是很有意义的。     

约束最小平方双向联想存贮器

基于Ｋｏｓｋｏ的双向联想贮存和Ｋｏｈｏｎｅｎ的广义逆存贮的思想。本文提出了一种约束最小平方双向联想存贮器模型，其联想存贮阵满足Ｌｙａｐｕｎｏｖ型方程。     

多重加权改进型指数双向联想记忆网络及其决策性能

C C Wang等作者利用指数双向联想记忆模型(eBAM),构造了由多个eBAM构成的多重eBAM(Multi-eBAM)信念组合模型,使之可模拟多个专家的投票表决决策,并获得了Multi-eBAM在各eBAM具有同等权威度条件下的决策性能.本文在此基础上,通过对各eBAM引入不同的权值来模拟各专家不同的权威度,推广了Multi-eBAM.进一步借助陈所提出的改进型eBAM(IeBAM),构建了相应的多重加权改进型eBAM(Multi-WIeBAM)信念组合模型,获得了此推理模型在同、异步方式下的决策性能及多专家不同权威度下的多数投票因子,使之更符合实际的多数表决决策.理论分析表明Multi-WIeBAM所获得的多数投票因子优于Multi-WeBAM的多数投票因子,即前者较后者具有更紧致的下界.实验结果也表明了Multi-WIeBAM的性能要优于Multi-WeBAM.     

Digital Design of Discrete Exponential Bidirectional Associative Memory

The exponential bidirectional associative memory (eBAM) was proved to be a systematically stable high-capacity memory. Considering the difficulty of the implementation of such an eBAM by analog circuits and the compactability with binary logic circuits, we adopt the digital logic methodology to design such a neural network. Besides, we also count in other factors, e.g., scalability and speed, so that the complete digital design of this neural network is feasible. In order to realize the eBAM by digital circuitry only, some special design is required such that the exponential function can be implemented without the loss of operating speed. For example, a high-speed 8-to-9 exponent value generator is required in the design. In addition, because the traditional add/sub accumulator costs too much area when the dimension of patterns is large, a cascaded increment/decrement accumulator (IDA) is proposed in the design, which can also speed up the addition or subtraction besides the saving of chip area. For the sake of area saving, regenerated IDA is also proposed to reduce the cost of chip area. At last, thorough simulations by MAGIC and IRSIM are proceeded to verify the performance of the design.     

基于环形结构的联想记忆网络

本文针对ＢＡＭ和ＴＡＭ网络处理数据串联想时的困难和不足，提出了一种基于环形结构的联想记忆网络，称为环形联想记忆网络（ＣＡＭ），给出了网络的拓扑结构和网络的三种基本联想模式，讨论了存储网络连接权所需要的存储量，并与ＢＡＭ和ＴＡＭ联想记忆网络进行了比较，最后给出了实验研究的结果。     

基于极大极小准则的异联想记忆网络学习算法

提出了设计异联想记忆网络的极大极小准则，即设计出的连接权阵应使得网络最小的记忆模式对的吸引域达到最大。首先给出了一种快速学习算法，它设计出的网络连接权值只取１，０或－１；再进一步发展了一个启发性迭代学习算法，称为约束感知器优化学习算法，它以快速学习算法的结果作为连接权阵的迭代实值。     

正则模糊联想记忆

本文提出了一种特殊的模糊联想记忆系统（ＦＡＭ）一正则数据联想记忆及其学习算法－正则学习算法，正则模糊联想记忆具有比一般方法所设计的模糊联想记忆更好的性能，且其性能受训练数据不足和训练数据噪声的影响很小，最后，举例说明了正则模糊联想记忆在模糊控制器的应用。     

A Fully Complex-Valued Gradient Neural Network for Rapidly Computing Complex-Valued Linear Matrix Equations

This paper concerns online solution of complex-valued linear matrix equations in the complex domain. Differing from the real-valued neural network, which is only designed for solving real-valued linear matrix equations in the real domain, a fully complex-valued Gradient neural network (GNN) is developed for computing complex-valued linear matrix equations. The fully complex-valued GNN model has the merit of reducing the unnecessary complexities in theoretical analysis and realtime computation, as compared to the real-valued neural network. Besides, the convergence analysis of the proposed complex-valued GNN model is presented, and simulation experiments are performed to substantiate the effectiveness and superiority of the proposed complex-valued GNN model for online computing the complex-valued linear matrix equations in the complex domain.