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。     

模糊形态联想记忆网络及其在细胞图像联想识别中的应用

研究了模糊形态双向联想记忆网络（FMBAM）在灰度图像处理中的方法,并利用核的形式来解决灰度图像含随机噪声的正确联想记忆及识别问题,提出了构造灰度图像的核需要满足的条件,给出了寻找核的方法和途径,并应用于细胞图像的联想和识别,通过仿真实验,验证了该方法的有效性和良好性能.     

模糊形态学双向联想记忆网络的性质

为模糊形态学双向联想记忆网络(FMBAM)提出一个学习算法。在理论上证明只要存在使给定的模式对集合成为FMBAM的平衡态集合,则该学习算法总能计算出相应的最大连接权矩阵对。该最大连接权矩阵对能使FMBAM对任意输入在一步内就进入平衡态,并且神经网络全局收敛到平衡态。FMBAM的每个平衡态都是Lyapunov稳定的。当训练模式存在摄动时,利用该学习算法训练的FMBAM,对训练模式摄动拥有好的鲁棒性。     

利用动态核的形态联想记忆网络的研究

在文献[1]的基础上，提出了一个基于动态核的形态联想记忆网络方法，特点是同一幅图像，如果其所含的噪声情况不同，则其核也将不同，从而较好地解决了图像含有随机噪声时的联想记忆问题。实验证明，此方法具有良好的性能，双向联想记忆的准确率优于文献[1]中介绍的方法。     

具有抗随机噪声能力的联想记忆网络

形态联想记忆网络具有良好的联想记忆功能和较强的抗膨胀或腐蚀噪声能力,但抗混合噪声的能力很弱.而在实际中,随机噪声往往是混合型的,既有膨胀又有腐蚀噪声,将尺度空间和形态联想记忆网络相结合,得到了一种新的联想记忆网络,它提高了形态自联想记忆网络的抗随机噪声能力.通过仿真实验验证了该方法具有良好的性能.     

尺度空间的联想记忆网络在灰度图中的应用

形态联想记忆网络具有十分优越的抗膨胀噪声或者腐蚀噪声的能力,但抗混合噪声的能力很弱,而在实际中,随机噪声往往是混合型的,既有膨胀噪声又有腐蚀噪声.将形态学尺度空间和形态联想记忆网络相结合,得到了一种新的联想记忆网络,它也具有优越的抗膨胀噪声或者腐蚀噪声的能力,同时它对随机噪声有一定的鲁棒性.通过对含有随机噪声的灰度图像进行自联想记忆和识别处理实验,取得了较为理想的结果,验证了其具有良好的性能.     

模糊形态联想记忆网络抗随机噪声研究及应用

利用灰度图像分解的思想,结合模糊形态联想记忆网络的方法,提高了模糊形态联想记忆网络对随机噪声的抗噪能力。成功地解决了灰度图像在含有随机噪声时的模糊联想记忆问题,并把该方法推广到对彩色图像的处理,从而给出了一种较好地恢复含噪灰度图像和彩色图像的途径。通过实验,验证了该方法的良好性能,取得了较理想的结果。     

动态核的αβ联想记忆网络及抗随机噪声研究

应用αβ联想记忆网络,加入动态核的方法,得到了一种新的联想记忆网络,它不仅解决了灰度图、彩图寻找动态核难的问题,而且也使得αβ联想记忆网络能够很好地处理含随机噪声的图像,包括二值图、灰度图和彩色图像.并成功地解决了图像在含有随机噪声时的联想记忆问题,从而给出了一种较好地处理含噪图像的途径.通过实验,验证了该方法的良好性能,取得了较理想的结果.     

动态核的形态分解联想算法及抗随机噪声研究

在灰度图像分解算法和动态核形态联想记忆网络的基础上,提出了一种新的联想记忆算法--动态核的形态分解联想算法.该方法显著地提高了联想记忆抗随机噪声的能力,较好地解决了灰度图像在含噪时的联想记忆和识别的问题,从而给出了一种恢复含噪灰度图像的途径,并把该方法推广到了彩色图像的处理.通过实验,验证了该方法的良好性能,取得了理想的结果.     

一种基于最大—乘积型合成神经元的模糊联想记忆网络*

本文提出了由最大－乘积型合成神经元的模糊神经网络实现双向双向联想记忆的一种学习方法实现双向联想记忆的充要条件，对于自联想记忆网络，自联想权得由广义模糊解确定，模式联想一次就收敛，该网络具有较强的容错性，大量的计算机实验结果表明该学习算法是行之有效的。