形态学联想记忆存储性能的研究

形态学联想记忆（Morphological Associative Memories,MAM）的存储性能是衡量形态学联想记忆能力大小的重要指标。然而,迄今为止,对形态学联想记忆的存储性能,主要是对异联想形态学联想记忆（hetero-MAM）的存储性能的定量分析和定性刻画并未完成。这是一个悬而未决的理论问题,也是一个MAM应用的实际问题。针对这一问题开展研究,站在概率论的角度,提出一个MAM存储性能的概率模型,并进行了证明。通过定量分析和定性讨论,取得一致结论。研究和分析表明,hetero-MAM的存储性能受到输入模式向量维数n、输出模式向量维数m、以及输入、输出模式对数目K的影响,且三者的影响程度不同。提出的概率模型,对形态学联想记忆的研究、分析、设计和应用,具有一定的启发和帮助。     

基于粗糙集神经网络和信息融合的故障诊断

神经网络是智能故障诊断系统的一种重要的方法.粗糙集理论则是处理不完备信息的一种技术.文中以复杂的人工智能诊断问题为研究对象,系统地论述了基于神经网络、粗糙集、信息融合的智能诊断的理论、方法与实践.其主要方法如下:在故障诊断的神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的组合神经网络约简并删除其中不必要的属性,克服了网络规模过于庞大和分类速度慢的缺点,并给出了基于粗糙集理论的组合神经网络的模型结构,最后再利用数据融合技术,得出更加精确的结果.一个故障诊断实例证明了该方法的有效性.     

正则模型类的时态可定义性

正则模型是非正规模态逻辑的模型,通过定义正则模型的不相交并、C2t-互模拟、生成子模型、C2t-超滤扩张等模型上的运算,可以证明一个正则模型类在时态语言中可定义当且仅当它在不相交并、满C2t-互模拟像、C2t-超滤扩张下封闭,并且它的补类在C2t-超滤扩张下封闭.该刻画定理说明了时态语言在正则模型类上的表达力。     

基于粗糙集神经网络和信息融合的故障诊断

神经网络是智能故障诊断系统的一种重要的方法。粗糙集理论则是处理不完备信息的一种技术。文中以复杂的人工智能诊断问题为研究对象,系统地论述了基于神经网络、粗糙集、信息融合的智能诊断的理论、方法与实践。其主要方法如下:在故障诊断的神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的组合神经网络约简并删除其中不必要的属性,克服了网络规模过于庞大和分类速度慢的缺点,并给出了基于粗糙集理论的组合神经网络的模型结构,最后再利用数据融合技术,得出更加精确的结果。一个故障诊断实例证明了该方法的有效性。     

形态学联想记忆的研究综述*

通过提炼出来的一个形态学联想记忆的研究框架,可以很清晰地概括出形态学联想记忆的研究成果,从而可以很合理地归纳出形态学联想记忆仍存在的问题以及今后的发展方向。此形态学联想记忆的研究框架对形态学联想记忆的进一步研究具有一定的指导意义。