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.     

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.     

改进的指数双向联想记忆模型在数据压缩中的应用

改进的指数双向联想记忆模型（Ｉmproved exponential bidirectional associative memory molel,IeBAM)是在eBAM的基础上通过引入内连接项而产生的一个比eBAM具有更高存储容量,纠错性的联想神网络,借助于ＩeBAM的高存储容量和良好的纠错性能及有序直方,要实现一种更高效率的数据压缩方法,从而为现有的数据压缩方法提供一种新算法,最后,计算机模拟证实了使用ＩeBAM的数据压缩性能比使用eBAM的更好。     

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     

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.