离散指数型BAM网络的记忆容量

基于Kosko的双向联想记忆模型BAM(bidirectional associative memory)原理,本文提出了一个离散指数型双向联想记忆模型.通过理论分析证实,该模型的记忆容量远远大于BAM的记忆容量.本文给出了指数型BAM记忆容量的下界.     

具有时滞的双向联想功能的神经网络模型的稳定性

本文利用Razumikhin条件和具体的Lyapunov函数,讨论了时滞BAM模型平衡点的稳定情况,得到了在时滞适当小时,时滞BAM模型与无时滞BAM模型具有相同的渐近稳定性.     

一类离散BAM神经网络的全局渐近稳定性分析--LMI方法

提出一种新的神经网络模型--标准神经网络模型(SNNM),并给出基于线性矩阵不等式(LMI)的SNNM平衡点的全局渐近稳定性定理.通过状态的线性变换,将推广的离散BAM神经网络转化为SNNM,利用SNNM的稳定性结论,判定该离散BAM的全局渐近稳定性.该方法扩展了以前的稳定性结果,保守性低,容易验证,同时也适用于其它类型的递归神经网络的稳定性分析.     

基于BAM网络的坦克火控系统在线故障诊断方法研究

鉴于传统的坦克火控系统故障诊断技术诊断速度慢,对多故障复合情况难以快速定位等缺点,提出了一种基于BAM网络的在线故障诊断方法;结合BAM网络模型和算法,利用层次分析法建立系统故障模型,使用最小割集对模型进行分解,生成训练BAM网络的正交学习样本空间,给出了一种最优化的权值矩阵生成方法,并应用该方法对某型坦克进行故障诊断;实例证明此方法能够有效减少测试点数量,简化网络结构,实现了单故障和复合型故障的快速定位,提高了故障诊断效率.     

改进的指数双向联想记忆模型及性能估计

提出了一个新的改进型指数双向联想记忆模型(improved eBAM,简称IeBAM).通过定义有界且随状态改变而下降的能量函数,证明了IeBAM在状态的同、异步更新方式下的稳定性,一方面排除了Wang的修正指数BAM(modified eBAM,简称MeBAM)和Jeng的eBAM(exponential BAM)的稳定性证明中所作的不合理假设;另一方面,放宽了对BAM(bidirectional associative memory)的连续性假设的要求,并避免了补码问题.理论分析和计算机模拟结果表明,     

一种新的基于事件面向服务的BAM系统设计研究*

研究了面向服务的业务活动监控(BAM)系统设计问题。在分析BAM的几类系统模型优缺点的基础上,立足于BAM系统的动态感知、协同工作和实时处理数据,采用事件驱动体系架构,提出了一种基于事件、面向服务的业务活动监控系统模型。该模型以总线的形式构建在企业原有的各个信息系统之上,采用事件作为模块之间基本的通信机制,并对该系统模型中关键技术的设计进行了详细分析。最后通过原型系统的实验表明,该设计方案有良好的应用效果,可以有效地提高模型的计算效率。     

一种新的双向联想记忆神经网络学习算法

文章提出了一种基于遗传算法的按`位'加权双向联想记忆神经网络(BAM)的学习算法.根据判定BAM网络稳定模式和容错能力的充分条件,推出了求取按位加权BAM加权系数的优化目标函数,之后作者给出了求解此目标函数的遗传算法.二值图象模式存储、联想记忆的计算机实验结果表明,文中所提出的方法能有效地提高网络的存储能力和容错能力.     

一个改进的指数双向联想存储器及性能分析

通过分析Wang的修正指数双向联想存储器(MeBAM),本文提出了一个新的指数式双向联想存储器.该存储器不仅保持了MeBAM的优点,如放宽了Kosko对BAM的连续性假定的限制,排除了BAM的补码问题,同时还大大改善了现有BAM的存储性能和纠错能力.通过定义一个随状态变化而减少的能量函数严格证明了改进的eBAM(IeBAM)在同步与异步方式下的稳定,从而保证了所有要存的模式对成为其稳定点.此外,借助信噪比分析方法给出了IeBAM和MeBAM的信噪比估计.理论分析和计算机模拟结果证实了IeBAM的性能确实优于MeBAM和eBAM.     

多值指数式多向联想记忆模型

多向联想记忆MDAM(multidirectional associative memory)模型是Kosko双向联想记忆模型BAM(bidirectional associative memory)的一个直接推广,它可应用于数据融合及维数分裂,使模型能处理大维数输入问题.目前所提出的若干种多向模型均局限于二值输入/输出模式对,但如在图象处理等的实际应用中,所处理的模式均是多值的.本文的目的就是提出一个多值指数式多向联想记忆模型MVeMDAM(multivalued exponential multidi     

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.     

一种基于MRⅡ算法的三层二值双向联想记忆网络

传统的两层二值双向联想记忆(BAM)网络因其结构的限制存在着存储容量有限、区分小差别模式和存储非正交模式能力不足的缺陷,结构上将其扩展至三层网络是一个有效的解决思路,但是三层二值BAM网络的学习是一个难题,而三层连续型BAM网络又存在处理二值问题不方便的问题。为了解决这些问题,提出一种三层结构的二值双向联想记忆网络,创新之处是采用了二值多层前向网络的MRⅡ算法实现了三层二值BAM网络的学习。实验结果表明,基于MRⅡ算法的三层二值BAM网络极大地提高了网络的存储容量和模式区分能力,同时保留了二值网络特定的优势,具有较高的理论与实用价值。     

双向联想记忆学习与回忆的研究

本文对双向联想记忆(BAM)的学习与回忆过程进行了详细的分析。在学习过程中,先是运用自适应非对称BAM算法进行学习,进而采用设置印象门限的反复记忆算法进行学习,本文从理论上证明了印象门限与样本吸引域之间的关系,指出反复记忆方法的理论依据。回忆过程中,采用非零阈值函数的运行方程,提出了阈值学习方法,并且从理论上证明了非零阈值函数的运行方程的采用,可进一步扩大吸引域。为了进一步扩大网络的信息存储量,本文引入了并联的BAM结构。本文方法的采纳,使得BAM网络的信息存储量、误差校正能力等得到很大程度的提高。     

双向联想记忆神经网络抗噪声的能力

This paper analyzes noise sensitivity of bidirectional association memory (BAM) and shows that the anti-noise capability of BAM relates not only to the minimum absolute value of net inputs(MAV), as some researchers found, but also to the variance of weights associated with synapse connections. In fact, it is determined by the quotient of these two factors. On this base, a novel learning algorithm—small variance leaning for BAM(SVBAM) is proposed, which is to decrease the variance of the weights of synapse matrix. Simulation experiments show that the algorithm can decrease the variance of weights efficiently, therefore, noise immunity of BAM is improved. At the same time, perfect recall of all training pattern pairs still can be guaranteed by the algorithm.     

业务活动监控技术的改进

针对当前商业环境瞬息万变的特点,对当前的只能单纯按照系统既定的规则判定企业的经营活动状况的业务活动监控技术(BAM)进行了改进.改进后的BAM增加了数据仓库模块和相应的分析工具,使得它在变化的环境中能够实时更新判定规则,也就是让企业能够做到对异常事件及时、准确的识别.     

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.     

时滞标准神经网络模型及其应用

提出一种新的神经网络模型---时滞标准神经网络模型(DSNNM),它由线性动力学系统和有界静态时滞非线性算子连接而成.利用不同的Lyapunov泛函和S方法推导出DSNNM全局渐近稳定性和全局指数稳定性的充分条件,这些条件可表示为线性不等式(LMI)形式.大多数时滞(或非时滞)动态神经网络(DANN)稳定性分析或神经网络控制系统都可以转化为DSNNM,以便用统一的方法进行稳定性分析或镇定控制.从DSNNM应用于时滞联想记忆(BAM)神经网络的稳定性分析以及PH中和过程神经控制器的综合实例,可以看出,得到的稳定性判据扩展并改进了以往文献中的稳定性定理,而且可将稳定性分析推广到非线性控制系统的综合.     

基于离散双向联想记忆神经网络的多元通信系统

针对噪声导致非线性数字通信系统传输信号的差错概率增加的问题，提出一种基于离散双向联想记忆（BAM）神经网络的多元通信系统。首先，根据需要传输的信号，选取适当的神经元数量和记忆向量，计算权值矩阵，并生成BAM神经网络；然后将多元信号映射为具有调制幅度的初始输入向量并不断输入系统，通过神经网络进行循环迭代，并向各神经元添加高斯噪声，之后按照码元间隔采样输出并在无损信道中传输，接收端依据判决规则译码判决；最后在图像处理领域，利用所提系统传输图像压缩后的数据并解码恢复图像。仿真结果表明，对于码元间隔较大的弱调制信号，随着噪声强度的增加，差错概率先减后增，随机共振现象比较明显；差错概率还与信号的进制数呈正相关关系，与信号幅度、码元间隔和神经元个数呈负相关关系，某些条件下，差错概率可以达到0。以上结果表明BAM神经网络可以通过噪声改善数字通信系统的可靠性。另外，解码恢复图像的相似度显示了适量噪声对图像恢复效果的改善，扩展了BAM神经网络和随机共振在图像压缩编码中的应用。     

Evolutionary Pseudo-Relaxation Learning Algorithm for Bidirectional Associative Memory

This paper analyzes the sensitivity to noise in BAM (Bidirectional Associative Memory), and then proves the noise immunity of BAM relates not only to the minimum absolute value of net inputs (MAV) but also to the variance of weights associated with synapse connections. In fact, it is a positive monotonically increasing function of the quotient of MAV divided by the variance of weights. Besides, the performance of pseudo-relaxation method depends on learning parameters(λ and ξ), but the relation of them is not linear. So it is hard to find a best combination of λ and ξ which leads to the best BAM performance. And it is obvious that pseudo-relaxation is a kind of local optimization method, so it cannot guarantee to get the global optimal solution. In this paper, a novel learning algorithm EPRBAM (evolutionary psendo-relaxation learning algorithm for bidirectional association memory) employing genetic algorithm and pseudo-relaxation method is proposed to get feasible solution of BAM weight matrix. This algorithm uses the quotient as the fitness of each individual and employs pseudo-relaxation method to adjust individual solution when it does not satisfy constraining condition any more after genetic operation. Experimental results show this algorithm improves noise immunity of BAM greatly. At the same time, EPRBAM does not depend on learning parameters and can get global optimal solution.     

基于并行计算及人工免疫的入侵检测模型

免疫技术是目前入侵检测发展的一个趋势,通过分析了生物免疫系统的机制和原理,介绍了基于免疫原理的入侵检测系统,针对算法及模型存在的不足,提出了基于并行计算的r连续位匹配规则,并根据新的算法提出了一个包含基于遗传算法的模式识别器的入侵检测模型,实验表明运用上面提出的算法及模型提高了系统的模式识别的效率和智能性.     

基于故障树和双向联想记忆神经网络的桥式起重机故障诊断方法

针对桥式起重机的故障诊断系统,提出一种基于故障树(FTA)和双向联想记忆神经网络(BAM)相结合的故障诊断方法。通过FTA建立系统故障树,收集桥式起重机所有故障模式,进而归纳出BAM的学习样本,然后对样本学习联想,得到系统诊断结果。两种方法的结合,不但可完成单个故障的诊断,还可实现多种故障的综合处理,提高诊断能力。