基于线性规划的联想记忆神经网络模型

提出一种基于优化线性函数的神经网络联想记忆器,打破了将待识别模式作为网络起始点的常规,它能保证渐近稳定的平衡点集与样本点集相同,吸引域分布合理,不渐近稳定的平衡点恰为实际的拒识模式,并且电路实现容易,对拒识模式有清楚的解释。理论分析和计算机模拟都表明本文的模型是理想的联想记忆器,还可降低对硬件的精度要求。     

基于约束区域的BSB联想记忆模型

提出一种根据联想记忆点设计基于约束区域的ＢＳＢ（Ｂｒａｉｎ－Ｓｔａｔｅ－ｉｎｍ－ａ－Ｂｏｘ）神经网络模型,它保证了渐近稳定的平衡点集与样本点集相同,不渐近稳定的平衡点恰为实际的拒识状态,并且吸引域分布合理,从而将ＥＳＢ完善为理想的联想记忆器。     

联想记忆神经网络的训练

提出了一种联想记忆神经网络的优化训练方案,说明网络的样本吸引域可用阱深参数作一定程度的控制,使网络具有尽可能好的容错性.计算表明,训练网络可达到α＜1(α=M/N,N是神经元数,M是贮存样本数),而仍有良好的容错性,明显优于外积法、正交化外积法、赝逆法等常用方案.文中还对训练网络的对称性与收敛性问题进行了讨论.     

基于遗传算法的Hopfield联想记忆吸引域的优化

由于一般离散Hopfield神经网络存在很多伪稳定点.使稳定点的吸引域变小.网络很难获得真正的最优解.因此,提出将遗传算法应用到Hopfield联想记忆神经网络中.利用遗传算法对复杂、多峰、非线性极不可微函数实现全局搜索性质.对Hopfield联想记忆吸引域进行优化,使待联想模式跳出伪模式的吸引域.使Hopfield网络在较高噪信比的情况下保持较高的联想成功率.仿真结果证明了该方法的有效性.     

联想记忆神经网络局部指数稳定的充要条件及特征函数

讨论非线性连续联想记忆神经网络平衡点局部指数稳定的判定条件及平衡点指数吸引域的估计,得到了平衡点局部指数稳定的充要条件,并引入一个特征函数,可以判定平衡点的邻域是否为指数吸引域.文中给出一族范数下(所有单调范数)网络局部或全局指数稳定的判定条件,推广了已知文献在特定范数下所得到的结论.     

联想记忆网络的约束优化学习

本文提出了一种联想记忆网络的约束优化学习算法，学习算法是一个全局最小化过程，其初始解保证每个样本是系统的稳定状态，然后逐步增大样本的吸引域，使网络具有优化意义上的最大吸引域，在理论上，我们分析了样本的渐近稳定性和吸引域范围，以及学习算法的收敛性，大量计算机实验结果说明学习算法是行之有效的。     

基于元特征的联想记忆神经网络

本文作为研究神经元网络实现理解式民联想总课题的一个组成部分，主要集中讨论了基于元特征的联想记忆网络。利用我们在文献２中的给出的ＦＰ学习和综合算法思想，建立上网络模型。它与文献２中的聚类网络组合起来，可实现人类在求解复杂问题时所使用的分层递阶技术。     

基于突出特征的联想记忆神经网络

本文讨论基于突出特征的联想记忆模型，它是理解式记忆联想模型中不可缺少的子网络。理论分析表明，文中建立的模型可用于解决同类样本集的联想记忆问题。与聚类分析网络组合起来，可实现类比推理和分层递阶技术。     

含时延的联想记忆神经网络的指数吸引域和指数收敛速度

采用不等式技巧和非负矩阵性质, 给出了含时延的联想记忆神经网络平衡点的指数吸引域和指数收敛速度估计以及指数稳定的一些判断条件.     

模拟反馈联想记忆的吸引域和指数收敛速度的估计及其应用

本文得到了若干关于模拟反馈联想记忆各记忆模式的吸引域及其中每一点趋向相应记忆模式的指数收敛速度的估计结果，它们可用于高效模拟反馈联想记忆的性能评价以及综合过程．     

约束最小平方联想存储器及性能比较

鉴于Ｋｏｈｏｎｅｎ的最佳联想存储器对带噪输入会产生难以接受的联想误差，文中试图通过在Ｋｏｈｏｎｅｎ模型中引入对连接权阵的某种约束并进而优化，使修改后的Ｋｏｈｏｎｅｎ模型（ＣＬＳＡＭ）对带噪输入具有最小误差的联想．借助奇异值分解（ＳＶＤ）理论的分析和计算机模拟证实了ＣＬＳＡＭ的性能优越性．     

联想记忆网络中的最速递减动态规则

本文提出了一种联想记忆网络中的最速递减动态演化规则，首先改变能产生最大系统能量递减的神经元状态，从而减小落入多余吸引子的可能性。在理论上，我们分析了样本的吸引域和联想规则的收敛性，计算机实验结果说明了它的优越性。     

智能神经网络组成原理在汉字识别中的应用

应用智能神经网络组成原理，研究了将传统神经网络完成的复杂任务划分为子任务，分配给功能专一，结构简单的较小的智能神经网络完成，在此基础上，构筑功能完善的较大的智能神经网络的方法。同时，通过加入推理规则，提高了网络获得取知识的速度，实验表明，智能神经网络组成原理为解决大规模，复杂的问题提供了一种有效途径。     

基于Kohonen神经网络的分形图像编码

本文提出利用Kohonen自组织神经网络把母块分类与特征抽取结合起来有助于改善分形编码的时间。因为特征抽取减少了问题的维数并且使网络能够在一幅和实验图像分离的图像上得到训练。自组织网络为分类引入了一个领域拓扑结构，并且不需要事先指定一组适当的图像类。网络按照在训练期间观测的图像特征的分布来组织自己。结果表明，该分类方法可以将编码时间减少两个数量级并保持可观的精度和压缩性能。