基于模糊神经网络结构的多值联想记忆

文章基于模糊神经网络结构,即通过模糊化,推理,去模糊三个过程,把Kosko提出的模糊联想记忆(FAM)网络模型应用到容错性需要较强的多值联想记忆中,解决了这种网络模型不能对随机噪声模式正确联想的问题,新的网络模型设计简单,大量实验表明文中的联想记忆网络大大提高了FAM网络的容错性能。     

基于αβ运算的多层联想记忆模型的研究

介绍了αβ运算符的定义和αβ联想记忆矩阵的四种操作。通过四种矩阵操作来实现模式对的培训和回忆。αβ多层联想记忆模型相比形态学联想记忆模型数值计算相对容易。最后,通过αβ多层联想记忆的数字模拟实例验证了αβ多层联想记忆具有良好的回忆性能。     

一种基于稀疏分布记忆模型的汉字联想记忆方法

本文描述了Ｋａｎｅｒｖａ的稀疏分布记忆模型，指出了它在用于汉字联想时的问题，同时提出了改进的模型，试验表明，这种改进模型使记忆容量和容错能力大大提高。     

形态学联想记忆的记忆性能研究

形态学联想记忆在异联想时,在对多个模式对进行记忆之后,逐一对每一个模式对的输入模式进行联想,存在得不到正确的输出模式的情形。对形态学联想记忆在异联想时存在的问题进行研究显得非常的必要,否则,对形态学联想记忆的改进工作就会变得盲目。分析形态学联想记忆的记忆性能,得到几个有意义的结论,通过字符图像的仿真实验,对这些结论进行了验证。     

对数-指数形态学联想记忆

利用对数和指数算子构建了一种新的形态学联想记忆方法,简称LEMAM.理论分析表明:自联想LEMAM(简称ALEMAM)具有无限存储能力、一步回忆记忆、一定的抵抗腐蚀噪声或膨胀噪声的能力,在输入完全或在一定的噪声范围内,能够保证完全回忆记忆;异联想LEMAM(简称HLEMAM)在输入完全情况下,不能保证完全回忆记忆,但当满足一定条件时,也能够达到完美联想记忆.对比实验结果表明:在一些情况下,LEMAM能够取得较好的联想记忆效果.总体来说,LEMAM丰富了形态学联想记忆的理论和实践,可以作为一种神经计算模型加以研究和利用.     

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。     

一种改进的神经元网络联想记忆模型及其应用

本文给出了一种改进的神经元联想记忆模型及其在控制系统故障诊断中的应用。这种模型不要求输入的样本向量之间是正交的或近似正交的,而是对任意输入样本向量进行HADAMARD预处理,使得处理后的样本向量,与输出样本向量组成联想矩阵M,构成这种联想记忆模型。最后本文给出了一个简单的控制系统故障诊断的数值例子加以说明。     

一种新的形态学联想记忆网络模型研究

针对即使在输入模式无噪声,形态学联想记忆在用于异联想时仍不能保证完全回忆的问题,从扩大记忆矩阵的存储空间的角度入手,提出一种新的形态学联想记忆模型——三维存储矩阵的形态学联想记忆来刻画MAM(Morphological Associative Memories)的记忆性能。该模型能够弥补传统形态学联想记忆的记忆矩阵的不足,解决MAM在异联想时不能保证对模式对集实现完全回忆的问题。详细阐述了构建三维存储矩阵的原理与步骤,并通过实例验证三维存储矩阵的形态学联想记忆的记忆性能远远优于传统的形态学联想记忆。     

基于图约简的知识联想关系网络建模

考虑到人类知识在大脑中以联想记忆形式存在，尝试从联想关系的视角深入探索知识体系的内在关系网络模型，旨在为知识图谱的建模提供一种可参考的新思路。对于给定的知识语料库，首先考虑以直接联想关系生成方式构建初始的知识关系网络，随后引入多种图约简方法优化知识联想关系网络的建模。研究中特别地提出了随机选择、局部联想最大记忆保留、全局联想最大记忆保留等3种知识联想关系约简重整策略，并通过实验手段对这3种策略进行建模分析。实验结果表明:3种方法呈现出了价值意义清晰的共同性能特征，而其中的全局联想最大记忆保留策略能最优地平衡知识联想关系网络的规模和联想记忆效率，可为相关应用提供有效的方法基础，也可为进一步探索类脑联想记忆的知识关系网络生成建模提供十分有益的启发。     

形态学联想记忆网络的研究进展

形态学联想记忆网络具有无限存储能力、一步回忆记忆、良好地抵抗腐蚀噪声或者膨胀噪声的噪声容限等许多优点.从形态学联想记忆的概念、基本原理、发展脉络、研究新成果,发展趋势和研究方向等多个方面综述了形态学联想记忆网络的研究进展.对形态学联想记忆方面的研究带来了一定的参考价值.     

基于认知的联想记忆仿真研究

在对联想记忆神经网络的研究中,为提高现有联想记忆网络的存储能力以及相似模式和多值模式的联想成功率,提出了一种新的联想记忆网络。样本模式信息存储在动态权值矩阵中,网络根据不同的输入模式可自适应地调节当前权值矩阵。与传统联想网络相比,输入模式的信息不仅给出了联想记忆的初值,且在联想记忆过程中起到启发式搜索的作用,使网络的存储能力和联想成功率得到较好的改善。尤其可以有效地实现相似模式以及多值模式的联想记忆功能。仿真结果验证了方法的有效性。     

基于一种新型联想记忆神经网络的传感器故障诊断

联想记忆网络是一种反馈型神经网络。由于反馈型网络会收敛于某个稳定状态，因此，可用于联想记忆。神经网络具有高度的并行处理能力和极强的非线性映射能力，可以实现故障与征兆之间复杂的非线性映射关系，因此在机械故障诊断领域中显示了很大的应用潜力。本文以模拟人脑由部分记忆而联想整体的特点为基础，通过引入联想记忆衰减因子，改进神经网络结构和学习算法．应用于系统的故障诊断。     

训练模式摄动对模糊形态学联想记忆网络的影响

众多学者研究的两类形态学联想记忆网络的存储能力、抗腐蚀/膨胀噪声的能力等性质几乎都相同。但是文中研究发现两类网络对训练模式摄动的鲁棒性差异很大。一类对训练模式摄动拥有好的鲁棒性,而另一类则较差。该研究结论能为形态学联想记忆网络的学习算法选择和训练模式采集设备的精度要求提供指导,对前期训练模式的获取过程提供警示。     

Recurrent Correlation Associative Memories: A Feature Space Perspective

In this paper, we analyze a model of recurrent kernel associative memory (RKAM) recently proposed by Garcia and Moreno. We show that this model consists in a kernelization of the recurrent correlation associative memory (RCAM) of Chiueh and Goodman. In particular, using an exponential kernel, we obtain a generalization of the well-known exponential correlation associative memory (ECAM), while using a polynomial kernel, we obtain a generalization of higher order Hopfield networks with Hebbian weights. We show that the RKAM can outperform the aforementioned associative memory models, becoming equivalent to them when a dominance condition is fulfilled by the kernel matrix. To ascertain the dominance condition, we propose a statistical measure which can be easily computed from the probability distribution of the interpattern Hamming distance or directly estimated from the memory vectors. The RKAM can be used below saturation to realize associative memories with reduced dynamic range with respect to the ECAM and with reduced number of synaptic coefficients with respect to higher order Hopfield networks.     

具有期望容错域的前向掩蔽联想记忆模型的设计方法

联想记忆的综合问题是目前没有很好解决的难题.文中用作者提出的通用前馈网络和排序学习算法,提出了一种设计具有期望容错域的前向掩蔽联想记忆模型的方法.该方法一般性地解决了信息空间上联想记忆的综合难题,使设计出的联想记忆模型具有任意期望的记忆样本容错域.     

Continuous classifying associative memory

In this article we present the so‐called continuous classifying associative memory, able to store continuous patterns avoiding the problems of spurious states and data dependency. This is a memory model based on our previously developed classifying associative memory, which enables continuous patterns to be stored and recovered. We will also show that the behavior of this continuous classifying associative memory may be adjusted to some predetermined goals by selecting some internal operating functions. © 2002 Wiley Periodicals, Inc.     

Extension from a linear associative memory to a linguistic linear associative memory

We present a linguistic extension from a crisp model by using a codification model that allows us to implement a fuzzy system on a discrete decision model. The paper begins with an introduction to the representation of fuzzy information, followed by a discussion of the codification method and the extension of a linear associative memory to a linguistic linear associative memory. Finally, we enumerate the advantages and disadvantages of the obtained linguistic linear associative memory. © 1998 John Wiley & Sons, Inc.13: 41–57, 1998     

A comparison of a novel neural spell checker and standard spell checking algorithms

In this paper, we propose a simple and flexible spell checker using efficient associative matching in the AURA modular neural system. Our approach aims to provide a pre-processor for an information retrieval (IR) system allowing the user's query to be checked against a lexicon and any spelling errors corrected, to prevent wasted searching. IR searching is computationally intensive so much so that if we can prevent futile searches we can minimise computational cost. We evaluate our approach against several commonly used spell checking techniques for memory-use, retrieval speed and recall accuracy. The proposed methodology has low memory use, high speed for word presence checking, reasonable speed for spell checking and a high recall rate.     

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.     

自组织决策树的联想记忆在线学习模型*

针对多源数据在线学习环境下的联想记忆建模问题,并综合考虑计算高效性、噪声鲁棒性等目标,提出基于自组织决策树的联想记忆在线学习模型.首先根据模式数据内在结构进行类内信息增强和噪声约简,然后基于信息熵增益的决策树算法对约简后数据进行子域划分,最后通过子域关系学习建模多源数据的联想关系.理论分析模型的学习稳定性.实验表明,文中模型在含噪数据在线分类学习和异联想建模问题上具有优良性能.