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.     

基于极大极小准则的Hopfield联想记忆学习算法

基于联想记忆各记忆模式的吸收域之间的应保持大小平衡的思想，提出了设计Ｈｏｐｆｉｅｌｄ联想记忆网络的极大极小准则，即设计出的对称连接权阵应使得网络最小的记忆模式吸收域达到最大，首选提出了一种快速算法；再发展了一个启发性迭代学习算法，称为约束感知器学习算法，大量实验结果表明了本文学习算法的优越性。     

Hopfield网络联想记忆外积法设计权的研究

首先验证了离散Hopfield网络联想记忆外积法设计权的方法，然后通过公式逐步推导，得出了一个特殊矩阵。通过计算机仿真模拟验证了样本容错能力与样本相关性的关系，从输入图形和输出图形来看，联想效果尚可，具有一定的实效性。但也存在着一些问题，比如有些模式不能完全记忆。     

离散Hopfield联想记忆神经网络的渐近行为

该文对一类离散Hopfield联想记忆神经网络的渐近行为进行了讨论，首先提出这类I／O函数取为Sigmoid型函数的离散Hopfield联想记忆神经网络的数学模型，讨论并给出了这种模型的一系列性质，例如运动轨迹的有界性，平衡点的唯一性以及渐近稳定性等，得到了平衡点渐近稳定的充分条件，检验这种神经网络模型的渐近稳定性，只需要测试一个特定矩阵的定性性质或特定不等式即可，这些结果可用于离散Hopfield联想记忆神经网络的综合过程。     

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MapReduce模型的Hopfield神经网络联想记忆算法

Hopfield神经网络以良好的联想记忆功能、容错性而得到广泛的应用。然而,云计算平台下,面对海量数据时它并不能在单机上存储高维度模式以及获得良好的性能。另外,传统的联想记忆网络数据分布存储,使得MapReduce结构可以很好地解决并行化和分布性的问题。根据以上原理,提出一种MRHAM(MapReduce-based Hopfield Network for Association Memory)算法,对传统的Hopfield联想记忆算法采用MapReduce架构实现大规模并行化处理。通过实验验证在大规模数据量下获得比传统Hopfield联想记忆算法更好的性能,对于海量数据的基于内容存储、联想记忆有重要意义。     

多模式对模糊联想记忆网络的动态学习算法

Kosk。在结合模糊系统与神经网络的基础上提出的最大最小联想记忆网络DJ是二层前馈网络,为了提高其记亿性能,已经提出了一些改进的算法。其     

一种新的双向联想记忆的学习算法

提出了一种新的用于双向联想记忆的学习算法，该算法利用了输入向量各元素之间的关联信息，在联想的过程中，动态地调整权值矩阵，增强了网络适应能力，利用了更多的已知信息，从而提高了网络的性能．     

异联想记忆模型的优化学习算法

本文提出了一种异联想记忆模型的优化学习算法.首先,我们将反映神经元网络性能的标准转化为一个易于控制的代价函数,从而将权值的确定过程自然地转化为一个全局最优化过程.优化过程采用了梯度下降技术.这种学习算法可以保证每个训练模式成为系统的稳定吸引子,并且具有优化意义上的最大吸引域.在理论上,我们讨论了异联想记忆模型的存储能力,训练模式的渐近稳定性和吸引域的范围.计算机实验结果充分说明了算法的有效性.     

混沌在Hopfield联想记忆网络中的应用

将混沌应用到Hofield联想记忆网络中,利用混沌的遍历性和随机性等独特的性质,可以使待联想模式跳出伪模式的吸引域,而到达存储模式的吸引域内,从而解决了Hopfield网络在噪信比较高的情况下,联想成功率较低的问题。仿真结果证明了该方法的有效性。     

Some Aspects of Associative Memory Construction Based on a Hopfield Network

Programming and Computer Software - An implementation of associative memory based on a Hopfield network is described. In the proposed approach, memory addresses are regarded as training vectors of...     

Improvements of Complex-Valued Hopfield Associative Memory by Using Generalized Projection Rules

In this letter, new design methods for the complex-valued multistate Hopfield associative memories (CVHAMs) are presented. We show that the well-known projection rule proposed by Personnaz can be generalized to complex domain such that the weight matrix of the CVHAM can be designed by using a simple and effective method. The stability of the proposed CVHAM is analyzed by using energy function approach which shows that in synchronous update mode the proposed model is guaranteed to converge to a fixed point from any given initial state. Moreover, the projection geometry of the generalized projection rule (GPR) is discussed. In order to enhance the recall capability, a strategy of eliminating the spurious memories is also reported. The validity and the performance of the proposed methods are investigated by computer simulation.     

The Object Perceptron Learning Algorithm on Generalised Hopfield Networks for Associative Memory

We present a study of generalised Hopfield networks for associative memory. By analysing the radius of attraction of a stable state, the Object Perceptron Learning Algorithm (OPLA) and OPLA scheme are proposed to store a set of sample patterns (vectors) in a generalised Hopfield network with their radii of attraction as large as we require. OPLA modifies a set of weights and a threshold in a way similar to the perceptron learning algorithm. The simulation results show that the OPLA scheme is more effective for associative memory than both the sum-of-outer produce scheme with a Hopfield network and the weighted sum-of-outer product scheme with an asymmetric Hopfield network.     

线性联想存贮器在自动控制中的应用

简介线性联想存贮器的工作原理和实现方法,它们已应用于光通讯、谱分析、衍射光学、射电天文学、电子显微术等与信息处理、图像恢复或图像识别相关的近代光电子技术领域、然而本文该方法在自动控制建模中的应用是一种新的尝试,尤其是对复杂对象的研究,我们把它与神经网络法比较,发现在非线性对象的线性化过程,它具有花时更省、精度更高和鲁棒性的特点,也讨论了计算机模拟实验,结果由图表示。     

一种优化的基于增强学习协商策略

增强学习可以帮助协商Agent选择最优行动实现其最终目标。对基于增强学习的协商策略进行优化,在协商过程中充分利用对手的历史信息,加快协商解的收敛和提高协商解的质量。最后通过实验验证了算法的有效性和可用性。     

Adaptive immunity based reinforcement learning

Recently much attention has been paid to intelligent systems which can adapt themselves to dynamic and/or unknown environments by the use of learning methods. However, traditional learning methods have a disadvantage that learning requires enormously long amounts of time with the degree of complexity of systems and environments to be considered. We thus propose a novel reinforcement learning method based on adaptive immunity. Our proposed method can provide a near-optimal solution with less learning time by self-learning using the concept of adaptive immunity. The validity of our method is demonstrated through some simulations with Sutton’s maze problem. This work was present in part at the 13th International Symposium on Artificial Life and Robotics, Oita, Japan, January 31–February 2, 2008