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。     

形态学联想记忆网络的进展研究

20多年来,形态学联想记忆的研究得到了长足的发展。从形态学联想记忆的基本原理、研究新成果等方面对形态学联想记忆网络的进展进行了研究。期望对形态学联想记忆方面的研究带来裨益。     

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.     

形态学联想记忆存储性能的研究

形态学联想记忆（Morphological Associative Memories,MAM）的存储性能是衡量形态学联想记忆能力大小的重要指标。然而,迄今为止,对形态学联想记忆的存储性能,主要是对异联想形态学联想记忆（hetero-MAM）的存储性能的定量分析和定性刻画并未完成。这是一个悬而未决的理论问题,也是一个MAM应用的实际问题。针对这一问题开展研究,站在概率论的角度,提出一个MAM存储性能的概率模型,并进行了证明。通过定量分析和定性讨论,取得一致结论。研究和分析表明,hetero-MAM的存储性能受到输入模式向量维数n、输出模式向量维数m、以及输入、输出模式对数目K的影响,且三者的影响程度不同。提出的概率模型,对形态学联想记忆的研究、分析、设计和应用,具有一定的启发和帮助。     

形态学联想记忆网络记忆性能的定性分析

形态学联想记忆网络基于其前向映射式的网络结构特点,不管有多少个模式对,都可以用一个存储矩阵来进行存储。记忆单个模式对时,该模式对的矩阵信息完全存储在存储矩阵中,所以可以从该模式对的输入模式正确联想出输出模式,但当网络记忆了多个模式对时,各个模式对之间的相互影响就不可避免地存在,在此对其记忆性能进行定性分析,以期对MAM的研究有所裨益。     

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。     

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.     

具有抗随机噪声能力的联想记忆网络

形态联想记忆网络具有良好的联想记忆功能和较强的抗膨胀或腐蚀噪声能力,但抗混合噪声的能力很弱.而在实际中,随机噪声往往是混合型的,既有膨胀又有腐蚀噪声,将尺度空间和形态联想记忆网络相结合,得到了一种新的联想记忆网络,它提高了形态自联想记忆网络的抗随机噪声能力.通过仿真实验验证了该方法具有良好的性能.     

形态学联想记忆框架研究

形态学联想记忆(MAM)是一类极为新颖的人工神经网络.典型的MAM实例对象包括:实域MAM(RMAM)、复域MAM(CMAM)、双向MAM(MBAM)、模糊MAM(FMAM)、增强的FMAM(EFMAM)、模糊MBAM(FMBAM)等.它们虽有许多诱人的优点和特点,但有相同的形态学理论基础,本质上是相通的,将其统一在一个MAM框架中是可能的.同时,联想记忆统一框架的建立也是当前的研究重点和难点之一.为此作者构建了一个形态学联想记忆框架.文中首先分析MAM类的代数结构,奠定可靠的MAM框架计算基础;其次,分析MAM类的基本操作和共同特征,抽取它们的本质属性和方法,引入形态学联想记忆范式和算子;最后,提炼并证明主要的框架定理.该框架的意义在于:(1)从数学的角度将MAM对象统一在一起,从而能以更高的视角揭示它们的特性和本质;(2)有助于发现一些新的形态学联想记忆方法,从而解决更多的联想记忆、模式识别、模糊推理等问题.     

尺度空间的联想记忆网络在灰度图中的应用

形态联想记忆网络具有十分优越的抗膨胀噪声或者腐蚀噪声的能力,但抗混合噪声的能力很弱,而在实际中,随机噪声往往是混合型的,既有膨胀噪声又有腐蚀噪声.将形态学尺度空间和形态联想记忆网络相结合,得到了一种新的联想记忆网络,它也具有优越的抗膨胀噪声或者腐蚀噪声的能力,同时它对随机噪声有一定的鲁棒性.通过对含有随机噪声的灰度图像进行自联想记忆和识别处理实验,取得了较为理想的结果,验证了其具有良好的性能.     

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。     

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.     

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。     

新型频谱监管网络模型研究

传统的频谱监管网络主要满足专网专用的需求,其在网络结构的设计上没有过多考虑高并发的情况,导致其无法满足快速、高效、可扩展性等通信需求。针对这种需求,基于智慧协同网络体系结构提出一种区域化小型频谱监管网,将智慧协同网络模型中的层级和服务管理的理念应用到各区域小型频谱监管网络中,构建具有资源适配服务解析层和网络节点层的新型频谱监管网络模型。通过实验对比新旧不同模型,新型网络模型可以降低中央服务器负载,为不同区域用户减少服务响应时间,并在用户规模增速相同的情况下减缓服务响应时间的增速,提升用户体验。     

一种非线性可自学习的联想记忆神经网络

醉庆生物神经突触特性的基础上,提出了非线性神经突触神经元的概念,并以此为根据构造了一种可自学习的联想记忆神经网络模型。这种模型可以按照Hebb规则进行学习,学习机制由网络本身完成。在此模型中,由于非线性权重的引入,使此神经网络模型能以简单的结构实现网络的自学习功能。文中对网络的记忆容量和此种网络在以特定的学习方式学习后与Hopfield网络的等效性方面进行了讨论。试验表明,此种网络模型结构是有效的。     

基于约束区域的连续时间联想记忆神经网络

传统的联想记忆神经网络模型是根据联想记忆点设计权值。文中提出一种根据联想记忆点设计基于约束区域的神经网络模型,它保证了渐近稳定的平衡点集与样要点集相同,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。它具有学习和遗忘能力,还具有记忆容量大和电路可实现优点,是理想的联想记忆器。     

基于分段IFS分形重建的流量模型

网络流量模型是网络仿真和网络行为研究中的一个基本问题。在分段IFS分形编码重建的基础上提出了一个新的网络流量模型,它基于实际流量的分形重建,所得重建流量变化趋势接近初始流量。在调节因子θ的作用下,重建流量的Hurst参数可以在一定范围内变化,同时重建流量自相关函数曲线与原始流量类似。因此,为网络流量仿真建模研究提供了一种新的选择。     

基于广义逆的指数型联想存储器模型

基于Ｋｏｈｏｎｅｎ的广义逆联想存储模型ＧＩＡＭ（ｇｅｎｅｒａｌｉｚｅｄｉｎｖｅｒｓｅａｓｏｃｉａｔｉｖｅｍｅｍｏｒｙ）和Ｍｕｒａｋａｍｉ的最小平方联想存储ＬＳＡＭ（ｌｅａｓｔｓｑｕａｒｅｓａｓｓｏｃｉａｔｉｖｅｍｅｍｏｒｙ）原理，本文提出了一个指数型联想存储器．该模型的存储性能经计算机模拟证实，远远优于ＧＩＡＭ和ＬＳＡＭ，通过适当地调节参数，几乎可达到完全的联想．对输入噪声方差，无需先验假设，同时还实现了一定程度的非线性映射特性.     

一类具有多维存储结构的CMAC神经网络

对于多输入 CMAC神经网络 ,概念映射决定了网络泛化特性 .从而直接影响到网络学习速度和网络的逼近精度 .本文在对多输入 CMAC网络进行深入分析的基础上 ,指出了概念映射的重要性及现有映射算法存在的不足 ;巧妙地将网络存储器由原来的一维改为多维从而得到了一类新型的多输入 CMAC神经网络 ,同时给出了新型网络的概念映射算法并分析论证了算法的合理性、严密性 .计算机仿真结果验证了所提出新型网络及其概念映射算法的有效性