具非线性映射特性的广义逆联想存储器

本文针对基于Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ广义逆实现的联想存储模型（如Ｋｏｈｏｎｅｎ模型、Ｍｕｒａｋａｍｉ模型）缺乏对已存数据完全的联想回忆能力和非线性映射能力，通过在这些模型中引入一个扩展层（隐节点层）使原模型人具有对已存数据的完全回忆能力和一定的非线性映射能力，通过矩阵的奇异值分解，从理论上阐明了改进模型的性能优越性，模拟结果证实了这一点。     

具有非线性映射能力的RAM式联想存贮器*

本文提出一种具有非线性映射能力的RAM式联想存贮器(RAM—AM)，通过将二值输入模式分解成若干个子模式，并作为RAM的寻址地址，来训练该联想存贮器．存贮编码采用相关矩阵方法，此AM作为异联想存贮器能成功地回忆，如XOR、高阶奇偶校验一类高阶非线性问题，说明了映射能力对于模式划分行为的依赖性．最后从理论上证明了所提模型的信噪比大大高于Hopfield模型的信噪比及在大量神经元存在下的可实现性，实验例子证实了这种模型的可行性．     

具有非线性映射能力的RAM式联想存贮器

本提出一种具有非线性映射能力的ＲＡＭ式联想存贮器，通过将二值输入模式分解分解成若干个子模式，并作为ＲＡＭ的寻址地址，来训练该联想存贮器，存贮编码采用相关矩阵方法，此ＡＭ作为异联想存贮器能成功地回忆，如ＸＯＲ，高阶奇偶校验一类高阶非线性问题，说明了映射能力对于模式划分行为的依赖性。     

具有非线性映射能力的高性能联想记忆模型

通常的联想记忆模型的联想性能由于受到输入模式间交叉相关项的影响而有所下降，并且在输入与输出之间缺乏非线性映射能力。本文介绍一种高性能联想记忆模型，它将低维输入向量映射到一个高维的中间向量，从而提高了系统的联想能力，又使系统具有非线性映射能力，最后给出了几种推广。     

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.     

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.     

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。     

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。     

基于神经网络的SARS传播模型

神经网络具有并行分布式处理、联想记忆、自组织、自学习的能力,通过学习可以逼近任意非线性映射,使它成为非线性复杂系统常用的建模工具和预测方法。各种疾病(包括SARS)的传染规律是一个非常复杂的问题,具有高度的非线性性。文章没有走以传统的微分方程、指数函数为理论基础的老路,尝试采用3层反馈神经网络模型建立SARS的传染模型,用其预报SARS的传播规律。     

一种结构自适应的径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该模型中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,分别作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。