时变容错域的感知联想记忆模型及其实现算法

提出并用软件实现了一种时变容错域的感知联想记忆模型．该模型有以下特点：（1）模拟了大脑联想记忆的容错域随时间变化的特点．模型可以根据记忆样本的重要性，为记忆样本在不同时间设计适当的容错域;（2）实现了”维到m维空间的无穷值模式非线性联想，而且该模型的样本容错域充满整个实空间R^n，模型没有伪吸引子；（3）联想记忆速度快．     

加强学习主要算法的比较研究

文章介绍了加强学习模型,分别给出了加强学习的四个主要算法:动态规划、蒙特卡罗算法、时序差分算法、Q-学习,并指出了它们之间的区别和联系。最后给出加强学习的两个应用以及今后的研究方向。     

支持内存数据库索引缓存优化的CST树的设计与实现

针对目前内存数据库中索引缓存失配的问题,在分析了现有内存数据库索引结构基础上,提出了一种缓存敏感T树（CST树）的索引数据结构,详细数据结构描述和操作算法也已给出。通过CST树的缓存次数分析和进行查询、插入等操作性能测试,结果表明CST树能有效减少缓存敏感次数,并且在数据量较小时,CST树的插入、删除速度比T树略慢,而查询速度比T树要快。在数据量较大时,CST树的插入、删除、查询效率都比T树要高。     

基于DRAM牺牲Cache的异构内存页迁移机制

当海量数据请求访问异构内存系统时,异构内存页在动态随机存储器(dynamic random access memory, DRAM)和非易失性存储器(non-volatile memory, NVM)之间进行频繁的往返迁移.然而,应用于传统内存页的迁移策略难以适应内存页“冷”“热”度的快速动态变化,这使得从DRAM迁移至NVM的“冷”页面可能在短时间内变“热”从而产生大量冗余的迁移操作.当前的相关研究都仅着眼于正在执行迁移的页面而忽视了等待迁移和完成迁移的页面,且判断“冷”“热”程度的标准不一,使得冗余的迁移大量产生.因此,提出了一个基于DRAM牺牲Cache的异构内存页迁移机制(VC-HMM),使用非易失性存储器中工艺较为成熟的相变存储器(phase change memory, PCM),通过在DRAM和PCM之间增加一个由DRAM构成的小容量牺牲Cache将系统主存DRAM中变“冷”的页面迁移到牺牲Cache中,以避免主存页面在短时间内再次变“热”而造成的冗余迁移.同时,还使得迁回PCM的部分页面不需要写回,减少PCM存储单元的写入操作次数,延长PCM的使用寿命.另外,对于不同的工作负载,VC-HMM可以自适应设置迁移操作的参数,增加迁移的合理性.实验结果表明：与其他迁移策略(CoinMigrator,MQRA,THMigrator)相比,VC-HMM平均减少了至少62.97%的PCM写操作次数、22.72%的平均访问时延、38.37%的重复迁移操作以及3.40%的系统能耗.     

联想记忆的一种随机理论*

本文提出研究联想记忆的一种随机理论，从数学上证明顺向联想记忆和逆向联想记忆的存在性，给出实现正确联想记忆的充要条件；对于相互干涉项为独立序列和与相关序列和两种情况均给出正确想起概率与网络容量的关系的解析表达式，与以往的工作相比，联想记忆理论通过一种概率途境得到进一步发展。     

新型联想记忆神经网络的硬件实现研究

论文研究了一种新型联想记忆神经网络的硬件实现,并给出了运行框图及其说明。每个神经元由一个功能简单的微处理单元和一组存储单元构成,存储在连接中的数据,转移到相应的目标神经元的E2PROM中,由一个微处理器控制所有神经元的运行和作为与外部设备的接口,硬件网络本身同时实现了回忆和记忆功能。     

A Weakly Connected Memristive Neural Network for Associative Memory

In this paper, we propose a star-like weakly connected memristive neural network which is organized in such a way that each cell only interacts with the central cells. By using the describing function method and Malkin’s theorem the phase deviation of this dynamical network is obtained. And then, under the Hebbian learning rule the phase deviation is designed as a desired model for associative memory. Moreover, we take the store and recall of digital images as an example to demonstrate the performance of associative memory. The main contribution of this paper is supply a useful mechanism which the new potential circuit element memristor can be used to realize the associative.     

A Weighted Voting Model of Associative Memory

This paper presents an analysis of a random access memory (RAM)-based associative memory which uses a weighted voting scheme for information retrieval. This weighted voting memory can operate in heteroassociative or autoassociative mode, can store both real-valued and binary-valued patterns and, unlike memory models, is equipped with a rejection mechanism. A theoretical analysis of the performance of the weighted voting memory is given for the case of binary and random memory sets. Performance measures are derived as a function of the model parameters: pattern size, window size, and number of patterns in the memory set. It is shown that the weighted voting model has large capacity and error correction. The results show that the weighted voting model can successfully achieve high-detection and -identification rates and, simultaneously, low-false-acceptance rates     

A New Two-Level Associative Memory for Efficient Pattern Restoration

Pattern reconstruction or pattern restoration in the presence of noise is a main problem in pattern recognition. An essential feature of the noise acting on a pattern is its local nature. If a pattern is split into enough sub-patterns, a few of them will be less or more affected by noise, others will remain intact. In this paper, we propose a simple but effective methodology that exploits this fact for the efficient restoration of a pattern. A pattern is restored if enough of its sub-patterns are also restored. Since several patterns can share the same sub-patterns, the final decision is accomplished by means of a voting mechanism. Before deciding if a sub-pattern belongs to a pattern, sub-pattern restoration in the presence of noise is done by an associative memory. Numerical and real examples are given to show the effectiveness of the proposal. Formal conditions under which the proposal guaranties perfect restoration of a pattern from an unaltered or and altered version of it are also given.     

一种并行内存缓冲系统及其实现技术

为支持数据挖掘应用,对NOW机群系统的分布式共享存储管理机制进行了适当的简化1～2,结合数据挖掘中数据处理的特点,设计了一个并行内存缓冲系统。该缓冲系统为应用程序提供上下两层应用接口,既可以保证内存操作的透明性,又为应用程序自主操作数据提供了极大的灵活性。缓冲系统可以充分利用网络结点的存储空间为应用程序实现网络虚拟存储环境,同时也可以很好地支持应用程序对数据文件的并行化处理。     

Set Packing问题的研究进展

Set Packing问题起源于分割问题的应用,是在强约束条件对元素进行划分。在复杂性理论中,此问题是一类重要的NP难问题,被广泛应用于调度、代码优化和生物信息学等领域。特别是在参数计算理论产生后,此问题再次成为研究的热点问题。依据所研究问题的差异,本文将Set Packing问题分成5类,并给出了具体的定义。在此基础上,分别介绍了求解这5类问题的相关算法,着重分析和比较了参数算法中所运用的各项技术,并提出了该问题算法研究的一些发展方向。     

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。     

乌兹别克语词干提取算法的比较研究

黏着语的自然语言处理中,词干提取作为一项基础的预处理任务,对其他任务的性能影响较大。现有的乌兹别克语词干提取任务仍依赖基于规则的方法,且实验效果不太理想。该文将乌兹别克语词干提取任务视为序列标注问题进行处理,以字符为最小单位进行切分,分别构建了基于条件随机场(CRF)和门控循环单元网络(Bi-GRU)的乌兹别克语词干提取模型。实验结果表明,基于序列标注的乌兹别克语词干提取模型与基于规则的方法相比不仅降低了人工成本,而且在性能方面有较为显著的提升。     

令牌桶算法比较研究

令牌桶算法是流量整型的重要方法,该文在对令牌桶算法作了分析的基础上,对IETF的两种令牌桶算法：单速率三色标记算法和双速率三色标记算法进行了研究。对算法的性能进行了比较分析,并用仿真实验对不同算法的输出流与参数值之间的关系作了研究．揭示了不同算法中参数设置的内在关系。     

一种可配置的Cache/SRAM存储器的设计

不同的应用对存储器结构有不同的需求:在运行控制任务时,需要Cache匹配速度差异;在处理数据流时,需要片内存储器提高访问带宽.本文设计了一种基于SRAM的可配置Cache/SRAM存储器,通过数据存储器独立寻址,控制和数据通路充分共享,实现了一个四路组相连、容量为16KB的Cache和容量为16KB的SRAM.综合结果表明,该设计与普通Cache相比,延时仅增加0.035%,门数增加1.06%.     

A Comparative Study of Three Mapping Methodologies

Map building is one of the core competencies of truly autonomous robots. Numerous techniques have been developed to represent the static and dynamic environments as well as the perceptional sensing frameworks so far. In this paper, on the basis of our previous work, we compare various sensor systems in building the static and dynamic environment map with the segment-based map and Fuzzy-Tuned Grid-Based Map (FTGBM) strategies. From the comparative results of experiments, we propose a probably efficient and trade-off framework which balances the accuracy of the map against the overall system cost.     

反馈集问题的研究进展

反馈集问题是经典的NP难问题,在电路测试、操作系统解死锁、分析工艺流程、生物计算等领域都有重要应用,按照反馈集中元素类型可分为反馈顶点集(FVS)问题和反馈边集(FAS)问题。人们利用线性规划和局部搜索等技术设计了一系列关于FVS和FAS问题的近似算法,并基于分枝一剪枝策略和加权分治技术提出了FVS问题的精确算法。随着参数计算理论的发展,近年来参数化反馈集问题引起了人们的重视,并取得了很大突破。目前已经证明了无向图和有向图中FVS问题和FAS问题都是固定参数可解的(FPT)。利用树分解、分支搜索、迭代压缩等技术,对无向图FVS问题提出了一系列FPT算法。针对某些特殊的应用,人们开展了对具有特殊性质的图上FVS问题的研究,提出了一些多项式时间可解的精确算法。现首先介绍了在无向图中关于FVS问题的近似算法与精确算法,然后具体分析了FVS问题的参数化算法。进一步阐述了关于有向图和特殊图上FVS问题的研究现状,介绍了FAS问题的研究成果。基于对反馈集问题研究现状的分析,提出了今后FVS问题研究中值得关注的几个方面。     

小世界体系的多对多核联想记忆模型及其应用

运用机器学习中新颖的核方法和社会网络中广泛存在的小世界现象,对Hattori等人提出的多模块多对多联想记忆模型(multi-module associative memory for many-to-many associations,简称(MMA)²)进行了改进,构建出了一个基于小世界体系的多对多核联想记忆模型框架(small world structure inspired many to many kernel associative memory models,简称SWSI-M²KAMs).该框架不仅克服了原模型不能联机提交训练样本且迭代次数过多的缺陷,而且拓展了原模型的智能信息处理范围.更重要的是,通过核函数的选取,该模型框架可以衍生出更多新的多对多联想记忆模型,而且,由于小世界结构的引入,在一定程度上简化了模型的结构复杂度.最后的计算机模拟,证实了新的模型具有良好的多对多联想记忆功能.