基于多目标的通讯网拓扑设计

通讯网设计是一个NP－hard问题,提出了一种在保证网络可靠性要求的前提下,使网络造价达到次化（尽量接近最优）的算法,实例表明该算法是可行的,可以在实际网络拓扑设计中应用。     

手写体数字识别的一种模糊联想记忆神经网络方法

手写体数字识别是当前神经网络应用研究最为活跃的领域之一。本文找出一种基于模糊联想记忆神经网络模型的识别方法，并获得较为满意的计算机模拟结果。与常用的ＢＰ网络算法相比，具有学习速度快、算法简单、网络规模小、拓扑结构简单等优点。     

多模式对模糊联想记忆学习算法的优化

一、引言 人脑神经系统信息活动的一个重要特征是能够接收和处理模糊的、连续随机的信息,并在输出时不追求绝对精确解而只要求能找到问题的满意解。模糊联想记忆神经网络是Bart Kosko于1987年提出的采用模糊赫布型学习规则的一种单状态异联想记忆神经网络,在模糊控制、模式识别、专家系统等领域曾引起人们的关注。由于该网络的子集联想特性和不能有效地联想存储多个训练模式对而影响了它的应用[1-3]。本文提出模糊合成运算的一种微分法则,用一代价函数以反映网络性能,将梯度下降搜索技术与模糊赫布型学习规则相结合,建立了在单个模糊联想记忆神经网络中联想存储多个模式对的一种优化学习算法。理论分析和实例计算均证明该算法优于Kosko的学习规则。