论文部分内容阅读
本文研究了一种非传统联想记忆神经网络及其硬件实现问题． 本研究针对现有联想记忆神经网络存在的下列问题： 1．每记忆一个模式，都要进行大量的计算，以重新确定全部连接的权重，这使得寻找合适权重的工作变得很困难； 2．主要以非线性动力学系统为模型，但非线性动力学系统本身就存在稳定性、鲁棒性、收敛速度等问题，而联想记忆又有存储容量不能太小、容错性好、伪吸引子少等要求，要二者兼顾，困难是显然的； 3．尽管网络中所有连接都参与到每个模式的记忆使得每个连接对记忆的重要性减小了，却不能消除任何一个连接对所有存储模式的影响，少数连接的损坏就可能使得网络完全失去记忆能力； 4．网络中往往存储着不止一个模式与输入模式具有最小Hamming距，但只能回忆出其中一个模式； 5．用于回忆的输入模式必须是完全确定的，但不完整的输入模式更具实用意义，因为联想记忆的重要功能之一就是由残缺信息联想出完整信息． 本文研究的意义在于尝试用新方法寻找能克服或不存在上述问题的联想记忆神经网络，主要思想可概括为： 1．每个模式分别存储在一个或多个由连接组成的经过每个神经元一次的单向环路（称“模式环”）中； 2．用“连接状态”和“禁止路径”取代连接权重，前者用于表示被存储模式的信息，后者用于阻止信号通过存储假模式的模式环，以使假模式不会被回忆出来； 3．神经元的输入、输出均为一组主要由神经元编号构成的序列； 4．神经元只进行逻辑运算和整数加法运算． 本文主要工作如下： 1．介绍了人工联想记忆神经网络的研究现状； 2．提出一种新型自联想记忆神经网络，存储容量接近2N（模拟结果），可完全消除假模式、具有多模式回忆能力和较高的记忆效率、记忆的可靠性高； 3．提出一种新型双向联想记忆神经网络，除了具有类似于上述新型自联想记忆神经网络的联想记忆优点外，存储容量为22N量级（模拟结果），并且具有三种联想方式； 4．直接推广上述两种联想记忆神经网络，提出了一种二级模式结构的联想记