联想记忆(AM)是人脑极其重要的功能之一,是逻辑思维和形象思维、推理和创新的源泉。因此,试图通过对其某些简单功能的模拟或模仿给当前的机器赋予类似人脑的简单功能,一直是人们追求的目标。经过二十多年的研究,AM神经网络已经发展成为一类重要的人工神经网络,并已被广泛地应用于优化计算、纠错编码、数据压缩和模式识别等领域。本文紧紧围绕AM研究的两个核心─学习算法与体系结构对联想记忆模型展开改进研究。借助机器学习领域中流行的核技巧和现实社会中普遍存在的小世界网络,提出了相应的AM改进模型,并将其应用于人脸识别、手写体识别问题。本文的创造性研究成果主要有:(1)提出了模糊形态学联想记忆(FMAM)模型。FMAM具有与经典联想记忆和模糊联想记忆完全不同的特性。它不仅保持了MAM抗腐蚀/膨胀噪声的优点,而且自联想FMAM具有无限存储容量,能保证完全回忆,且回忆在一步内完成。并且给出了上述特性的定理证明。此外,FMAM还可以模糊性解释。通过与模糊联想记忆(FAM)的比较揭示出在特定条件下,FMAM可视作FAM的一种新的编码方式。(2)借助当前普遍使用的核方法,针对FMAM和MAM对混合噪声极其敏感的缺点进行了改进,提出了基于经验核映射的增强型FMAM(EFMAM)。EFMAM的实质是在不改变原始FMAM结构和编码策略的前提下,借助经验核映射,将原始输入空间中的模式映射到由训练模式张成的相似度空间中,从而达到双重抗噪性(一是由于经验核映射的引入,二是自联想FMAM本身的抗噪性)的目的。因此,它不仅继承了自联想FMAM的良好特性,而且解决了混合噪声问题,拓宽了FMAM的应用领域。实验结果表明,在相同程度的混合噪声下,EFMAM的识别准确率要比自联想FMAM的高得多。(3)针对EFMAM由于网络规模过大可能导致的硬件实现困难进行进一步改进,提出了经济型EFMAM(E2FMAM)。通过定义经验核映射向量的经济化准则,并借助遗传算法优化该准则,使需存储的经验核映射向量的维数得到了大幅度约简,从而缩小了EFMAM的网络规模,方便了硬件实现。虽然只是对原始EFMAM的训练过程添加了如此简单的一步,但是效果显著。不仅节约了存储空间和至少一半的计算时间,而且在不同类型噪声和不同丢块方式下,保持了与未经济化EFMAM相当的识别性能。此外,E2FMAM对图像尺寸的不敏感性为我们处理大尺寸图像识别问题带来了极大的方便。