论文部分内容阅读
联想记忆的实现一直是人工神经元网络研究的方向之一,其中一个重点就是实现多对多联想记忆。多对多联想记忆的核心是如何实现一对多联想记忆,也即是如何识别记忆模式中的公共项。针对这一关键问题,在他人研究的基础上,本文提出了基于模式关联的一对多联想记忆模型并讨论了新模型在实现一对多联想中的联想记忆特性。本文内容主要涉及以下三方面的创新工作:1构造了一个基于模式关联的一对多联想记忆模型。本文首先分析了现有的一对多和多对多联想记忆模型及其联想记忆特性;在经典离散Kosko二极型神经元网络中引入了待存储的记忆模式中各分项间的位置关联信息,实现了利川相对简单的BAM组成多模块结构进行一对多联想记忆。2在理论上保证了新模型对存储的记忆模式可以正确回忆。由于现有的一对多和多对多联想记忆模型自身的局限,都没能在理论上保证模型可以正确回忆已经存储的记忆模式。由于引入了记忆模式分项间的关联信息,使得新模型的正确回忆能力理论上得到保证,在一定程度上避免了离散Kosko二极型神经元网络所面临的所谓“连续性假设”的限制,提高了新模型的实用性。3分析了新模型的增殖能力。神经元网络结构的动态调整和增殖学习是神经元网络的研究发展方向。对于经典的二极型神经元网络而言是不具有增殖能力的。但本文提出的基于模式关联的一对多联想记忆模型,通过增加网络的神经元,扩大了模型的记忆信息,同时不会遗忘已记忆的信息,具有了一定的增殖能力。本文的研究工作为基于经典神经元网络的一对多联想记忆以及多对多联想记忆的实现进行了有益的尝试。利用结构简单的模型实现一对多联想记忆对于工程实践具有积极的意义。