基于模式关联的一对多联想记忆模型研究

论文摘要

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。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 论文研究背景
• 1.3 联想记忆模型的研究现状和进展
• 1.3.1 联想记忆模型的一般构成和类型
• 1.3.2 联想记忆模型的研究领域
• 1.4 论文的意义和创新
• 1.4.1 论文的主要意义
• 1.4.2 论文的创新点
• 1.5 论文的结构
• 第2章 模式关联编码原理
• 2.1 引言
• 2.2 模式关联编码机制
• 2.3 本章小结
• 第3章 双向联想记忆模型的基本结构及理论
• 3.1 引言
• 3.2 离散Kosko二极型神经元网络模型
• 3.3 学习与回忆阶段
• 3.3.1 学习阶段
• 3.3.2 回忆阶段
• 3.4 BAM的稳定性分析
• 3.5 本章小结
• 第4章 一对多联想记忆中的公共项识别问题
• 4.1 引言
• 4.2 现有的解决方案
• 4.2.1 基于混沌神经元网络的联想记忆模型（CAM）的解决方案
• 4.2.2 基于经典离散神经元网络的多模块模型
• 4.2.3 基于小世界体系的多对多核联想记忆模型
• 4.3 本章小结
• 第5章 基于模式关联的一对多联想记忆模型
• 5.1 引言
• 5.2 模型的结构
• 5.3 模型底层BAM的设计
• 5.3.1 BAM的功能分析
• 5.3.2 BAM的构建
• 5.4 基于模式关联的一对多联想记忆模型一对多联想过程
• 5.4.1 对零向量输入问题的分析
• 5.4.2 一对多联想记忆过程描述
• 5.4.3 仿真实验及分析
• 5.5 基于模式关联的一对多联想记忆模型稳定性证明
• 5.6 模型的容量分析
• 5.7 模型的容错能力分析
• 5.7.1 理论分析
• 5.7.2 仿真实验
• 5.8 模型的增殖学习能力分析
• 5.8.1 引言
• 5.8.2 基于模式关联的一对多联想记忆模型的知识增殖能力分析
• 5.8.3 仿真实验
• 5.9 本章小结
• 第6章 小结与展望
• 6.1 小结
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间的科研成果