1) auto-associative neural network
自联想记忆神经网络
1.
Nevertheless,the current novelty detection method-auto-associative neural network method may give faulty informations in detection,when the used training and testing data are non-normal distribution or polluted by different noise levels.
然而 ,目前采用的新奇检测方法—自联想记忆神经网络方法 ,当所用的测试数据具有不同噪声水平或为非正态分布时 ,可能会得出错误的结果。
2) bi-directional associative memory neural networks
双向联想记忆神经网络
1.
Stability analysis of uncertain bi-directional associative memory neural networks with variable delays;
不确定双向联想记忆神经网络的稳定性分析
3) bidirectional associate memory neural network
双向联想记忆神经网络
1.
Global attractivity and global exponential stability for delayed bidirectional associate memory neural networks;
含时滞的双向联想记忆神经网络的全局吸引性和全局指数稳定性
4) associative memory neural network identification
联想记忆神经网络辨识
5) associative memory neural network
联想记忆神经网络
1.
Exponential stability of associative memory neural networks with delays, in which there are more equilibria corresponding to different modes, is discussed by employing the inequality techniques and the properties of nonnegative matrices.
采用不等式技巧和非负矩阵性质 ,给出了含时延的联想记忆神经网络平衡点的指数吸引域和指数收敛速度估计以及指数稳定的一些判断条件 。
2.
With the research development of associative memory neural network,now the research hot point is the application problem of associative memory neural network.
联想记忆神经网络经过多年的研究，目前的研究热点是联想记忆网络的应用研究问题。
6) bidirectional associative memory neural networks
双向联想记忆神经网络
1.
Global stability of bidirectional associative memory neural networks with delays;
时滞双向联想记忆神经网络的全局稳定性
2.
Using the coincidence degree theory, exponential dichotomy theory and the Lyapunov functional method, we discuss the global exponential stability as well as the existence of periodic solution and almost periodic solution to the delayed bidirectional associative memory neural networks, and we obtain a series of new results.
本文利用迭合度理论，指数二分性理论，Lyapunov泛函方法，并结合某些分析技术，讨论了时滞双向联想记忆神经网络的全局指数稳定性，周期解与概周期解的存在性及其指数稳定性等问题，获得了一系列新的结果，改进和推广了一些相关结论。
补充资料：联想记忆
联想记忆
associative memory
1 ianxiang]iyl联想记忆(~istive memo灯)一种记忆系统，在这种系统中，一个输人能特定地唤起所联想的响应。人脑的记忆就是以联想的方式工作的。联想记忆的作用可由图1表示，它执行一种由输人向量X联想映射为输出向量V的变换，即 V=M[X]，X任R.，V任R功(1)┌─┐│M │└─┘X一〔xlx:…x.了V~〔。，。:…。.〕T 图1联想记忆框图算子M表示一般的非线性矩阵型算子。随记忆模型不同而有不同的形式。M的初值通常由给定的待存储的原型向量(样本)表达。M的值应满足如下条件:输人向量X后，输出是所存向量中与X最近的向量(或它应联想的向量)。计算M的算法称为记录或学习算法。而由一个包含部分输人信息的向量X通过式(l)进行的映射称为恢复或回忆。假定有P个如下的联想的存储向量对 x，~v、i=1，2，…，P(2)且v、护x，，则网络称为异联想记忆，若v*二x，，则称为自联想记忆。 与通常的计算机中按地址存储信息的方式不同，联想记忆是把信息分布存储在算子M(在神经网络中对应于连接权矩阵)中。可以直接由信息的内容去回忆它，因而是一种按内容存储方式。 按回忆方式不同可把联想记忆网络分为静态记忆和动态记忆网络。前者执行的是一种对输人的前向映射。动态网络的记忆过程是输人和输出的交互反馈作用。网络经演变收敛于一个平衡点(一般是网络的不动点吸引子)，就是回忆的结果。由于动态网络有较好的容错性，所以是目前最常用的一种，常见的动态记忆网络是场叩neld神经网络模型(用于自联想记忆)和K仍ko的双向联想记忆模型(用于异联想记忆)。 从应用观点看，对联想记忆的主要要求一是希望它能存的样本多，即容量大，二是每个样本有较大的容错性，这样才能从不完整的或畸变了的样本恢复它的原型。增大网络规模对上述两个性能是有好处的，但这样做降低了资源利用率，因而通常用允许存储的样本数与网络中神经元总数的比值来表示容量。对给定的网络来说，提高容量与增强容错性往往是矛盾的，研究更好的学习算法和网络结构以达到较大容量并同时保证高的容错能力是很重要的课题。 联想记忆在模式识别、图象恢复、智能控制、优化计算以及光学信息处理等领域有很广泛的应用前景，因而在人工神经网络和人工智能研究中都占有很重要的地位。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条