1) bilateral associative memory neuron network
双向联想神经网络
1.
This paper explores how to distinguish self-defined character graph by means bilateral associative memory neuron network of artificial intelligence principle, gives a practical example of program by using Visual Foxpro 6.
阐述了采用计算机人工智能原理的双向联想神经网络进行自定义字符图形识别的方法和技术实现的方式 ,给出采用 Visual,Foxpro数据库管理系统程序实现的实例 ,讨论影响双向联想神经网络系统识别准确率的因
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) 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。
5) delayed bidirectional associative memory neural networks(DBAM neural networks)
双向联想神经网络(BAM神经网络)
6) bi-directional associative memory cellular neural networks
双向联想记忆细胞神经网络
1.
The global exponential stability of bi-directional associative memory cellular neural networks with time delay is investigated by the use of topological degree,the extended Halanay s matrix delay differential inequality,the Lyapunov functional method,and Dini s derivative(See [13]).
文献[9]利用拓扑度理论、推广的Halanaly矩阵时滞微分不等式、Lyapunov原理以及Dini导数,研究了具有时滞的双向联想记忆细胞神经网络模型的全局指数稳定性。
补充资料：Hopfield神经网络模型
Hopfield神经网络模型
Hopfield neural network model
收敛于稳定状态或Han加Ing距离小于2的极限环。 上述结论保证了神经网络并行计算的收敛性。 连续氏pfield神经网络中，各个神经元状态取值是连续的，由于离散H6pfield神经网络中的神经元与生物神经元的主要差异是:①生物神经元的I/O关系是连续的;②生物神经元由于存在时延，因此其动力学行为必须由非线性微分方程来描述。为此，在1984年J.J.H叩fi酗提出了连续氏pfield神经网络，它可用图1所示的电路实现，其动态方程┌───┐│·T叮 │└───┘图1连续F砧pfield神经网络 (a)Sigmoid非线性;(b)神经元模型可由下述微分方程式描述: 、，产 门J /r、l、1.。瓮一客、一佘Ii认=f(u￡)￡=l，2，…，n式中f(·)为连续可微的Sign101d函数;T，j=兀、i，j=1，2，“’，n几=0]=i1~.吞~·‘八文一Q*+，戮T，j‘一‘，2，”一”连续时间氏pfield神经网络式的计算能量函数定义为:一告客客几从砚 石l「Vi_1，、，合，，， +乞古!‘厂‘(x)dx一乙I，从(4) ’月R‘Jo“‘、一’一月一，” 对于式(3)，若f一‘为单调增且连续，C>0，T，j=几(i，j=1，2，一，n)，则沿系统的运动轨道有dE一。-丁丁足之Uat当且仅当贷一。时 箭一。式(3)的稳定平衡点就是能量函数E〔式(4)」的极小点，反之亦然。同时，连续氏pfield神经网络式(3)以大规模非线性连续时间并行方式处理信息。网络的稳定平衡点对应于其计算能量函数E的极小点，网络的计算时间就是它到达稳定的时间，网络的计算在系统趋于稳态的过程中也就完成了。这也是式(3)用于神经计算及联想记忆的基本原理，也即神经计算机的基本原理。HoPfield shenling wangluo moxingHopfield神经网络模型(Hopfieldne，Ine幻即0比m侧触l)一种单层全反馈的人工神经网络模型(后称之为氏p玉idd模型)，它对推动人工神经网络研究的复苏起了很重要的作用。 且，lield对人工神经网络研究的贡献主要有: (l)把有反馈的神经网络看作一个非线性动力系统，提出了系统的全局Lyap阴lov函数(或称能量函数)的概念，用于系统稳定性的分析; (2)利用上述分析方法解决人工智能中的组合优化问题，如15护;(3)给出了利用模拟电子线路实现的连续Hopfidd网络的电路模型，为进一步研究神经计算机创造了条件。
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