首页> 中文学位 >复形态联想记忆神经网络及最小平方形态联想记忆模型的研究与实现
【6h】

复形态联想记忆神经网络及最小平方形态联想记忆模型的研究与实现

代理获取

目录

文摘

英文文摘

第一章绪论

第二章复形态模型的数学基础

2.1引言

2.2复数格和复数环

2.3复数环的性质和运算

2.4复数环上的矩阵运算

第三章复形态联想记忆的理论基础

3.1引言

3.2复形态神经元的激励规则

3.3复形态联想记忆的性质

第四章复形态自联想记忆模型

4.1复形态自联想记忆模型的构造

4.2复形态自联想记忆模型的性能分析

4.3复形态自联想记忆模型的计算机模拟实验结果

第五章最小平方形态联想记忆模型

5.1最小平方的形态联想记忆模型的理论基础

5.2最小平方形态联想记忆的学习算法

5.3 LSMAM和MAM的实验比较

5.3.1 LSMAM和MAM的文字识别比较

5.3.2 LSMAM和MAM随机实验比较

第六章结论和展望

6.1总结

6.2展望

致 谢

在学期间的研究成果

参考文献

展开▼

摘要

该文将MAM模型从两个方面作了推广:一方面,由于在目前的信号、图象处理等领域 中存在着大量的复信号需要处理,MAM模型无法直接处理这些复信号,所以有必要将MAM模型推广为复形态联想记忆(CMAM)模型.因复数之间不存在直接的大小关系,故该文首先定义了复域上的偏序关系,由此作出复数格,进而构成环,然后将MAM模型推广至此复数环上,得 到复形态联想记忆(CMAM)模型,接着指出CMAM的性质,作出性能分析,并进行方案识别计算机模拟实验,从而论证了该推广的可行性.另一方面,MAM模型对混合噪声模式识别的困难 ,且其本身的网络权值边接矩阵并非是最优的,故可利用Delta规则对MAM网络权值矩阵进行优化,从而建立起最小平方形态联想记忆模型(LSMAM),实验结果分析表明,优化后的权值 矩阵可以用以识别混合噪声模式.

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号