专利名称：一种基于迟滞神经网络的联想记忆方法
技术领域：
本发明属于人工智能与神经网络领域，涉及一种基于迟滞神经网络的联想记忆， 特别涉及一种利用迟滞非线性的记忆特性实现联想记忆的方法。
背景技术：
联想记忆一直是人工智能与神经网络领域的重要研究内容。在图像处理、目标识 别、模式识别等系统中有着重要的应用价值。基于HelA规则的Hopfield神经网络是求解 联想记忆问题的主要网络。由于Hopfield神经网络采用梯度寻优，容易陷入局部极小，全 局寻优能力不强，联想结果经常出现伪模式而导致联想失败，从而使得联想成功率不高。在Hopfield网络的基础上，通过引入自反馈连接可构造暂态混沌神经网络，并可 用于求解联想记忆问题。该网络在工作初期处于混沌状态，增强了遍历寻优能力，故该网络 的全局寻优性能优于Hopfield神经网络，其联想成功率可得到一定的改善。但该网络在工 作后期会蜕变为普通的Hopfield网络，联想记忆机制的本质未发生变化，因此联想成功率 提高的效果有限。因此，从结构上改变网络的性能，提高网络自身的记忆能力，从而设计一种新型的 联想记忆网络具有重要的应用价值。
发明内容
本发明所要解决的技术问题是，设计一种基于迟滞神经网络的联想记忆方法，能 够实现高成功率的联想记忆。本发明所采用的技术方案是一种基于迟滞神经网络的联想记忆方法，以 Hopfield神经网络为基础，利用迟滞激励函数代替传统激励函数，构造具有迟滞特性的神 经网络模型。由于迟滞特性具有一定的记忆特性，可使网络在联想记忆过程中减少神经元 状态错误改变的概率，从而提高网络的联想成功率。本发明的目的在于提出一种基于迟滞神经网络的联想记忆方法，通过在神经网络 中引入迟滞激励函数的方法构造迟滞神经网络，利用网络的迟滞记忆特性提高网络的存储 记忆能力，提高网络的联想成功率。
具体实施例方式下面结合实施例对本发明作进一步详细说明。传统的神经网络采用基于HelA学习规则的Hopfield网络实现二值模式的联想记 忆功能。该模型可表述为v,(/-M) = /(M,(/)) ^ , ,、Λ(1)
-1. U1(I) < O
U
(I) = YiWiiVj(I)(2)
其中Vi(t)表示第i个神经元t时刻的输出状态，Ui (t)表示第i个神经元t时刻 的内部输入状态，Wij为第i个神经元与第j个神经元之间的连接权值。设网络有M个存储
模式 Xi = [X11, X2
，Xn1], 1 = 1,2, ... ,M0按照HelDb学习规则设计网络权值为
权利要求
1.一种基于迟滞神经网络的联想记忆方法，其特征在于在Hopfield神经网络模型的 基础上，通过将传统激励函数改为迟滞激励函数的方法将迟滞特性引入到神经网络中，构 造出迟滞特性神经网络。
2.根据权利要求1所述的基于迟滞神经网络的联想记忆方法，其特征在于，迟滞激励 函数具有两个迟滞参数，通过调节迟滞特性参数可改变网络的迟滞特性。
3.根据权利要求1所述的基于迟滞神经网络的联想记忆方法，其特征在于，根据存储 模式的数据类型，迟滞激励函数可选为单极性函数或双极性的激励函数。
4.根据权利要求1所述的基于迟滞神经网络的联想记忆方法，其特征在于，利用迟滞 特性对神经元原状态的保持特性，可减少神经元状态错误反转率，从而提高网络的联想成 功率。
全文摘要
本发明属于人工智能与神经网络领域，具体为一种基于迟滞神经网络的联想记忆方法。通过将Hopfield神经网络中的激励函数改为迟滞激励函数的方法在神经网络中引入迟滞特性，从而构造出迟滞神经网络。迟滞特性可通过调节激励函数的迟滞参数进行控制。利用迟滞特性对神经元原状态的保持特性减少神经元在联想过程中状态的错误反转率，从而提高神经网络联想记忆成功率。本发明主要用于基于联想记忆的模式识别领域中。
文档编号G06N3/02GK102073908SQ20101057371
公开日2011年5月25日 申请日期2010年12月3日 优先权日2010年12月3日
发明者修春波 申请人:天津工业大学