BAM容量,容错性等关键点.doc

《BAM容量,容错性等关键点.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、综上所述，HopfieldAM模型更多的在于其指导意义，尤其是分析方法上。针对HopfieldAM模型的上述缺陷，国内外众学者主要把对以联想记忆网络改进的研究精力主要放在以下三个方面:(l)使联想记忆网络有较大的记忆容量;(2)网络联想记忆具有较好的容错性，即吸引子要有一定的吸引域，同时减少伪状态的数量;(3)改变网络的拓扑结构，即神经元之间的互联方式，在完成记忆联想功能的同时减少神经元之间的连接数。由此可以看到，前两项都可以归结为学习算法的研究，它是实现联想记忆功能的关键所在。学习算法在过去几年里一直是一个热点，得到了广泛而系统的研究

2、。然而于一个好的联想记忆模型不仅其学习算法要易实现，硬件实现也十分关键。遗憾的是，到目前为止的文献中，鲜有讨论网络神经元间的有效连接问题。部分原因在于，用计算机模拟网络的过程中，过分追求最终计算结果，忽视了网络实现时的连接代价和复杂度。稀疏互联信息的引入有利于网络联想记忆性能的提高。但是:网络的稀疏互联结构信息的引入对于以相关学习Hebb规则作为权重学习算法的网络模型而言，无益于网络整体联想记忆性能(用M/N衡量)的增强。:如若要直接利用网络结构稀疏互联信息以期提高网络性能，则必须摒弃Hebb规则学习算法而设计开发新的权重学习算法。其中

3、，建立给定约束的Hopfield网络，使用线性规划和遗传算法通过求解不等式组来解决网络连接稀疏问题可以是一种尝试。为了提高BAM网的存储容量和容错能力，人们对BAM网提出了多种改进算法和改进的网络结构，如多重训练法，快速增强法，自适应BAM网络，竞争BAM网等。在相同连接度的情况下，小世界网络兼具了规则互连网络较大的聚类系数和随机互连网络较小的平均路径长度，是这两种网络的结合，因而可以很好的描述了从完全规则网络向完全随机网络的过渡。