摘要：联想记忆是一种描述生物学习和遗忘过程的重要机制,对构建神经形态计算系统和模拟类脑功能有重要的意义,设计并实现联想记忆电路成为人工神经网络领域内的研究热点。巴甫洛夫条件反射实验作为联想记忆的经典案例之一,其硬件电路的实现方案仍然存在电路设计复杂、功能不完善以及过程描述不清晰等问题。基于此,该文融合经典的条件反射理论和纳米科学技术,提出一种基于忆阻的全功能巴甫洛夫联想记忆电路。首先,基于水热合成法和磁控溅射法制备了Ag/TiO_(x)nanobelt/Ti结构的忆阻器,通过电化学工作站、四探针测试台和透射电子显微镜联合完成相应的性能测试;接着,利用测试得到的电化学数据,构建了Ag/TiO_(x)nanobelt/Ti忆阻器的数学模型和SPICE电路模型,并通过客观评价验证模型的精确度;进一步,基于提出的Ag/TiO_(x)nanobelt/Ti忆阻器模型,设计了一种全功能巴甫洛夫联想记忆电路,通过电路描述和功能分析,论述了该电路能够正确模拟巴甫洛夫实验中2类学习过程和3类遗忘过程;最后,通过一系列计算机仿真和分析,验证了所提方案的正确性和有效性。

摘要：忆阻因具有阻值可调、记忆特性以及纳米尺寸等特点,非常适合作为实现神经网络突触的电子元器件。为构建出更加符合真实物理忆阻器特性的忆阻器模型,该文在现有忆阻器模型的基础之上,克服了边界锁定、正负电压调整速率问题以及电路结构通用性问题,提出一种改进忆阻器模型。然后结合Pavlov联想记忆实验和Hopfield神经网络理论设计出了该文的字符联想记忆电路。电路结构主要有输入信号模块、突触阵列模块、激活函数模块以及反馈控制模块。该电路可以解决因传统阵列模块使用电阻作为突触模块的灵活性问题,而且还可以实现对3阶字符模糊图像的自联想功能。此外,该电路与深度学习相关的卷积计算模块原理类似,为实现基于忆阻的智能硬件奠定了理论基础。

摘要：联想记忆的综合问题是目前没有很好解决的难题.文中用作者提出的通用前馈网络和排序学习算法,提出了一种设计具有期望容错域的前向掩蔽联想记忆模型的方法.该方法一般性地解决了信息空间上联想记忆的综合难题,使设计出的联想记忆模型具有任意期望的记忆样本容错域.

摘要：对复杂产品的功能需求进行可计算的 0-1 向量表示,以及通过 Hopfield 神经网络的联想记忆功能,实现了产品概念设计过程中的联想记忆。避免了对图像检索的庞大计算量以及建立知识推理库的复杂过程。并且对 Hopfield 神经网络实现联想记忆的算法进行了改进,最后以液压泵的需求选型为例对此算法进行了验证,计算结果表明此算法能够较好地实现联想记忆过程。

摘要：对交替投影神经网络(APNN)的连接权矩阵进行修改,将其应用范围从实数域拓展到复数域,从而得到一种新的神经网络——扩展交替投影神经网络(Extended Alternating Projecfion Neural Networks).对EAPNN网络进行深入研究后,给出了网络稳态值的通用数学表达式,并从表达式中推出了网络具备联想记忆功能的充分必要条件.最后设计仿真实验对文中的理论分析结果进行了验证.

摘要：提出并用软件实现了一种时变容错域的感知联想记忆模型.该模型有以下特点:(1)模拟了大脑联想记忆的容错域随时间变化的特点.模型可以根据记忆样本的重要性,为记忆样本在不同时间设计适当的容错域;(2)实现了n维到m维空间的无穷值模式非线性联想,而且该模型的样本容错域充满整个实空间Rn,模型没有伪吸引子;(3)联想记忆速度快.

摘要：针对传统单词记忆软件因缺乏语境与单词关联造成的学习效率低下问题,文章采用Pytorch深度学习框架,基于神经网络构建词嵌入模型进行单词联想记忆系统设计。在待学习的英语语料上训练模型并生成词嵌入向量,计算英文单词之间的相似度,通过相似度进行单词关联分析。使用SpringBoot构建后端系统,使用VUE技术构建前端页面,设计并实现单词联想记忆系统。系统依据学习进度,将关联单词及其相应语境图片进行可视化展示,达到单词联想记忆的效果,从而提升单词的记忆效率。

摘要：基于联想记忆各记忆模式的吸收域之间的应保持大小平衡的思想，提出了设计Ｈｏｐｆｉｅｌｄ联想记忆网络的极大极小准则，即设计出的对称连接权阵应使得网络最小的记忆模式吸收域达到最大，首选提出了一种快速算法；再发展了一个启发性迭代学习算法，称为约束感知器学习算法，大量实验结果表明了本文学习算法的优越性。

摘要：针对传统Hopfield神经网络在联想记忆中存在的大量伪状态,设计出一种以非线性内电位函数构造为核心的抗伪状态方案,以取代传统的Hebb规则及其外积法,建立了一种抗伪状态的联想记忆网络(ASS-SSNN),并通过吸引域的变化研究抗伪状态方案的正确性和有效性。仿真结果表明:ASS-SSNN比采用传统Hebb规则及其外积法的Hopfield联想记忆网络(HNN)在容错性上更优,记忆状态的吸引域明显增大,存储容量也有所增加。

摘要：针对训练自适应联想记忆细胞神经网络(AM-CNN)过程收敛慢,设计出的网络抗噪性能不高的特点,通过融合蚁群优化算法和粒子群算法的思想,提出以目标网络对噪声模式的输出误差为目标函数,在目标函数的一个阈值分成的两个区间内,分别采取局部搜索和全局搜索策略,训练出AM-CNN的克隆模板的设计方法。数字模拟表明,与以往的设计方法相比,该算法能在细胞神经网络4～6次的迭代过程中稳定输出期望模式,收敛速度更快,设计出的AM-CNN性能比较稳定,并对噪声鲁棒,对高斯噪声N(0,0.8)准确率达到90%左右。