联想记忆人工神经网络的发展及研究现状
人工神经网络发展综述
人工神经网络发展综述人工神经网络发展综述1 绪论人工神经网络(Artificial Neural Network, ANN)是由大量处理单元互联组成的非线性、自适应信息处理系统。
它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。
ANN 通过模仿人类大脑的结构和功能，并借鉴生物神经科学的研究成果，实现对信息的处理，是一种新兴的交叉学科，不但推动了智能化计算的应用和发展，同时也为信息科学和神经生物学的研究方法带来革命性的变化，现已成功应用于脑科学，认知科学，模式识别，智能控制，计算机科学等多个领域。
在实际应用中，人工神经网络的选取通常包括适当的神经网络模型，合理的网络结构及快速有效的网络参数训练算法。
而针对某一特定网络模型，ANN的研究主要集中在结构的调整和训练算法的改进两个方面。
所谓神经网络训练，也就是网络参数的学习和调整，是一个反复调节节点之间权值和阈值的过程,其学习可以分成三类,即有监督学习,无监督学习和强化学习，本文基于有监督和无监督学习进行分类，分别分析了前馈神经网络的特点及研究现状、递归神经网络的特点及研究现状。
2 前馈神经网络2.1 前馈神经网络的特点前馈神经网络的主要种类包括：感知器，线性神经网络，BP 网络，径向基网络(RBF)等。
其训练算法主要采用梯度下降法，包括：误差反向传播算法，改进的BP算法，Levenberg -Marquardt 法(LM)等。
前馈神经网络具有学习简单，收敛较快等优点，因此在实际应用中，一般选取三层或以上的网络结构，神经网络的任意逼近定理指出，训练合适的多层前馈神经网络能够以任意精度逼近任意连续函数。
当网络结构已知的情况下，训练前馈神经网络的本质就是确定最优权值和阈值的方法，前馈神经网络的训练方式一般采用网络理想输出和实际输出的误差作为权值调整信号，解空间一般是多峰函数，由于训练过程中很容易陷入局部极小，因此网络的训练目标就是求解一组最优的权值，使误差达到最小。
人工神经网络研究现状及其展望
收稿日期 :2003 - 06 - 03 ; 修订日期 :2003 - 09 - 04. 基金项目 : 安徽省教委自然科学基金项目 (2002KJ044) 资助课题 ,江南大学自然科学基金项目 (0002133) 资助课题. 作者简介 : 朱大奇 (1964 - ) ,男 ,安徽枞阳人 ,工学博士 ,教授. 主要从事故障诊断 ,神经网络 ,计算机测控的研究.
人工神经网络研究现状及其展望
朱大奇
(江南大学 通信与控制工程学院 , 江苏 无锡 214036)
摘 要 : 回顾了神经网络理论发展的历史和现状 。在此基础上 ,介绍并讨论了 20 世纪 90 年代神经网
络研究的一些新进展。根据神经网络研究的特点 ,对人工神经网络今后的发展前景作了一定的评述 ,
人工神经网络的研究与发展必将对现代科学技术产生深远的影响.
104
江 南 大 学 学 报 (自 然 科 学 版)
第3卷
能的信息处理系统[1] . 作为一门活跃的边缘性交叉学科 ,神经网络的研
究与应用正成为人工智能 、认识科学 、神经生理学 、 非线性动力学等相关专业的热点. 近十几年来 ,针对 神经网络的学术研究非常活跃 ,且提出上百种的神经 网络模型 ,涉及模式识别、联想记忆、信号处理、自动 控制 、组合优化 、故障诊断及计算机视觉等众多方 面 ,取得了引人注目的进展.
第 1 期
朱大奇 :人工神经网络研究现状及其展望
105
处理二值的输入 ,ART2 比 ART1 复杂并且能处理连 续型输入. ART3 网络纳入了生物神经元的生物电2化 学反应机制 ,其结构更接近人脑的工作过程.
1972 年 ,有两位学者分别在欧洲和美洲发表了 类似的神经网络开发结果. 一位是芬兰的 Kohonen T 教授 , 提 出 了 自 组 织 神 经 网 络 SOM ( Self2Organizing feature map) ;另一位是美国的神经生理学家和心理学 家 Anderson J ,提出了一个类似的神经网络 ,称为“交 互存储器”. 后来的神经网络主要是根据 Kohonen T 的 工作来实现的[12] . SOM 网络是一类无导师学习网络 , 主要用于模式识别、语音识别及分类问题. 它采用一 种“胜者为王”的竞争学习算法 ,与先前提出的感知器 有很大的不同 ,同时它的学习训练方式是无指导训 练 ,是一种自组织网络. 这种学习训练方式往往是在 不知道有那些分类类型存在时 ,用作提取分类信息的 一种训练.
神经网络的现状与发展趋势
神经网络的现状与发展趋势一、引言人工神经网络（Artificial Neural Network, ANN）是一种通过模拟人类神经系统实现信息处理、表达和识别的计算模型。
自 1943 年 McCulloch 和 Pitts 提出 ANNs 模型以来，神经网络成为了人工智能领域研究的热点之一，并在计算机视觉、语音识别、自然语言处理、数据挖掘、模式识别等方面取得了卓越成果。
随着技术和应用的不断深入，神经网络技术也在不断发展和成熟。
本文将阐述神经网络的现状与发展趋势。
二、神经网络的现状1.神经网络应用领域广泛神经网络现在应用在各个领域中，包括医疗、金融、保险、制造业、游戏等。
在医疗领域中，神经网络广泛应用于癌症筛查、药物研发、疾病预测等方面；在金融领域中，神经网络被用于股票价格预测、风险评估、欺诈检测等方面；在游戏领域中，神经网络被广泛用于图像处理、行为预测等方面。
神经网络在这些领域中具有较高的精度和灵活性，成为了人工智能技术中不可或缺的一部分。
2.深度学习技术的广泛应用深度学习作为神经网络技术的分支之一，逐渐成为了人工智能应用的主流。
深度学习通过多个隐层来逐步提取数据的高层次特征，大幅度提高了模型的准确性和鲁棒性。
目前，深度学习模型已经迅速应用于语音识别、机器翻译、自然语言处理、图像、视频等多个领域中。
深度学习的发展极大地促进了人工智能技术的研究和应用。
3.大数据技术的支持大数据技术是神经网络技术得以快速发展和应用的重要因素。
神经网络需要大量的数据进行训练和调整，而大数据时代的到来使得海量数据的存储和挖掘变得更加容易。
此外，人工智能应用也逐渐从精准分析转向预测和决策，并需要从大规模数据中发现规律和趋势。
大数据技术在神经网络技术的发展和应用中发挥了重要的作用。
三、神经网络的发展趋势1.自适应神经网络的发展传统的神经网络技术需要大量的人工调试和参数设置，而自适应神经网络技术可以根据自身的表现动态调整参数，自我进化。
人工神经网络概述特点和架构分析及现状及市场发展情况
人工神经网络是由大量的基本元件-神经元相互连接而成的自适应非线性
动态系统，每个神经元的结构和功能比较简单，但大量神经元组合产生的系统 行为却非常复杂ቤተ መጻሕፍቲ ባይዱ人工神经网络的基本结构模仿人脑，能够适应环境、总结规 律、完成运算、识别和过程控制。
LOGO 创亚咨询
Page 3
人工神经网络概念
神经网络是一种运算模型，由大量的
LOGO 创亚咨询
人工神经网络特点
增加更多的层次的意义在于更深入的表示特征，以及获得更强的函数模 拟能力。更深入的表示特征可以理解为，随着网络的层数增加，每一层 对于前一层次的抽象表示更深入。更强的函数模拟能力是由于随着层数 的增加，整个网络的参数就越多，而神经网络本质就是模拟特征与目标 之间的真实关系函数的方法，更多的参数意味着其模拟的函数可以更加 的复杂，可以有更多的容量（capcity）去拟合真正的关系。
LOGO 创亚咨询
人工神经网络特点
模型举例： a. 单层神经网络 1958年，计算科学家Rosenblatt提出了由两 层神经元组成的神经网络，并命名--“感知器 ”（Perceptron）。感知器是当时首个可以 学习的人工神经网络，其结构为在原来MP模 型的“输入”位臵添加神经元节点，标志其 为“输入单元”，其余不变，在“感知器” 中，有两个层次，分别是输入层和输出层， 输入层里的“输入单元”只负责传输数据， 不做计算，输出层里的“输出单元”则需要 对前面一层的输入进行计算。这里我们把需 要计算的层次称之为“计算层”，并把拥有 一个计算层的网络称之为“单层神经网络” 。
LOGO 创亚咨询
人工神经网络特点
3、工作方式
神经网络运作过程分为学习和工作两种状态。
节点（神经元）相互联接构成，每个
人工神经网络研究最新进展
人工神经网络研究最新进展人工智能（Artificial Intelligence，AI）的发展已经取得了显著的突破，而人工神经网络作为AI的重要组成部分，正不断地迎来新的进展。
本文将介绍人工神经网络研究的最新进展，包括深度学习、迁移学习、增强学习以及注意力机制等方面。
深度学习是当前人工神经网络研究的热点之一。
深度学习模型以多层神经元组成的神经网络为基础，通过大量的训练数据进行反向传播算法的调整，实现对复杂模式的学习和识别。
最近的研究表明，深度学习算法在机器视觉、自然语言处理以及语音识别等领域取得了显著的成果。
例如，深度卷积神经网络（Deep Convolutional Neural Network，DCNN）在图像识别方面的性能已经超过人类水平。
此外，长短时记忆网络（Long Short-Term Memory，LSTM）等新型网络结构也进一步提高了人工神经网络的学习和推理能力。
迁移学习是另一个备受关注的研究方向。
迁移学习旨在通过将在一个或多个任务上学习到的知识转移到其他相关的任务上，从而加速学习过程和提高模型性能。
最新的研究表明，迁移学习在解决数据稀缺问题、避免重复性训练和优化模型泛化能力方面具有重要意义。
例如，在自然语言处理领域，利用预训练的语言模型进行迁移学习能够显著提升命名实体识别、情感分析等任务的性能。
增强学习则是通过智能体与环境的交互，通过试错的方式来提高策略的性能。
最近的研究表明，增强学习在机器人控制、游戏玩法等领域具有巨大潜力。
例如，AlphaGo程序就是通过增强学习方法在围棋领域战胜了人类的顶级选手。
此外，深度强化学习（Deep Reinforcement Learning，DRL）的引入也进一步扩展了增强学习的应用范围。
最后，注意力机制是近年来在人工神经网络研究中兴起的新领域。
注意力机制模拟了人类在信息处理过程中对重要信息的选择和集中。
最新研究表明，注意力机制在图像生成、机器翻译等任务中能够显著提升模型的性能。
人工神经网络行业现状分析报告
人工神经网络行业现状分析报告人工神经网络行业现状分析报告一、概述人工神经网络（Artificial Neural Networks，简称ANN）是模仿生物神经网络（动物的中枢神经系统，特别是大脑）工作机制的一种计算模型，用于估计或近似函数，这些函数可以依赖于一大量的输入，并且通常是未知的。
在人工智能领域中，人工神经网络是一种重要的技术。
本报告将对人工神经网络行业的现状进行深入分析，包括市场规模、产业链、主要企业、竞争格局和发展趋势等方面。
二、市场规模根据市场研究机构的数据，全球人工神经网络市场规模持续增长，其中中国市场增长迅速。
截至2021年底，中国人工神经网络市场规模达到了数亿元人民币，预计到2025年将达到数十亿元人民币。
这个市场的增长主要得益于人工智能技术的快速发展、应用场景的不断拓展以及资本的持续投入。
三、产业链人工神经网络行业的产业链主要包括硬件、软件和解决方案三个环节。
硬件：人工神经网络的硬件主要包括GPU、FPGA、ASIC等芯片，以及服务器、工作站等计算设备。
这些硬件为人工神经网络的训练和推理提供了强大的计算能力。
软件：人工神经网络的软件主要包括深度学习框架、优化算法、编译器等。
这些软件为人工神经网络的构建、训练和部署提供了支持。
解决方案：人工神经网络的解决方案主要包括智能语音、智能图像、自然语言处理等，可以应用于金融、医疗、教育、安防等行业中。
四、主要企业谷歌：谷歌是全球最大的人工智能企业之一，其子公司DeepMind在人工神经网络领域具有很高的声誉。
DeepMind推出了多款具有里程碑意义的产品，如AlphaGo等。
Facebook：Facebook的人工智能实验室是全球领先的人工智能研究机构之一，其在自然语言处理、图像识别等领域具有很高的技术实力。
亚马逊：亚马逊的人工智能部门利用人工神经网络等技术，优化其产品推荐、客户服务等方面的体验。
百度：百度是中国最大的搜索引擎公司之一，其人工智能实验室在自然语言处理、语音识别、图像识别等领域具有很高的技术实力。
形态学联想记忆网络的研究进展
摘 要： 形态 学联 想 记忆 网络具 有无 限存 储 能 力 、 步 回忆记 忆 、良好 地抵 抗腐 蚀 噪声 或者 膨胀 噪声 的噪声容 限等许 多优 一
点 。 从 形 态 学联 想 记 忆 的概 念 、 本 原 理 、 展 脉 络 、 究新 成 果 、 展 趋 势 和 研 究 方 向 等 多 个 方 面 综 述 了形 态 学 联 想 记 忆 基 发 研 发
ｃｕ ｉｇ ｃ ｎ ｅ ｔ，ｂ ｓｃｐ ｎ ｉ ｌｓ ｄ ｖ ｌｐ ｎ ａ ｋ ｌ ｔ ｎ ｅ ｒ ｓ ａ ｃ ｎ ｉ ｇ ，ｄ ｖ ｌｐ ｎ ｅ ｄ ａ ｄｒ ｓ ａ ｃ ｉ ｃ ｉ ｎｅ ｃ ｔ Ｓ ｌ ｄ ｎ ｏ ｃ ｐ ｓ ａ ｉ ｒ ｃｐ ｅ ， ｅ ｅｏ ｍｅ ｔ ｌ ｅ ｅｏ ，ｎ ｗ ｅ ｒ ｈ ｆ ｄｎ ｓ ｅ ｅｏ ｍｅ ｔ ｒ ｎ ｎ ｅ ｈ ｄ ｒ ｔ ｔ ．Ｉ ｉ ｓ ｅ ｉ ｔ ｅ ｒ ｅ ｏ ’ ｅ ｐ ｃ ｅ ｅｏ ｒ ａ ｅ ｅ ｉ ｔ ｅｒ ｓ ａ ｃ ｎ ｍｏ ｈ ｌ ｇ ｃ ｌ ｓ ｏ ｉｔ ｅｍｅ ｒ ｅ ｏ ｋ ． ｘ ｅ ｔｄ ｔ ｂ ｆ ｅ ｔ ｎ ｆ ｔ ｅ ｅ ｒ ｈ ｏ ｒ ｏ ｏ ｉａ ｓ ｃａ ｉ ｍｏ ｎ ｔ ｒ ｓ ｏ ｇ ｂ ｔｏ ｈ ｐ ａ ｖ ｙ ｗ Ｋｅ ｒ ｓ ｓ ｏ ｉｔｖ ｍｏ ； ｏ ｈ ｌ ｇ ｃ ｌ ｓ ｏ ｉｔ ｅｍｅ ｒ ；ｎ ｕ ａ ｅｗｏ ｋ ； ｅ ｅ ｏ ａ ｓ ｃ ａｉ ｅｍｅ ｒｅ ； ａ ｔｍ ｃ ｇ ｉ ｏ ｙｗｏ ｄ ：ａ ｓ ｃ ａｉ ｅｍｅ ｒ ｍ ｒ ｏ ｏ ｉ ａ ａ ｓ ｃ ａｉ ｍｏ ｙ ｐ ｖ ｙ ｅ ｌ ｔ ｒ ｓ ｈ ｔｒ — ｓ ｏ ｉ ｔ ｍｏ ｉ ｓ ｐ ｔ ｒ ｎ ｖ ｅ ｒ ｏ ｎｔ ｎ ｅ ｉ
人工神经网络的研究现状及发展趋势
人工神经网络的研究现状及发展趋势1人工神经网络的定义2人工神经网络的发展3人工神经网络的优点4人工神经网络的应用5人工神经网络的发展趋势1人工神经网络的定义自从认识到人脑的计算与传统的计算机相比是完全不同的方式开始，关于人工神经网络的研究就开始了。
人工神经网络(ArtfiicialNeuralNewtokr，ANN)至今还没有一个公认权威的定义。
人脑是一个高度复杂的、非线性的和并行的计算机器(信息处理系统)。
神经元是人脑的基本组成部分，一个发展中的神经元是与可塑的人脑同义的。
可塑性允许一个发展中的神经系统适应它周围的环境。
可塑性是人脑中作为信息处理单元的功能的关键，同样它在人工神经元组成的神经网络中也是如此。
最普通形式的神经网络就是对人脑完成特定任务进行建模的机器。
神经网络使用一个很庞大的简单计算单元间的相互连接。
这些简单计算单元称为“神经元”或“处理单元”。
据此给出将神经网络看作一种自适应器的定义:一个神经网络是一个由简单处理单元构成的规模宏大的并行分布处理器。
天然具有存储经验知识和使之可用的特性。
神经网络在两个方面与人脑相似:(1)神经网络获取的知识是从外界环境中学习得来的。
(2)互连神经元的连接强度，即突触权值，用于储存获取的知识。
用于完成学习过程的程序称为学习算法，其功能是以有序的方式改变网络的突触权值以获得想要的设计目标。
突触权值修改提供神经网络设计的传统方法。
这种方法和线性自适应滤波器理论很接近。
滤波器理论已经很好地建立起来并成功应用在很多领域。
神经网络也可以修改它自身的拓扑结构，这和人脑的神经元会死亡和新的突触连接会生长的情况相适应。
神经网络在文献中也称为神经计算机、连接主义网络、并行分布式处理器等。
2人工神经网络的发展人工神经网络的研究有半个世纪的历史，中间有过很长时期的低潮期。
大体上分四个为阶段。
(1)理论研究期。
1943年美国心理学家认厄订enSmoeulloeh与数学家认厄lertHPitts合作，用逻辑的数学工具，研究客观事件在形式神经网络中的表述，从此开创了对神经网络的理论研究。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
维普资讯
综
述
Ｉ ｎ ｒｌ ｅ ｉｗ Ｇｅ ｅａ ｖｅ Ｒ
联想记忆人工神经网络的发展及研究现状
张 伟 ． 清理 乔
３０ ７ ） ０ ０ ０ （ 津 医科 大 学 生 物 医 学 工 程 系 ， 津 天 天
【 要】 介 绍 了联 想 记 忆神 经 网络 的 概 念及 其 重要 作 用 ， 联 想记 ・ 经 网络 的发 展 历 史和 二 值 Ｈ ｐｉｄ神 经 网络 、 摘 对 神 ｏｆ ｌ ｅ
Ｈ ｘｅ ｅｒｎｍ ｄ１ｃｈｎ ｓ ｄｃ ｌ ｑ ｉｍｅ ｔ ｏ ｒａ，０ ８ ２ （ ）３ － ８ ｕｌｙｎｕｏ ｏｅ． ｉ ｅＭｅ ｉ ｕｐ ｎ ｕｎ ｌ ０ ，９５ ：６ ３ 】 【 ｅ ａＥ Ｊ ２
Ｋ ｅ ｗｏｒ ａ ｓ ｃ ａｉ ｅｍ ｅ ｒ ；ａｔｆｃ ａ ｅ ａ ｅ ｗｏ ｋ； ｉ ｕ ａｉｎ ｙ ｄｓ ｓｏ ｉ ｔｖ ｍｏ ｙ ｒｉ ｉｌｎ ｕｒｌｎ ｔ ｒ ｓｍ ｌ ｔ ｉ ｏ
Ｄｅ ｅｏ ｖ ｌ ｏｍ ｅ ｎ ｔ ｙ ｏ ｓ ｃａ ｖ ｅ ｏ ｙ Ｎｅ ｒ ｌＮ ｔ ｒ ｎｔａ ｄ Ｓ ｕｄ ｆＡｓ ｏ ｉ ｆ ｅ Ｍ ｍ ｒ ｕ ａ ｅ ｗｏ ｋ ｉ
Ｚ Ａ Ｇｗｅ． Ｉ ＯＱ ｎ－ｉ Ｈ Ｎ ｉＱ Ａ ｉｇ ｌ
（ｅ ａ ｍ ｎ ｏ ｉｍ ｄｃｌ ｎ ｉｅｒ ｇ Ｔａｊ ｅ ｉ ｌ ｎｖｒ ｔ Ｔａｊ ０ ０ ０ Ｃ ｉ ） Ｄ ｐｒ ｅｔ ｆ ｏ ｅ ｉ ｇ ｅｉ ， ｉｎ ｎＭ ｄｃ ｉ ｓｙ ｉ ｉ ３ ０ ７ ， ｈｎ ｔ Ｂ ａＥ ｎ ｎ ｉ ａ ｕ ｅ ｉ， ｎ ｎ ａ
由 Ｆｔ ｕ ｈ Ｎ ｇ ｍ ｉ Ｈ ｇ — ａ ｕ ｏ神 经 元 模 型 构 建 的 神 经 网络 、 由 Ｈｏ ｇ ｉ Ｈ ｘｅ ｚ ｄ ｋｎ ｕ ｌ — ｙ神 经元 模 型 构 建 的 神 经 网络 的 研 究 现 状 进 行
了综 述 。
【 关键 词 】 联 想记 ・ ； 工神 经 网络 ； 真 人 仿 ［ 图分 类 号］ Ｒ ３ 中 ３８ ［ 文献 标 志 码］ Ａ ［ 章 编 号］ １０ — ８ ８ ２０ ）５ ０３ — ３ 文 ０ ３ ８ ６ （０ ８ ０ — ０ ６ ０
１ 引 言
理 、 理学 、 识科 学 等 多种 学 科 。 发 展 可 追溯 到 ２ 心 认 其 ０世 纪 ， 从 时 间进 程 来 看 ， 可把 这 一 历 史 大 致 划 分 为 以下 ４个 时 期 ： 第 一 时 期 为 发 展 初 始 期 ．８ ０ １６ １ ９ ～ ９ ９年 ：第 二 时 期 为 低 潮 时 期 ．９ ９ １８ １ ６ ～ ９ ２年 ： 三 时 期 为 复 兴 时 期 ．９ ２ １ ８ 第 １ ８ ～ ９ ６年 ： 四 第 时 期 为 发 展 高 峰期 ， １ ８ 从 ９ ６年至 今 １９ ８ ０年 Ｊｍｅ Ｗ． ａ ｓ的 专 著 《 理 学 》 一 书 首 次 阐 明 了 有 生 关 人 脑 结 构 功 能 及 相 关 学 习联 想 记 忆 的 规 则 １ ４ ９ ３年 ． ． Ｍｃ Ｃ ｌｃ ｕｌ ｈ和 Ｐ ｔ 融 合 了生 物 物 理 学 和 数 学 的有 关 结 果 ．提 出 ｏ ｉｓ ｔ
大脑 是 人 体 最 为 复 杂 的 信 息 处 理 系 统 。联 想 记 忆 （ ｓ Ａ—
ｓｃａ ｖ ｍ ｒ ． ｏ ｉｔ ｅ ｉ Ｍｅ ｏ ＡＭ） 人 脑 的 重要 认 知 功 能 之 一 。 ｙ 是 例如 ， 听
到 ｌ 歌 曲的 一 部 分 便 可 以 联 想 到 整 个 曲 子 ． 到某 人 的 名 首 看 字 会 联 想 到 他 （ ） 相 貌 等 特 点 。 前 者 称 为 自联 想 （ｅ — 她 的 Ｓｌ ｆ
Ａ ｓｃａ ｏ ） 而 后 者 称 为异 联 想 （ ｔｒ— ｓｏ ｉ ｉ ） 由 于许 ｓ ｉｔ ｎ ． 神 经 活 动 很 难 在 实验 中 直 接 被 观 察 ， 如 ： 例 在记 忆 脑 区相 关 神 经 元 集 群 的电 活 动 不 一 定 都 能 被 观察 和记 录 到 ． 即使 能 记 录 到 也 不 能 体 现 某 些 关 键 的 功 能性 编码 ． 要 通 过 建 立神 需 经 网络 模 型 对 脑 的 联 想 记 忆 功 能 进 行 仿 真 。 因 此 ， 想 记 忆 联 神 经 网络 的研 究 近 年 来 受 到 人 们 的极 大 关 注［］ Ｉ。 － ３