《神经网络导论》实验二 双向联想记忆
《神经网络导论》实验二
双向联想记忆
专业班级 硕 2081
学 号 **********
姓 名 李海玥
完成时间 2013年1月
《神经网络导论》试验二
双向联想记忆
李海玥
2013年1月
一、实验目的
熟悉Kosko型双向联想记忆网络的原理与结构，通过仿真实验掌握具体的实现方法，了解该网络的功能及性能，加深对该类网络的稳定状态和能量函数等概念的理解。
二、实验原理
联想记忆功能分为自联想和异联想，异联想也称为双向联想记忆，简写为BAM。BAM存储器可存储两组矢量，若有如下N维矢量A和P维矢量B：
A=[a0,a1,⋯aN−1]T∈{−1,1}N
B=[b0,b1,⋯bP−1]T∈{−1,1}P
构成M对矢量(As,Bs),s=0,1,⋯,M−1，给定A可经联想得到对应的标准样本B，当有噪声或残缺时，联想功能可使样本对复原。
如图1所示，与矢量A相应的一层有N个节点，另一层对应矢量B，有P个节点，两层间双向连接。假定B到A的传输为正向，正向的权矩阵为W。
如果输入矢量由上层加入，且相应于网络中B的稳定状态，则经W之作用产生A稳定状态。
图1：双向联想记忆网络 当任意矢量输入时，网络要经若干次次迭代计算演变至稳态，过程可示意为：
WB(t)→A(t+1)
WTA(t+1)→B(t+2)
WB(t+2)→A(t+3)
⋯
直至A、B为稳态，演变过程结束。
网络学习遵从Hebb规则，若给定M个双极性矢量对：
(A0,B0),(A1,B1),⋯,(AM−1,BM−1)
则正，反向权矩阵为：
W=∑As,BsTM−1s=0
WT=∑Bs,AsTM−1s=0
如果BAM网络神经元函数值为0，则称为齐次BAM网络，其能量函数为：
E(A,B)=−12ATWB−12BTWTA=−ATWB
若神经元的非线性函数为f，则描述齐次BAM动态特性的差分方程为：
正向联想(B⟹A)
ai(t+1)=f[∑wijbj(t)Pj=1]
反向联想(A⇒B)
bj(t+2)=f[∑wijai(t+1)Pj=1]
三、实验内容及步骤
1、选择齐次Kosko型BAM网络编制程序实现联想记忆。设神经元非线性函数f为硬限幅函数，即f(x)=san(x)；当x=0时，神经元的输出维持不变。
2、根据Hebb规则算出网络的连接权矩阵并记录；算出四对矢量所对应的稳定状态的能量值。
连接权值W=
4 2 2 -2 0 -2 0 -2 4 0 2 0 0 -4 2 0 2 0 2 -2
2 0 0 0 2 0 -2 -4 2 2
-2 -4 0 0 2 0 2 0 -2 -2
0 2 2 2 -4 -2 0 2 0 0
-2 0 0 0 -2 0 2 4 -2 -2
0 2 -2 2 0 2 -4 -2 0 4
-2 0 -4 0 2 4 -2 0 -2 2
4 2 2 -2 0 -2 0 -2 4 0
0 -2 2 -2 0 -2 4 2 0 -4
0 -2 2 2 0 -2 0 -2 0 0
-2 -4 0 0 2 0 2 0 -2 -2
2 4 0 0 -2 0 -2 0 2 2
0 2 -2 -2 0 2 0 2 0 0
0 2 -2 2 0 2 -4 -2 0 4
稳定状态能量值：
E=[−158−142−158−146]
3、验证网络的联想能力
经过Matlab编程验证，经过以上计算出的权值W和对称硬限幅函数的非线性作用，选择标准样本Ai进行迭代，观察上下两层的状态是否为(Ai, Bi)。同样任选Bi输入观察稳定后的结果。
经过前面计算出的权值W和符号函数非线性作用，进行一次迭代，联想成功没有偏差。即
Ai=sgn(W∗Bi),i=1,2,3,4
Bi=sgn(WT∗Ai),i=1,2,3,4
4、验证网络抗噪能力
以标准矢量A1随机两位取反形成畸变矢量
A1’=[1,−1,1,−1,1,−1,1,−1,1,−1,1,−1,1,−1,1]T，
带入网络中迭代至稳定。
得到结果 A’1=A1，B’1=B1
过程经过两次迭代期间能量变化为：
E0=−118，E1=−142，E2=−158
5、噪声大小对联想能力的影响
统计4个矢量分别在1~3位上取反时的联想正确率。对于每种情况取2000次运算得到平均性能。
表1 噪声对网络联想力的影响
标准矢量 取反位数 迭代次数平均值 联想正确率
A1 1 2.0000 100%
2 2.0000 98.97%
3 2.0975 95.58%
A2 1 2.0000 100%
2 2.0160
98.49%
3 2.1765 91.68%
A3 1 1.9200 99.52%
2 1.9905 98.51%
3 2.0636 95.21%
A4 1 2.0000 100%
2 2.0130 99.61%
3 2.0975 89.71%
6、正反向联想抗噪能力
统计4个B矢量分别在1~3位取反时的联想正确率，记录结果并与第5步结果比较。
表2 反向联想抗噪能力
标准矢量 取反位数 迭代次数平均值 联想正确率
B1 1 2.0000 100%
2 2.2160 91.75%
3 2.3360 77.03% B2 1 1.8705 97.80%
2 2.0685
94.52%
3 2.3395
80.03%
B3 1 1.9020 99.02%
2 2.0270 91.43%
3 2.2030 74.40%
B4 1 1.7955 97.95%
2 2.0165 92.17%
3 2.1815 76.89%
四、实验思考题
1、在实验步骤4中观察网络能量E是如何变化的？根据网络机理说明原因。
从步骤4中可以看出，网络能量E随着跌代的次数而减小。这是因为双向联想网络是Hopfield网络的一种，所以也具有Hopfield网络特性。而对于标准Hopfield网络，其能量函数E对时间的导数为负值，
dEdt=−∑Ci(dVidt)2dfi−1(Vi)dVii≤0
也就是说网络总是朝着能量函数E减小的方向运动，且达到稳态时，E取极小值。
2、如果我们想要“擦除”存储矢量中的某对(Ai,Bi)，应如何调整网络？
双向联想记忆网络特性主要体现在权值W上，如果想要“擦除”存储矢量中的某对(Ai,Bi)，只需要对权值进行调整：
W′=∑As,BsTM−1s=0,s≠i
或者更新权值为：
W′=W−Ai∙BiT
3、通过总结第5步和第6步的实验结果，能得出什么结论？简要解释其中的原因。
随着矢量位取反的位数增多，即噪声的增大，网络达到稳态所需迭代次数增加。 随着网络噪声的增大，网络联想正确率下降，说明网络恢复的记忆力是有限的。
网络对各组矢量的联想记忆力是有限的，如果对其中一组矢量的记忆力增强，则另一组必定减弱。
对不同样本组记忆力大体相同，差异不大。
五、实验结论
双向联想记忆网络是一种特殊的Hopfield神经网络，具有信息记忆和信息记忆的功能。Hopfield神经网络的特点是每个神经元的输出要反馈给除自身以外的其他所有神经元。那么设网络上共有L个神经预案，使得W成为一个L×L的矩阵，我们将L个神经元分成N、P两组。如果每组内任一个神经元的输出都反馈给另一组的神经元输入，而不反馈给本组神经元输入端，这样可以将不反馈的部分的权值视为0。所以Kosko型BAM网络就可以视为一种特殊的Hopfield网络。
对于双向联想记忆网络，它具有Hopfield网络所具有的一般特性，在实验中可以看到，随着时间的推移，网络在状态空间中总是朝着能量函数减小的方向移动，当网络达到稳定时，能量取得极小值。随着网络噪声的增大，网络达到稳态所需迭代次数增加，网络联想正确率下降，同时说明网络恢复的记忆力是有限的。
Matlab主要源代码
1、Hebb规则
A(:,1)=[1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1];
A(:,2)=[1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1];
A(:,3)=[1 1 1 -1 -1 -1 1 1 1 -1 -1 -1 1 1 1];
A(:,4)=[1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1];
B(:,1)=[1 1 1 1 -1 -1 -1 -1 1 1];
B(:,2)=[1 1 1 -1 -1 -1 1 1 1 -1];
B(:,3)=[1 1 -1 -1 1 1 -1 -1 1 1];
B(:,4)=[1 -1 1 -1 1 -1 1 -1 1 -1];
w(1:15,1:10)=0;e(1:4)=0;
for i=1:4
w=w+A(:,i)*B(:,i)';
end for j=1:4
e(j)=-(A(:,j))'*w*B(:,j);
end
A1=A(:,1);B1=B(:,1);
temp(15,1)=0;TimeNum=0;
%isequal判断数组容量是否相等;
% hardlims对称硬限幅功能传输函数；
%%验证网络联想能力；
while isequal(A1,temp)
temp=A1;
A1=hardlims(w*B1);
B1=hardlims(w*A1);
TimeNum=TimeNum+1;
End
2、网络迭代算法
%A1任两位取反
A1=A(:,1).*(1-2*randerr(1,15,2)');e(1:k)=0;
temp(15,1)=0;k=0;
if A1~=A(:,1)
temp=A1(0);
B1(k+1)=hardlims(w'*A1(k));
k=k+1;
A1(k+1)=hardlims(w*B1(k));
end
for j=1:k
e(j)=-(A(:,j))'*w*B(:,j);
end
ChangeNum=length(find(A1~=A(:,1)))
disp('times of interation');disp(k);
disp('E');disp(e);
disp('change number');disp(ChangeNum);
disp('ratio of correctness');disp(1- ChangeNum/length(A1));
3、算法同2，重复2000次取平均值。
联想记忆人工神经网络的发展及研究现状
综 述Ｉ Ｇｅｎｅｒａｌ Ｒｅｖｉｅｗ
联想记忆人工神经网络的发展及研究现状
张伟．乔清理
（天津医科大学生物医学工程系，天津３０００７０）
【摘要】 介绍了联想记忆神经网络的概念及其重要作用，对联想记・ 神经网络的发展历史和二值Ｈｏｐｆｉｅｌｄ神经网络、
由ＦｉｔｚＨｕｇｈ—Ｎａｇｕｍｏ神经元模型构建的神经网络、由Ｈｏｄｇｋｉｎ—Ｈｕｘｌｅｙ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・ ；人工神经网络；仿真
［中图分类号］Ｒ３３８ ［文献标志码］Ａ ［文章编号］ １００３—８８６８（２００８）０５—００３６—０３
Ｄｅｖｅｌｏｏｍｅｎｔ ａｎｄ Ｓｔｕｄｙ ｏｆ Ａｓｓｏｃｉａｆｉｖｅ Ｍｅｍｏｒｙ Ｎｅｕｒａｌ Ｎ ｅｔｗｏｒｋ
ＺＨＡＮＧ ｗｅｉ．ＱＩＡＯ Ｑｉｎｇ－ｌｉ
（Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｔｉａｎｊｉｎ Ｍｅｄｉｃａｌ ｕｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ ３０００７０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｔｈｅ ｃｏｎｃｅｐｔ ａｎｄ ｉｍｐｏｒｔａｎｔ ｒｏｌｅ ｏｆ ａｓｓｏｃｉａｔｉｖｅ ｍｅｍｏｒｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｒｅ ｉｎｔｒｏｄｕｃｅｄ．Ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ
ａｓｓｏｃｉａｔｉｖｅ ｍｅｍｏｒｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ａｌｓｏ ｓｕｍｍａｒｉｚｅｄ ａｌｏｎｇ ｗｉｔｈ ｏｔｈｅｒ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｓｕｃｈ ａｓ ｔｈｅ Ｈｏｐｆｉｅｌｄ ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ，ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｏｍｐｏｓｅｄ ｏｆ ＦｉｔｚＨｕｇｈ—Ｎａｇｕｍｏ ｎｅｕｒｏｎ ｍｏｄｅｌ，ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｏｍｐｏｓｅｄ ｏｆ Ｈｏｄｇｋｉｎ— Ｈｕｘｌｅｙ ｎｅｕｒｏｎ ｍｏｄｅ１．【ｃｈｉｎｅｓｅ Ｍｅｄｉｃａｌ Ｅｑｕｉｐｍｅｎｔ Ｊｏｕｒｎａｌ，２００８，２９（５）：３６－３８】
时滞BAM神经网络稳定性分析
第２４卷 Ｉ ２（）０８年Ｉ ｊ－Ｊ 吉｛女工程技术师范学院学报
Ｊｏｍｍｄ ｏｆ Ｊｉｌｉｎ Ｔｅａｃｈｅ ｒ５ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｔｃｃｈｎｏｌｏ￣ Ｖｏｌ ２４ Ｎｏ Ｊａｎ．２００８
时滞ＢＡＭ神经网络稳定性分析
王 娜 ，李曦达 ，刘 彬
（１．吉林工程技术师范学院基础科学系，吉林长春１３００５２；
２．燕山大学外国语学院，河北秦皇岛０６６００４）
［摘要］研究了带有脉冲的时滞双向联想记忆（ＢＡＭ）神经网络的稳定性问题。通过对网络系统的研
究，根据脉冲的特点，采用Ｌｙａｐｕｎｏｖ稳定性理论和一些矩阵分析技巧，得到了脉冲时滞ＢＡＭ神经网络
的稳定性结论，其中包括稳定点的唯一性判据和稳定性的判据，说明脉冲时滞ＢＡＭ神经网络的稳定性
问题足网络本身的特性，最后通过数值算例验证了该结论的可行性和有效性。
［关键词］ＢＡＭ神经网络；时滞；脉冲 ’ ［中图分类号］Ｏ１７５．２１ ［文献标识码］Ａ ［文章编号］１００９—９０４２ｆ２００８）Ｏｌ一００７８一ｏ３
Ｓｔａｂｉｌｉｔｙ ｏｆ ｄｅｌａｙ ＢＡ＿Ｍ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ
ＷＡＮＧ Ｎａ ，ＬＩ Ｘｉ—ｄａ ，ＬＩＵ Ｂｉｎ
（１．Ｄｅｐａｒｔｍｅｎｔ ｏｆＦｏｕｎｄａ￣ｎ Ｓｃｉｅｎｃｅ，Ｊｉｌｉｎ Ｔｅａｃｈｅｒｓ Ｉｎｓｔｉｔｕｔｅ Ｅｎ￣ｎｅｅｒｉｎｇ ａｎｄ
Ｔｅｃｈｎｏｌｏｇｙ．Ｃｈａｎｇｃｈｕｎ ｉｎ １３００５２，Ｃｈｉｎａ；２．Ｓｃｈｏｏｌ Ｆｏｒｅｉｇｎ
Ｌａｎｇｕａｇｅ，Ｙａｎｓｈａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｑｉｎｈｕａｎｇｄａｏ Ｈｅｂｅｉ ０６６００４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａ ｃｌａＳｓ ｏｆ ｄｅｌａｙｅｄ ＢＡＭ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｔｈ ｉｍｐｕｌｓｅｓ ｉｓ ｉｎｖｅｓｔｉｇａｔｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ．Ｂｙ
ｕｓｉｎｇ Ｌｙａｐｕｎｏｖ ｆｕｎｃｔｉｏｎｓ ａｎｄ ａｎａｌｙｓｉｓ ｔｅｃｈｎｉｑｕｅ，ｗｅ ｇｅｔ ｓｏｍｅ ｒｅｓｕｌｔｓ ｆｏｒ ｔｈｅ ｓｍｂｉｌｉＶ ｏｆ ｉｍｐｕｌｓｉｖｅ
人工神经网络学习总结笔记
人工神经网络学习总结笔记
主要侧重点：
1. 概念清晰
2. 进行必要的查询时能从书本上找到答案
第一章：绪论
1.1人工神经网络的概述
“认识脑”和“仿脑”：人工智能科学家在了解人脑的工作机理和思维的本质的基础上，探索具有人类智慧的人工智能系统，以模拟延伸和扩展脑功能。我认为这是人工神经网络研究的前身。
形象思维：不易被模拟
人脑思维
抽象
推理
逻辑思维：过程 ：信息 概念 最终结果
特点：按串行模式
人脑与计算机信息处理能力的不同点：
方面 类型 人脑 计算机
记忆与联想能力 可存储大量信息，对信息有筛选、回忆、巩固的联想记忆能力 无回忆与联想能力，只可存取信息
学习与认知能力 具备该能力 无该能力
信息加工能力 具有信息加工能力可认识事物的本质与规律 仅限于二值逻辑，有形式逻辑能力，缺乏辩证逻辑能力
信息综合能力 可以对知识进行归纳类比和概括，是一种对信息进行逻辑加工和非逻辑加工相结合的过程 缺乏该能力
信息处理速度 数值处理等只需串行算法就能解决的应用问题方便，计算机比人脑快，但计算机在处理文字图像、声音等类信息的能力远不如人脑
1.1.2人脑与计算机信息处理机制的比较
人脑与计算机处理能力的差异最根本的原因就是信息处理机制的不同，主要有四个方面
方面 类型 人脑 计算机
系统结构 有数百亿神经元组成的神经网络 由二值逻辑门电路构成的按串行方式工作的逻辑机器
信号形式 模拟量（特点：具有模糊性。离散的二进制数和二值逻辑容易被机器模拟的思维方式 难以被机器模拟）和脉冲两种形式 形式
信息储存 人脑中的信息分布存储于整个系统，所存储的信息是联想式的
信息处理机制 高度并行的非线性信息处理系统（体现在结构上、信息存储上、信息处理的运行过程中） 有限集中的串行处理机制
1.1.3
人工神经网络的概念：在对人脑神经网络的基本认识的基础上，用数理方法从信息处理的角度对人脑神经网络进行抽象，并建立某种简化模型，称之为人工神经网络，是对人脑的简化、抽象以及模拟，是一种旨在模仿人脑结构及其功能的信息处理系统。
时滞忆阻Cohen-Grossberg神经网络周期解的存在性
时滞忆阻Cohen-Grossberg神经网络周期解的存在性
王有刚;武怀勤
【摘 要】研究了一类具有时变时滞的忆阻Cohen-Grossberg神经网络的周期动力行为.借助M-矩阵理论,微分包含理论和Mawhin-like收敛定理,证明了网络系统周期解的存在性.最后,用一个数值算例验证了本文结论的正确性和可行性,并通过图形模拟直观地描述了周期解和平衡点的存在性.%The objective of this paper is
to investigate the periodic dynamical behaviors for a class of Memristive
Cohen-Grossberg neural networks with time-varying delays. By employing
M-matrix theory, differential inclusions theory and the Mawhin-like coin-cidence theorem in set-valued analysis, the existence of the periodic
solution for the network system was proved. Finally, an illustra-tive
example was given to demonstrate the validity of the theoretical results
and the existence of periodic solution and equilibrium point was described
visually by graphical simulation.
【期刊名称】《西华大学学报（自然科学版）》
【年(卷),期】2017(036)005
【总页数】10页(P22-30,35)
【计算机科学】_神经网络_期刊发文热词逐年推荐_20140722
序号科研热词推荐指数序号科研热词1神经网络71神经网络2预测22bp神经网络3遗传算法23预测4网络流量24竞争hopfield神经网络5网络安全25多边形近似6特征提取26回归7入侵检测27合并拆分8人工神经网络28鲁棒性9风险概率19高阶交叉累量10颜色量化110食品分类消费价格指数11题库111集成神经网络12预测自适应谐振神经网络art112阈值13预测模型113遗传算法14项目反应理论114迁移学习15非负矩阵分解法115软件可靠性16非线性集成116车牌定位17集成学习117调制识剐18锥118解释性19选择性集成119覆盖算法20过程神经网络120自适应粒子群算法21过滤121自适应22贝叶斯网络122自组织神经网络23贝努里分布123聚类分析24说话人识别124网络时延25语音识别125网络安全26训练时间126综述27规则提取127结构自适应确定28自组织神经网络128细胞因子网络29股市预测129组合预测30聚类区130级联模糊神经网络31聚类131级联mlp32网络结构构造算法132米兰机33网络结构133离子群优化算法34网络安全态势感知134离子浓度预测35组织特征映射135矽肺36线性像素置换136盲源分离37精确映射137盲信号分离38粗糙集138生物网络39粗糙神经网络139独立分量分析40神经网络集成140特征降维41短期预报141特征选择42盲信号分离142混沌43独立分量分析143混杂案例推理44特征约简144消费价格指数45特征参数145流量预测46混沌神经网络146泛函网络47混合属性147法向量场48泛化能力148模糊模型49泛化149模糊推理50泛函网络150模型选择与综合51泛函151概念格52模糊聚类152权值直接确定2008年2009年53模糊神经网络153权值同步54模糊c均值聚类154曲面重建55模型155数字学习56模块化神经网络156散乱点集57概率密度估计157故障诊断58森林火灾158改进的极值中值滤波59机器学习159支持向量机60智体160指数平滑法61无线传感器网络161态势预测62整合162态势感知63数据融合163循环结构64数据挖掘164形态学65支持向量机165形式背景66广义回归神经网络166形式概念分析67并行前馈优先级网络(pcponn167序列图像68小波包变换168层次贝叶斯69小波169对策70小样本170密钥更新71实数编码171学习算法72安全态势生成172多目标识别73委员会机器173多学位识别74多级聚类174增长型神经网络75多层前馈神经网络175垃圾邮件过滤76多分类器176噪声检测77多传感器融合177叶绿素78基函数簇178可靠性增长模型79垃圾邮件179双向联想记忆80图像分类180压缩映射原理81参数估计181协同进化82医学图像182净化过程83偏序183似然bp84倒谱184传感器网络85代数算法185web服务86代价函数186rnn神经网络87人脸识别187rbf神经网络88人工鱼188hu矩89人工生命189hsi空间90严格对角占优矩阵190fcm聚类91不良信息过滤191chebyshev正交基92zernike矩193rbf神经网络194p2p195kl散度196gibbs取样197bp神经网络198boosting方法199banach空间1
【国家自然科学基金】_联想记忆系统_基金支持热词逐年推荐_【万方软件创新助手】_20140801
序号科研热词推荐指数序号科研热词
1鲁棒稳定11解析解
2随机扰动优化设计12模式分类
3防抱死制动系统13有界性
4轮速信号14时滞
5联想记忆15无穷时滞
6离散hopfield神经网络(dhnn16平衡点
7神经网络17周期解
8汽车18同步
9板形模式19变系数
10数控机床110双向联想记忆神经网络
11数学模型111双向联想记忆
12故障诊断112全局渐近稳定性
13双向联想记忆神经网络113入侵检测
14勒让德多项式114免疫机理
15markov跳变115lyapunov泛函:banach空间
16lyapunov泛函1
17bp神经网络12008年2009年
922256-人工智能导论第4版试验参考程序-7基于神经网络的模式识别实验要求
实验七 基于神经网络的模式识别实验
一、实验目的：
理解BP神经网络和离散Hopfield神经网络的结构和原理，掌握反向传播学习算法对神经元的训练过程，了解反向传播公式。通过构建BP网络和离散Hopfield网络模式识别实例，熟悉前馈网络和反馈网络的原理及结构。
二、实验原理
BP学习算法是通过反向学习过程使误差最小，其算法过程从输出节点开始，反向地向第一隐含层(即最接近输入层的隐含层)传播由总误差引起的权值修正。BP网络不仅含有输入节点和输出节点，而且含有一层或多层隐(层)节点。输入信号先向前传递到隐节点，经过作用后，再把隐节点的输出信息传递到输出节点，最后给出输出结果。
离散Hopfield神经网络的联想记忆过程分为学习和联想两个阶段。在给定样本的条件下，按照Hebb学习规则调整连接权值，使得存储的样本成为网络的稳定状态，这就是学习阶段。联想是指在连接权值不变的情况下，输入部分不全或者受了干扰的信息，最终网络输出某个稳定状态。
三、实验条件：
Matlab 7.X 的神经网络工具箱。
四、实验内容：
1.针对教材例8.1，设计一个三层的BP网络结构模型，并以教材图8.5 为训练样本数据，图8.6为测试数据。
（1）给出训练成功后的连接权值和阈值，以及测试结果。
（2）通过BP网络各项参数的不同设置，观察BP算法的学习效果，并比较BP网络各项参数变化对于训练结果的影响。
2. 已知字符点阵为 模式，两组训练数据为
设计一个能够存储这两个字符的离散Hopfield神经网络，要求： 22）小写字母）大写字母laaTT(1010L(1101)2()1(（1）给出相应的离散Hopfield神经网络结构图；
（2）计算连接权值及阈值（阈值可设为 0）；
（3）输入下列测试数据
给出网络最终输出的稳定状态。
五、实验报告要求：
1． 按照实验内容，给出相应结果。
2．分析比较BP网络各项参数变化对于训练结果的影响。
基于神经网络联想记忆的数控机床故障诊断系统
务Ｉ 匐 似
基于神经网络联想记忆的数控机床故障诊断系统
夏太武，黄大贵
（电子科技大学智能机械系统工程实验室，成都６１ ００５４）
摘要：文章根据数控机床故障诊断的特点，分析了数控机床故障诊断系统的故障原因和故障源，然
后引入一种带联想记忆功能的神经网络模型，并介绍了这种模型的原理和算法；最后利用所得
的神经网络模型，对该故障系统的样本进行学习并记忆，再就检测或用户输入得来的故障原因
进行联想回忆，得到诊断结果。实验结果表明，这种基于神经网络联想记忆的数控机床故障诊
断系统简单，且能满足数控系统的故障诊断要求。 关键词：故障诊断；神经网络；联想记忆；数控机床
中图分类号：ＴＧ６５９；ＴＰ２７７ 文献标识码：Ｂ 文章编号：１ ００９－０１ ３４（２００８）０７—００２１—０３
Ｎｕｍｅｒｉｃａｌ ｃｏｎｔｒｏｌ ｍａｃｈｉｎｅ ｄｉａｇｎｏｓｉｓ ｓｙｓｔｅｍ ｂａｓｉｎｇ ｏｎ ｎｅｒｖｅ ｎｅｔ ａｓｓｏｃｉａｔｉｏｎａｌ ｍｅｍｏｒｙ
ＸＩＡ Ｔａｉ．ＷＵ．ＨＵＡＮＧ Ｄａ．ｇｕｉ
（Ｉｎｔｅｌｌｅｃｔｕａｌ Ｍａｃｈｉｎｅ Ｓｙｓｔｅｍ Ｅｎｇｉｎｅｅｒｉｎｇ Ｌａｂ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ
ｏｆ Ｃｈｉｎａ，Ｃｈｅｎｇｄｕ ６１ ００５４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｂａｓｉｎｇ ｏｎ ｔｈｅ ｔｒａｉｔ ｏｆ Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ（ＮＣ）ｍａｃｈｉｎｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ，ｔｈｅ ｐａｐｅｒ ａｎａｌｙｚｅｓ ｔｈｅ ｆａｕｌｔ ｃａｕｓｅｓ ａｎｄ ｆａｕｌｔ ｓｏｕｍｅｓ ｏｆ ｔｈｅ ＮＣ ｍａｃｈｉｎｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ．Ｆｕｒｔｈｅｒｍｏｒｅ，ａ Ｎｅｒｖｅ
Ｎｅｔ（ＮＮ）ｍｏｄｅｌ ｗｉｔｈ ｔｈｅ ａｓｓｏｃｉａｔｉｏｎａＩ ｍｅｍｏｒｉａＩ ｆｕｎｃｔｉｏｎ ｉＳ ｉｍｐｏｔｅｄ ａｎｄ ｉｔｓ ｔｈｅｏｒｙ ａｎｄ ａｒｉｔｈｍｅｔｉｃ ｉＳ ｉｎｔｒｏｄｕｃｅｄ．Ａｔ ｌａｓｔ．ｗｉｔｈ ｔｈｅ ＮＮ ｍｏｄｅＩ ｂｅｉｎｇ ｕｓｅｄ．ｔｈｅ ｓｗａｔｃｈｅｓ ｏｆ ｔｈｅ ｆａｕｌｔ
基于自联想记忆算法的图像缩放研究
第１３卷第１８期２０１３年６月 １６７１—１８１５（２０１３）１８・５３８１—０４ 科学技术与工程 Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｏ１．１３ Ｎｏ．１８ Ｊｕｎ．２０１３ ⑥２０１３ Ｓｃｉ．Ｔｅｃｈ．Ｅｎｇｒｇ．
基于自联想记忆算法的图像缩放研究
徐洪章李宏升
（黄淮学院，驻马店４６３０００）
摘要针对图像缩放中的问题，提出基于自联想记忆算法。首先确定自联想记忆最小上界和最大下界，自联想记忆每个层
之间的神经元通过最近域互连接方式连接信息交替，能够在神经系统缺损信息时通过自联想记忆恢复出原来存储的完整记 忆模式；接着所有神经元节点采用同步方式调整状态，利用均场定理加快自联想记忆神经网络学习速度；最后给出了图像缩 放算法过程。实验仿真显示算法输出图像能够较好地保持原图像内容，峰值信噪比（ＰＳＮＲ）比较大。 关键词 自联想记忆 神经网络 学习 缩放 中图法分类号ＴＰ３９１．４１； 文献标志码Ａ
图像缩放是把原图像按照目标尺寸放大或者
缩小，属于图像处理技术中的一种，以使其适用特
殊的场合并获得较好的视觉效果，需保证改变后的
图像有较好的质量。
目前图像重采样算法容易使缩放后的图像内
容不够清晰或发生畸变；图像剪切算法能够保留图
像的特征信息，但却有很严重的失真，图像效果不
好 ｊ。双线性插值算法能保持原始图像的信息，但
是对图像放大的运算量指数级增加 Ｊ。ｈｏｐｆｉｅｉｄ类
联想记忆模型、双向联想记忆模型、指数关联联想
记忆模型，在图像缩放中需要对每记忆一个模式计
算网络中所有的连接权重，但是难以找到合适的连
接权重，从而导致图像缩放效果不理想。
现采用自联想记忆算法对图像缩放，采用互连
接方式神经连接，当给神经系统缺损的信息时，通
过自联想记忆恢复出原来存储的完整记忆模式；当
给神经系统输入一种记忆模式时，联想出与之相关
的另一种记忆模式，所有神经元节点采用同步方式
《神经网络》课程学习总结报告
s
s 《神经网络》课程学习总结报告
李 浩 程柏林
一、工作说明：
程柏林和李浩讲授的内容是“双向异联想网络（BAM）”。其中，
1． 程柏林完成的工作有：双向异联想网络（BAM）基本概念、网络结构及工作原理、学习规则等基本理论的介绍，以及用BAM网络实现对字符的识别程序仿真和介绍。程序附后。
2． 李浩完成的工作有双向异联想网络（BAM）应用举例、双向异联想网络（BAM）仿真及其说明、问题的讨论及解答。程序附后。
二、未解决的问题：
用外积和法设计的权矩阵，不能保证p对模式全部正确的联想。若对记忆模式对加以限制（即要求p个记忆模式Xk是两两正交的），则用外积和法设计的BAM网具有较好的联想能力。 在难以保证要识别的样本（或记忆模式）是正交的情况下，如何求权矩阵，并保证具有较好的联想能力？这个问题在用BAM网络实现对字符的识别程序仿真中得到体现。我们做过尝试，用伪逆法求权矩阵，虽然能对未加干扰的字符全部进行识别，但对加有噪声的字符识别效果很差。至于采用改变结构和其他算法的方法来求权矩阵，将是下一步要做的工作。
三、建议
1． 关于本课程的学习：
我们认为教员的这种教学方式比较好，避免了为考试而学的观念，更多地考虑到学生学习的自主性，调动了学生的学习兴趣和积极性，并且培养了学生之间的协作精神。
另外对于第二阶段的学习，我们的感觉是：除了自己要讲授的内容外，其他学生所讲的内容自己学习得不好，不知其他学生的感觉如何？所以如何让一个人不仅对自己所讲的内容搞熟以外，对其他人讲的内容也要达到这个效果，这将是教员和学员实施这种教学方法下一步要考虑的问题之一。
建议：运用神经网络解决与所学专业如信号处理，模式识别等问题非常多，但从某些参考文献上看，涉及理论的较多，而从应用（具体地说用程序仿真实现的过程）上介绍较少，这就留给教员和学员（尤其是学员）一个探讨的领域，能否先由教员选择一些具体问题供学员参考，结合个人兴趣，分组实施。