专利名称：时变容错域的感知联想记忆模型的制作方法
技术领域：
本发明属于人工智能领域，涉及一类人工神经网络联想记忆模型。本发明给出一种新的联想记忆模型----时变容错域的感知联想记忆模型。
背景技术：
联想记忆的研究有很长的历史。1961年Steinbuch提出了学习矩阵的概念；1972年Kohonen建立了关联矩阵存储器，接着Nakano提出了联想机；1988年Kosko给出双向联想存储器模型；1990年Jeng提出指数双向联想记忆模型；1998年Lee给出实现了一种多值模式联想记忆。近十年国内张铃、张钹、梁学斌、陈松灿、陶卿、危辉等学者做出了一序列进一步研究工作，发展了联想记忆研究。基于联想记忆的研究成果，我们可创建具有类似人类联想记忆功能的人工脑、人工生命。
联想记忆分为异联想记忆和自联想记忆。异联想记忆是映射式的，通过构造一定的映射(变换)，使输入直接映射为所需的输出，如多层网络、感知器等均属于此类(注部分异联想也可通过网络动力演化来实现)。自联想记忆过程一般是一种动力学系统的演化过程，待识别的模式作为网络的初始状态，网络按一定的动力学规律演化，最终状态即为联想结果。作为网络输出，基于Hopfield型网络属于此类。不过这类联想记忆网络形成需要较长时间，有时这类联想记忆网络在可忍受时间内也形成不了(演化收敛不了)，即该种网络模型联想记忆速度慢。
对于多层网络作为异联想记忆器，张铃等在中很好地解决了异联想记忆网络的设计问题。然而张铃等给出的异联想记忆模型和其他许多著名联想记忆模型，如上面所提到的联想记忆模型一样只能处理有限值模式的联想记忆。有限值模式联想记忆严重制约了该类模型的应用和发展。
联想记忆取得了丰硕成果，但到目前为止已有的联想记忆模型的容错域(吸引域)都是固定不变的。然而人脑联想记忆的容错域会随时间变化而变化(自适应、自组织性)。对于同一件事情人们可能今天在很多信息刺激下也回忆不起来，但可能明天在很少信息刺激下就回忆起来了。这种现象可解释为我们今天状态不佳，联想记忆的容错域较小，而明天精神好了，联想记忆的容错域变大了。显然此现象与遗忘没有多大关系。
传统联想记忆模型设计做法是先设计联想记忆模型，然后确定输入样本的容错域(吸引域)。这似乎也与人脑联想记忆的实际情况不相符合。事实上，我们对重要事情，或多次见过的东西，总是可通过少量的，不完整信息启发联想出来，而对一些不重要的事情，用了很多信息去刺激也回忆不起来。这种现象可解释为我们给重要的事情赋予了较大的容错域，而对非常不起眼的东西没有设计容错域。
一个联想记忆的应用的“效益”与联想记忆输入样本的容错域的恰当性成正比，如汉字联想输入法，人们一直努力提高输入汉字、词组的容错域的恰当性，以便提高联想“效益”。然而现有的联想记忆的输入样本的容错域是“死的”，不可调整的，甚至只是理论上存在。难怪联想记忆目前只在输入法、模式识别、数据压缩、信息存储等领域内有初步应用。
为模拟、延伸和扩展人类大脑联想记忆随时间变化等特点，为提高联想记忆的应用“潜能”，本发明提出并软件实现了一种时变容错域的感知联想记忆模型。该模型模拟了人类上述联想记忆随时间变化等实际情况，使建立起来的联想记忆系统的容错域(吸引域)随时间变化，能根据记忆样本的重要性调节记忆样本的容错域大小。特别，可为每个输入样本设计一个超长方体容错域，样本就在超长方体‘中心’，使从几何上看相邻两容错域之间没有空隙，因此输入样本的容错域达到极大。仿真实验证实该种感知联想记忆模型联想记忆速度快。
发明内容
本发明的目的在于，提出一种时变容错域的感知联想记忆模型，该模型克服了已有联想记忆模型不能模拟大脑联想记忆容错域随时间变化特点的缺陷。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。而且时变容错域的感知联想记忆模型实现了n维到m维空间的无穷值模式非线性联想，并且该模型的样本容错域充满整个实空间Rn。
本发明一种时变容错域的感知联想记忆模型，其特征在于，包括5层神经元；第一层取输入元n个，记为A1，A2，Λ，An；
第一隐含层有p-1个神经元组，且每组有2n个神经元，神经元顺序记为A(i)，i＝1，...，2n(p-1)；第二隐含层有个p-1神经元，顺序记为A1，A2，Λ，Ap-1；第三隐含层取p个神经元Bi，i＝1，Λ，p；输出层由m个神经元组成Ci，i＝1，Λ，m。
其中输入层到第一隐层的权矩阵取为2n(p-1)×n阶型(wij)2n(p-1)×n，wij＝(-1)i+j，j＝1，...，n，i＝j+2nk，j+1+2nk，k＝0，1，...，p-2；其它wij＝0；即(wij)2n(p-1)×n=10...00-10...00010...00-10...0MMMMM00...0100...0-110......0-10......0MMMMM2n(p-1)×n]]>第二隐含层取p-1个神经元A1，A2，Λ，Ap-1。第一隐层到第二隐层的权矩阵为(p-1)×2n(p-1)阶型(uij)(p-1)×2n(p-1)，uij＝1，i＝1，...，p-1，j＝2n(i-1)+1，uij＝1，i＝1，...，p-1，j＝2n(i-1)+1，2n(i-1)+2，...，2n(i-1)+2n，其它uij＝0；即
(uij)(p-1)×2n(p-1)=11...10............00......01...10...0MMMMMMMMMMMMMMMMMMMM0...............01...1(p-1)×2n(p-1)]]>其中同行中2n个1相邻排列；第三隐层取p个神经元Bi，i＝1，Λ，p.第二隐层到第三隐层的权值矩阵取为p×(p-1)阶型(eij)p×(p-1)，eij＝1，i＝1，...，p-1，j＝i；eij＝1，i＝p，j＝1，...，p-1，即(eij)p×(p-1)=10...0010...MMMM0...011...11p×(p-1)]]>第三隐层到输出层的权值矩阵为m×p阶型(vij)m×p，(v1j，v2j，...，vmj)T＝Yj，j＝1，...，p-1，(v1p，v2p，...，vmp)T＝-Y0，即(vij)m×p=y11,y12,Λ,y1p-1-y10y21,y22Λy2p-1-y20MMMMMMMMMMym1ym2Λymp-1-ym0m×p]]>Ci的阈值取为ξiξi=yi0,i=1,Λ,m.]]>其中t时刻左φj(k)Ajk，右φj(k)Ajk的阈值取为左φj(k)θjk(t)，右φj(k)θjk(t)
j＝1，2Λn.k＝1，Λ，p-1，0≤t＜+∞。即2n(p-1)个阈值可记为 i＝2n(k-1)+2j-1，j＝1，...n，k＝1，Λ，p-1，0≤t＜+∞； i＝2n(k-1)+2j，j＝1，...n，k＝1，Λ，p-1，0≤t＜+∞；Ai的阈值取为θiθi＝-2n+0.5，i＝1，Λ，p-1；Bi的阈值取为ηi＝0，i＝1，...，p；Ci的阈值取为ξiξi=yi0,i=1,Λ,m;]]>其中
图1是时变容错域的感知联想记忆模型示意图；图2是第i分量xi1，...，xip由小到大顺序排列及编号示意图。
具体实施例方式
本发明是如图1所示的四层感知网络(5层前向网络)。
设记忆样本对集为{(X0，Y0)，(X1，Y1)，Λ，(Xp-1，Yp-1)}，其中Xi=(x1i,x2i,Λ,xji,Λ,xni)T]]>是Rn中的俩俩互不相同列向量，i＝0，...，p-1；Yl=(Y1l,Λ,yjl,Λ,yml)T]]>是Rm中的列向量。不妨设Y0与Y1，Λ，Yp-1不同。图1中神经元和连接权值设置要求如下1.时变容错域的感知联想记忆模型的拓扑结构第一层取输入元n个，记为A1，A2，Λ，An。第一隐含层有p-1个神经元组，且每组有2n个神经元，神经元顺序记为A(i)，i＝1，...，2n(p-1)，第一层神经与第一隐层所有神经元相联，第一隐层神经元A(i)，i＝2nk-1，2nk，k＝1，...，p-1的感知输出为sgn2(u)=1,u>00,u≤0,]]>第一隐层神经元A(i)，i≠2nk-1，2nk，k＝1，...，p-1的感知输出为sgn1(u)=1,u≥00,u<0;]]>第二隐含层有个p-1神经元，顺序记为A1，A2，Λ，Ap-1，其中每个神经元仅与第一隐含层的某一组的所有神经元相联。第二隐层的神经元的感知输出由第一隐含层到第二隐层的权值矩阵U和第二隐层的神经元的阈值ξ决定sgn(UZ1+ζ)；第三隐含层取p个神经元Bi，i＝1，Λ，p，神经元的感知输出为(EZ2+η)另外一个神经元不与第一隐层相联第二隐含层有个p神经元；输出层由m个神经元组成Ci，i＝1，Λ，m，其中每个神经元与第三隐含层的每个神经元相联，输出是输入的线性函数(VZ3+ξ)。
2.时变容错域的感知联想记忆模型的权值、时变阈值函数的确定算法把p个向量Xl=(x1l,x2l,Λ,xjl,Λ,xnl)T,l=0,...,p-1]]>的第i分量xi1，...，xip由小到大顺序排列(i先固定)，相同的数也顺序排列，按分量上标由小到大排列，并用0，...，p-1来编号。用jxik表示xik在xi1，...，xip中行第j位，j＝0，...，p-1。j＝0时，0xik表示xik是xi1，...，xin中最小数。j＝p-1时，p-1xik表示xik是xi1，...，xin中最大数。在jxik中，k与j一一对应，对于固定一个k当且仅当有唯一的j＝φi(k)与k对应；对于固定一个j当且仅当有唯一的k＝φi-(j)与j对应，即p个数可由小到大顺序记为zi,···,zij0=xiφi-(j),···,zi.p-1j]]>设p个数由小到大顺序排列为xiφi-(0)0=Λ=xiφi-(k1-1)k1-1<xiφi-(k1)k1=Λ=xiφi-(k2-1)k2-1<xiφi-(k2)k2=Λ=xiφi-(k3-1)k3-1<]]>xiφi-(k3)k3···<xiφi-(kqi)kqi=Λ=xiφi-(p-1)p-1,]]>即可用实轴上kqi+1个点表示(注p个数中有些是相等的数，相等的数可用同一点表示，此处0，k1，k2，Λ，kqi是些关键下标)，如图2上半分所示。这kqi+1个点把实轴分为kqi+1+1段。其中i＝1，...，n。
下面先作时间t的值分别落在kqi+1+1不同段上的函数右φi(k)dik(t)，左φi(k)dik(t)。
先令
再令 则它们是时间t的函数(值)，且当t固定时，以上两量值可由左下标j＝φi(k)唯一决定或由右上标k＝φi-(j)唯一决定。t固定时，这些右φi(k)dik(t)，左φi(k)dik(t)是kqi+1+1个不同区间段上的kqi+1+1点，如图2中的大黑点。易见 现在确定感知网络权值、时变阈值函数。
①输入层取n个神经元A1，A2，Λ，An。第一隐层顺序取p-1个神经元组记为左φ1(k)A1k，右φ1(k)A1k，左φ2(k)A2k，右φ2(k)A2k，Λ左φn(k)Ank，右φn(k)Ank，k＝1，Λ，p-1，即2n(p-1)个神经元可记为 i＝2n(k-1)+2j-1，j＝1，...n，k＝1，Λ，p-1； i＝2n(k-1)+2j，j＝1，...n，k＝1，Λ，p-1。输入层到第一隐层的权矩阵取为2n(p-1)×n阶型(wij)2n(p-1)×n，wij＝(-1)i+j，j＝1，...，n，i＝j+2nk，j+1+2nk，k＝0，1，...，p-2。其它wij＝0。即(wij)2n(p-1)×n=10...00-10...00010...00-10...0MMMMM00...0100...0-110......0-10......0MMMMM2n(p-1)×n---(3)]]>t时刻左φj(k)Ajk，右φj(k)Ajk的阈值取为左φj(k)θjk(t)，右φj(k)θjk(t) j＝1，2Λn.k＝1，Λ，p-1，0≤t＜+∞。即2n(p-1)个阈值可记为 i＝2n(k-1)+2j-1，j＝1，...n，k＝1，Λ，p-1，0≤t＜+∞； i＝2n(k-1)+2j，j＝1，...n，k＝1，Λ，p-1，0≤t＜+∞。
②第二隐含层取p-1个神经元A1，A2，Λ，Ap-1。第一隐层到第二隐层的权矩阵为(p-1)×2n(p-1)阶型(uij)(p-1)×2n(p-1)，uij＝1，i＝1，...，p-1，j＝2n(i-1)+1，uij＝1，i＝1，...，p-1，j＝2n(i-1)+1，2n(i-1)+2，...，2n(i-1)+2n，其它uij＝0。即
(uij)(p-1)×2n(p-1)=11...10............00......01...10...0MMMMMMMMMMMMMMMMMMMM0...............01...1(p-1)×2n(p-1)---(4)]]>其中同行中2n个1相邻排列。
Ai的阈值取为θiθi＝-2n+0.5，i＝1，Λ，p-1。
③第三隐层取p个神经元Bi，i＝1，Λ，p.第二隐层到第三隐层的权值矩阵取为p×(p-1)阶型(eij)p×(p-1)，eij＝1，i＝1，...，p-1，j＝i；eij＝1，i＝p，j＝1，...，p-1，即(eij)p×(p-1)=10...0010...MMMM0...011...11p×(p-1)---(5)]]>Bi的阈值取为ηi＝0，i＝1，...，p。输出函数为线性函数。
④输出层取m个神经元Ci，i＝1，Λ，m.第三隐层到输出层的权值矩阵为m×p阶型(vij)m×p，(v1j，v2j，...，vmj)T＝Yj，j＝1，...，p-1，(v1p，v2p，...，vmp)T＝-Y0，即(vij)m×p=y11,y12,Λ,y1p-1-y10y21,y22Λy2p-1-y20MMMMMMMMMMym1ym2Λymp-1-ym0m×p---(6)]]>Ci的阈值取为ξiξi=yi0,i=1,Λ,m.]]>关于以上四层感知联想记忆模型有以下结果。
定理按①-④确定的四层感知神经网络可作为向量对(X0，Y0)，Λ，(Xp-1，Yp-1)的联想记忆器，且Xk的容错域为 ，i＝1，Λ，n-1}，k＝1，Λ，p-1，0≤t＜+∞，D(X0)={(x1,...,xn)T|(x1,...,xn)T∉YkD(Xk)}=Rn-]]>YkD(Xk),0≤t<+∞.]]>时变容错域的感知联想记忆模型与已有联想记忆模型的本质不同在于神经元的阈值的取法不同。时变容错域的感知联想记忆模型中神经元的阈值是与时间有关的函数值，而在已有联想记忆模型中具体神经元的阈值是固定不变的。正因为如此，时变容错域的感知联想记忆模型中样本的容错域随时间变化而变化(参见上述定理)，而在已有的联想记忆模型中中样本的容错域是固定不变的。因此时变容错域的感知联想记忆模型能模拟大脑联想记忆容错域随时间变化特点，但已有的联想记忆模型则不能。
实施例1请再结合参阅图1、图2，取n＝m＝3，p＝3，Xi=(x1i,x2i,Λ,xji,Λ,xni)T,i=1,2,3.]]>Xi=(x1i,x2i,Λ,xji,Λ,xni)T=(1+i,2+i,3+i)T,]]>Yl=(y1l,Λ,yjl,Λ,yml)T=(1+l,0,0)T,]]>则按如下设置可得一具体的时变容错域的感知联想记忆模型。
令
且①输入层取3个神经元A1，A2，A3。第一隐层顺序取3-1个神经元组记为左φ1(k)A1k，右φ1(k)A1k，左φ2(k)A2k，右φ2(k)A2k，Λ左φn(k)A3k，k＝1，Λ，3-1，即2n(p-1)＝12个神经元可记为 i＝2n(k-1)+2j-1，j＝1，...3，k＝1，Λ，3-1； i＝6(k-1)+2j，j＝1，...3，k＝1，Λ，3-1。输入层到第一隐层的权矩阵取为12×3阶型(wij)12×3，wij＝(-1)i+j，j＝1，...，3，i＝j+6k，j+1+6k，k＝0，1，。其它wij＝0。即(wij)12×3=10...00-10...00010...00-10...0MMMMM00...0100...0-110......0-10......0MMMMM12×3---(8)]]>
t时刻左φj(k)Ajk，右φj(k)Ajk的阈值取为左φj(k)θjk(t)，右φj(k)θjk(t) j＝1，2Λ3.k＝1，Λ，3-1，0≤t＜+∞。即12个阈值可记为 i＝6(k-1)+2j-1，j＝1，...3，k＝1，Λ，3-1，0≤t＜+∞； i＝6(k-1)+2j，j＝1，...3，k＝1，Λ，3-1，0≤t＜+∞。
②第二隐含层取3-1个神经元A1，A2。第一隐层到第二隐层的权矩阵为2×12阶型(uij)2×12，uij＝1，i＝1，...，3-1，j＝6(i-1)+1，6(i-1)+2，...，6(i-1)+6，其它uij＝0。即(uij)2×12=11...10............00......01...10...0MMMMMMMMMMMMMMMMMMMM0...............01...12×12---(9)]]>其中同行中6个1相邻排列。
Ai的阈值取为θiθi＝-6+0.5，i＝1，Λ，3-1。
③第三隐层取3个神经元Bi，i＝1，Λ，3.第二隐层到第三隐层的权值矩阵取为3×(3-1)阶型(eij)3×(3-1)，eij＝1，i＝1，...，3-1，j＝i；eij＝1，i＝3，j＝1，...，3-1，即
(eij)2×(3-1)=10...0010...MMMM0...011...113×2---(10)]]>Bi的阈值取为ηi＝0，i＝1，...，3。输出函数为线性函数。
④输出层取3个神经元Ci，i＝1，Λ，3.第三隐层到输出层的权值矩阵为3×3阶型(vij)3×3，(v1j，v2j，...，v3j)T＝Yj，j＝1，...，3-1，(v13，v23，...，v33)T＝-Y0，即(vij)3×3=y11,y12,Λ,y1p-1-y10y21,y22Λy2p-1-y20MMMMMMMMMMy31y32Λy3p-1-y303×3---(11)]]>Ci的阈值取为ξiξi=yi0,i=1,Λ,3.]]>实施例2如图1一般性时变容错域的感知联想记忆模型(四层感知神经网络)如下构造。
网络拓扑结构如图1所示，第一层取输入元n个，记为A1，A2，Λ，An。第一隐含层有p-1个神经元组，且每组有2n个神经元，神经元顺序记为A(i)，i＝1，...，2n(p-1)，第一层神经与第一隐层所有神经元相联，第一隐层神经元A(i)，i＝2nk-1，2nk，k＝1，...，p-1的感知输出为sgn2(u)=1,u>00,u≤0,]]>第一隐层神经元A(i)，i≠2nk-1，2nk，k＝1，...，p-1的感知输出为sgn1(u)=1,u≥00,u<0;]]>第二隐含层有个p-1神经元，顺序记为A1，A2，Λ，Ap-1，其中每个神经元仅与第一隐含层的某一组的所有神经元相联。第二隐层的神经元的感知输出由第一隐含层到第二隐层的权值矩阵U和第二隐层的神经元的阈值ξ决定sgn(UZ1+ζ)；第三隐含层取p个神经元Bi，i＝1，Λ，p，神经元的感知输出为(EZ2+η)另外一个神经元不与第一隐层相联第二隐含层有个p神经元；输出层由m个神经元组成Ci，i＝1，Λ，m，其中每个神经元与第三隐含层的每个神经元相联，输出是输入的线性函数(VZ3+ξ)。
感知网络权值、时变阈值函数则设置为①输入层取n个神经元A1，A2，Λ，An。第一隐层顺序取p-1个神经元组记为左φ1(k)A1k，右φ1(k)A1k，左φ2(k)A2k，右φ2(k)A2k，Λ左φn(k)Ank，右φn(k)Ank，k＝1，Λ，p-1，即2n(p-1)个神经元可记为 i＝2n(k-1)+2j-1，j＝1，...n，k＝1，Λ，p-1； i＝2n(k-1)+2j，j＝1，...n，k＝1，Λ，p-1。输入层到第一隐层的权矩阵取为(3)所示2n(p-1)×n阶型(wij)2n(p-1)×n，wij＝(-1)i+j，j＝1，...，n，i＝j+2nk，j+1+2nk，k＝0，1，...，p-2。其它wij＝0。
t时刻左φj(k)Ajk，右φj(k)Ajk的阈值取为左φj(k)θjk(t)，右φj(k)θjk(t) j＝1，2Λn.k＝1，Λ，p-1，0≤t＜+∞。即2n(p-1)个阈值可记为 i＝2n(k-1)+2j-1，j＝1，...n，k＝1，Λ，p-1，0≤t＜+∞； i＝2n(k-1)+2j，j＝1，...n，k＝1，Λ，p-1，0≤t＜+∞。
②第二隐含层取p-1个神经元A1，A2，Λ，Ap-1。第一隐层到第二隐层的权矩阵取为(4)所示为(p-1)×2n(p-1)阶型(uij)(p-1)×2n(p-1)，uij＝1，i＝1，...，p-1，j＝2n(i-1)+1，uij＝1，i＝1，...，p-1，j＝2n(i-1)+1，2n(i-1)+2，...，2n(i-1)+2n，其它uij＝0。
Ai的阈值取为θiθi＝-2n+0.5，i＝1，Λ，p-1。
③第三隐层取p个神经元Bi，i＝1，Λ，p.第二隐层到第三隐层的权值矩阵取为(5)所示p×(p-1)阶型(eij)p×(p-1)，eij＝1，i＝1，...，p-1，j＝i；eij＝1，i＝p，j＝1，...，p-1。
Bi的阈值取为ηi＝0，i＝1，...，p。输出函数为线性函数。
④输出层取m个神经元Ci，i＝1，Λ，m.第三隐层到输出层的权值矩阵取为(6)所示m×p阶型(vij)m×p，(v1j，v2j，...，vmj)T＝Yj，j＝1，...，p-1，(v1p，v2p，...，vmp)T＝-Y0。
Ci的阈值取为ξiξi=yi0,i=1,Λ,m.]]>
权利要求
1.一种时变容错域的感知联想记忆模型，其特征在于，包括5层神经元；第一层取输入元n个，记为A1，A2，Λ，An；第一隐含层有p-1个神经元组，且每组有2n个神经元，神经元顺序记为A(i)，i＝1，...，2n(p-1)；第二隐含层有个p-1神经元，顺序记为A1，A2，Λ，Ap-1；第三隐含层取p个神经元Bi，i＝1，Λ，p；输出层由m个神经元组成Ci，i＝1，Λ，m。
2.根据权利要求1所述的时变容错域的感知联想记忆模型，其特征在于，其中输入层到第一隐层的权矩阵取为2n(p-1)×n阶型(wij)2n(p-1)×n，wij＝(-1)i+j，j＝1，...，n，i＝j+2nk，j+1+2nk，k＝0，1，...，p-2；其它wij＝0；即(wij)2n(p-1)×n=10...00-10...00010...00-10...0MMMMM00...0100...0-110......0-10......0MMMMM2n(p-1)×n]]>第二隐含层取p-1个神经元A1，A2，Λ，Ap-1。第一隐层到第二隐层的权矩阵为(p-1)×2n(p-1)阶型(uij)(p-1)×2n(p-1)，uij＝1，i＝1，...，p-1，j＝2n(i-1)+1，uij＝1，i＝1，...，p-1，j＝2n(i-1)+1，2n(i-1)+2，...，2n(i-1)+2n，其它uij＝0；即(uij)(p-1)×2n(p-1)=11...10............00......01...10...0MMMMMMMMMMMMMMMMMMMM0...............01...1(p-1)×2n(p-1)]]>其中同行中2n个1相邻排列；第三隐层取p个神经元Bi，i＝1，Λ，p.第二隐层到第三隐层的权值矩阵取为p×(p-1)阶型(eij)p×(p-1)，eij＝1，i＝1，...，p-1，j＝i；eij＝1，i＝p，j＝1，...，p-1，即(eij)p×(p-1)=10...0010...MMMM0...011...11p×(p-1)]]>第三隐层到输出层的权值矩阵为m×p阶型(vij)m×p，(v1j，v2j，...，vmj)T＝Yj，j＝1，...，p-1，(v1p，v2p，...，vmp)T＝-Y0，即(vij)m×p=y11,y12,Λy1p-1-y10y21,y22Λy2p-1-y20MMMMMMMMMMym1ym2Λymp-1-ym0m×p]]>Ci的阈值取为ξiξi=yi0,i=1,Λ,m.]]>
3.根据权利要求1所述的时变容错域的感知联想记忆模型，其特征在于，其中t时刻左φj(k)Ajk，右φj(k)Ajk的阈值取为左φj(k)θjk(t)，右φj(k)θjk(t) j＝1，2Λn.k＝1，Λ，p-1，0≤t＜+∞。即2n(p-1)个阈值可记为 i＝2n(k-1)+2j-1，j＝1，...n，k＝1，Λ，p-1，0≤t＜+∞； i＝2n(k-1)+2j，j＝1，...n，k＝1，Λ，p-1，0≤t＜+∞；Ai的阈值取为θiθi＝-2n+0.5，i＝1，Λ，p-1；Bi的阈值取为ηi＝0，i＝1，...，p；Ci的阈值取为ξiξi=yi0,i=1,Λ,m;]]>其中
全文摘要
本发明一种时变容错域的感知联想记忆模型，其特征在于，包括5层神经元；第一层取输入元n个，记为A
文档编号G06N3/06GK1870017SQ20051007377
公开日2006年11月29日 申请日期2005年5月24日 优先权日2005年5月24日
发明者杨国为 申请人:中国科学院半导体研究所