当前位置：文档之家 › 《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

  • 格式：docx
  • 大小：22.06 KB
  • 文档页数：6

下载文档原格式

  / 6

合集下载

大脑神经网络重塑过程与学习记忆关系分析

大脑神经网络重塑过程与学习记忆关系分析

大脑神经网络重塑过程与学习记忆关系分析概述：大脑是人体最重要的器官之一，它包含充满奇思妙想的神经网络，通过这些网络实现了人类的学习和记忆过程。

本文将探讨大脑神经网络的重塑过程以及与学习记忆的关系。

我们将首先介绍大脑神经网络的基本构造，然后探讨神经网络的重塑过程，最后讨论学习和记忆如何与神经网络相互作用。

一、大脑神经网络的基本构造人脑是由数十亿个神经元以及众多的神经连接组成的。

神经元通过突触相互连接，形成了复杂的神经网络。

每个神经元可以通过突触与其他神经元相互传递信息，从而产生学习和记忆。

二、神经网络的重塑过程大脑神经网络的重塑是一个持续的过程，即神经可塑性。

神经可塑性是指神经元在特定的刺激下可以改变其结构和功能的能力。

这种可塑性主要由突触强度和突触连接的改变所驱动。

1. 突触强度改变突触强度改变是神经网络重塑的重要机制之一。

当一个神经元反复接收到某种刺激时，其与其他神经元之间的连接变得更强。

这种突触强度的增强称为长时程增强（LTP）。

相反，如果一个神经元反复接收到相反的刺激，其与其他神经元之间的连接将变得更弱，这种突触强度的减弱称为长时程减弱（LTD）。

2. 突触连接的改变除了突触强度的改变，神经网络的重塑还包括突触连接的改变。

当某个神经元和其他神经元之间的连接被频繁激活时，突触连接将变得更强。

相反，如果某个神经元与其他神经元之间的连接很少被激活，突触连接将变得更弱或甚至消失。

三、学习和记忆与神经网络的关系学习和记忆是大脑神经网络重塑的重要结果。

这两个过程通过神经网络中的突触强度和连接的改变来实现。

1. 学习与神经网络学习是一种获取新知识和技能的过程。

当我们学习新的知识或技能时，大脑中的神经网络将发生变化，新的连接会被建立，突触强度会发生改变。

这使得我们能够更有效地处理信息，提高学习效果。

2. 记忆与神经网络记忆是指保存和提取信息的过程。

当我们经历某件事情或学习新的知识时，神经网络中的连接和突触强度会发生变化，这种变化被称为记忆的编码。

神经网络 实验报告

神经网络 实验报告

神经网络实验报告神经网络实验报告引言：神经网络是一种模仿人脑神经元网络结构和功能的计算模型，它通过学习和训练来实现模式识别、分类和预测等任务。

本次实验旨在探索神经网络的基本原理和应用，并通过实践验证其效果。

一、神经网络的基本原理1.1 神经元模型神经元是神经网络的基本单元，它接收来自其他神经元的输入信号，并通过激活函数进行处理后输出。

我们采用的是Sigmoid函数作为激活函数，它能够将输入信号映射到0到1之间的值。

1.2 神经网络结构神经网络由输入层、隐藏层和输出层组成。

输入层接收外部输入的数据，隐藏层用于处理和提取特征，输出层给出最终的预测结果。

隐藏层的数量和每层神经元的数量是根据具体问题而定的。

1.3 反向传播算法反向传播算法是神经网络中最常用的训练算法，它通过计算误差和调整权重来不断优化网络的预测能力。

具体而言，它首先进行前向传播计算得到预测结果，然后计算误差，并通过链式法则将误差反向传播到每个神经元，最后根据误差调整权重。

二、实验设计2.1 数据集选择本次实验选择了一个手写数字识别的数据集，其中包含了大量的手写数字图片和对应的标签。

这个数据集是一个经典的机器学习数据集，可以用来评估神经网络的分类能力。

2.2 神经网络参数设置为了探究神经网络的性能和泛化能力，我们设置了不同的参数组合进行实验。

主要包括隐藏层数量、每层神经元数量、学习率和训练轮数等。

2.3 实验步骤首先，我们将数据集进行预处理，包括数据归一化和标签编码等。

然后，将数据集划分为训练集和测试集，用于训练和评估网络的性能。

接下来，根据不同的参数组合构建神经网络，并使用反向传播算法进行训练。

最后，通过测试集评估网络的分类准确率和损失函数值。

三、实验结果与分析3.1 参数优化我们通过对不同参数组合的实验进行比较，找到了在手写数字识别任务上表现最好的参数组合。

具体而言，我们发现增加隐藏层数量和神经元数量可以提高网络的分类准确率，但同时也会增加训练时间。

人工智能控制技术课件：神经网络控制

人工智能控制技术课件：神经网络控制
进行的，这种排列往往反映所感受的外部刺激的某些物理特征。
例如，在听觉系统中，神经细胞和纤维是按照其最敏感的频率分
布而排列的。为此，柯赫仑（Kohonen）认为，神经网络在接受外
界输入时，将会分成不同的区域，不同的区域对不同的模式具有
不同的响应特征，即不同的神经元以最佳方式响应不同性质的信
号激励，从而形成一种拓扑意义上的有序图。这种有序图也称之


,

,
⋯
,

)
若 输 入 向 量 X= ( 1
， 权 值 向 量
2


W=(1 , 2 , ⋯ , ) ，定义网络神经元期望输出 与
实际输出 的偏差E为：
E= −
PERCEPTRON学习规则
感知器采用符号函数作为转移函数，当实际输出符合期
望时，不对权值进行调整，否则按照下式对其权值进行
单神经元网络
对生物神经元的结构和功能进行抽象和
模拟，从数学角度抽象模拟得到单神经
元模型，其中 是神经元的输入信号，
表示一个神经元同时接收多个外部刺激；
是每个输入所对应的权重，它对应
于每个输入特征，表示其重要程度；
是神经元的内部状态； 是外部输入信
号； 是一个阈值（Threshold）或称为
第三代神经网络：
2006年，辛顿（Geofrey Hinton）提出了一种深层网络模型——深度
置信网络（Deep Belief Networks，DBN），令神经网络进入了深度
学习大发展的时期。深度学习是机器学习研究中的新领域，采用无
监督训练方法达到模仿人脑的机制来处理文本、图像等数据的目的。
控制方式，通过神经元及其相互连接的权值，逼近系统

内连式复值双向联想记忆模型及性能分析

内连式复值双向联想记忆模型及性能分析

样 拳对 成 为 其稳 定 点 ， 服 了 Ｃ Ａ 所 存 在 的补 码 问题 计 算机 模 拟 证 明 了谊模 型 比 Ｃ Ｂ Ｍ 具 有 更 高 的存 克 ＤＢ Ｍ Ｄ Ａ
储 容 量 和 更 好 的 纠 错 性 能
关 键 词 ：双 向 联 想 记 忆 ： 经 网络 ； 量 函数 ； 数 域 ； 神 能 复 多值 联 想 记 忆 ； 内连 接
维普资 ３ ４３） ０ － ２／０／ （ ） ３４ ０ ９ ２ １０ ０ ５
￣０２ｏ ｎ ｆ ａ 软 件 学 塑 ２ ｕ ａ ｆｏｗｒ ０Ｊｒｌ Ｓｔ ｅ ｏ
！ ！ ： 坚 堡
内连 式 复 值 双 向联 想 记 忆 模 型 及 。 分 析 陛能
在 存 储 容 量 和 纠 错 率 低 的问 题 ， 补码 问题 也 未 得 到解 决
本 文 的 目的 是 在 Ｃ ＤＢＡＭ 的基 础 上 ， 助 于 Ｍ Ｉ 借 ＢＡＭ 的 思 想 ， 引入 神 经 元 层 内的 自联 想 （ 内连 接 ） 实 现 两 或 来 者 的结 合 ， 而 推 广 上述 两 个 模 型 ， 一 方 面 可 使 Ｍ Ｉ 从 即 ＢＡＭ 具 有 处 理 复 值 即 多 值 的 能力 ． 同时 使 原 有 Ｃ ＡＭ 在 ＤＢ
１１ 修 正 内连 式 双 向联 想记 忆 模 型 ．
假 定 有 坍 对 存 储 的 二 值 数 据 或 模 式 （ ， ） ＝１２… ， ∈卜 ｌＩ ∈（ ｌｌ ， ，， ． 七 ，）． 一，
ＭＩ ＢＡＭ 的 取 向 更新 规 则 是 ：
＊
收 稿 日期 ：２ ０ —５ ｌ．修 改 日期 ：２ ０ 一８ １ ０ ００ １ ０ ０ ｏ ．５
基 金 项 目 ：国 家 自然 科 学 基 金 资 助 项 目（９ 叭 ０ ４， 家 教 育 部 青 年 骨 干 教 师 资 助 项 目 ． 京 大 学 计 算 机 软 件 新 技 术 国 家 重 点 ６ ７ ０ ）国 南

【国家自然科学基金】_双向联想记忆_基金支持热词逐年推荐_【万方软件创新助手】_20140801

【国家自然科学基金】_双向联想记忆_基金支持热词逐年推荐_【万方软件创新助手】_20140801

2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14
2011年 科研热词 推荐指数 双向联想记忆神经网络 4 时滞 2 脉冲 1 稳定性 1 概周期解 1 时滞神经网络电路实验 1 存在性 1 周期解 1 双向联想记忆神经网络:m-矩阵 1 分布时滞 1 全局渐近稳定性 1 全局指数稳定性 1 simulink数值仿真 1 mawhin连续定理 1
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
科研热词 双向联想记忆 鲁棒稳定 鲁棒性 解析解 线形矩阵不等式 稳定性 神经网络 模糊双向联想记忆网络 概念格 有界性 时间延迟 时滞 无穷时滞 形式背景 形式概念分析 平衡点 学习算法 周期解 同步 变系数 双向联想记忆神经网络 双向联想记忆(bam)神经网络 全局渐近稳定性 三角模 lyapunov泛函:banach空间 lyapunov泛函 (lmis)
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
科研热词 推荐指数 双向联想记忆神经网络 3 鲁棒稳定 2 线性矩阵不等式 2 脉冲 1 离散时滞 1 时滞双向联想记忆神经网络 1 时滞 1 时变时滞 1 指数稳定 1 指数收敛 1 周期振荡解 1 全局指数稳定 1 不确定性 1 markov跳变 1 lyapunov泛函 1 lyapunov-krasovskii函数序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
2014年 科研热词 推荐指数 阈值 1 脉冲神经网络 1 联想记忆 1 结构稳定性 1 粒度函数 1 神经网络 1 比例时滞 1 时标 1 平衡解 1 吸引子 1 同态映射 1 全局指数稳定性 1 ∨-t模糊双向联想记忆网络 1 lyapunov稳定性 1 brouwer不动点定理 1

第5章 Hopfield神经网络与联想记忆教材

第5章 Hopfield神经网络与联想记忆教材

第5章Hopfield神经网络与联想记忆前面介绍了前向网络及其学习算法，对于所介绍的前向网络，从学习的观点来看，它是一个强有力的学习系统，系统结构简单、易于编程；从系统的观点来看，它是一个静态非线性映射，通过简单非线性处理单元的复合映射可获得复杂系统的非线性处理能力；从计算的观点来看，它并不是一强有力系统，缺乏丰富的动力学行为。

反馈神经网络是一个反馈动力学系统，具有更强的计算能力。

1982年美国物理学家J. Hopfield提出的单层全互连含有对称突触连接的反馈网络是最典型的反馈网络模型。

Hopfield 用能量函数的思想形成了一种新的计算方法，阐明了神经网络与动力学的关系，并用非线性动力学的方法来研究这种神经网络的特性，建立了神经网络稳定性判据，并指出信息存储在网络中神经元之间的连接上，形成了所谓的Hopfield网络，称之为离散Hopfield网络。

而且Hopfield还将该反馈网络同统计物理中的Ising模型相类比，把磁旋的向上和向下方向看成神经元的激活和抑制两种状态，把磁旋的的相互作用看成神经元的突触权值。

这种类推为大量的物理学理论和许多的物理学家进入神经网络领域铺平了道路。

1984年，Hopfield设计与研制了Hopfield网络模型的电路，指出神经元可以用运算放大器来实现，所有神经元的连接可用电子线路来模拟，称之为连续Hopfield网络。

用该电路Hopfield成功的解决了旅行商（TSP）计算难题（优化问题）。

Hopfield网络是神经网络发展历史上的一个重要的里程碑。

把神经网络看作一种非线性的动力学系统，并特别注意其稳定性研究的学科，被称为神经动力学（Neurodynamics）。

Hopfield神经网络可看作一种非线性的动力学系统，所以为了方便介绍Hopfield神经网络，本章首先简单介绍神经动力学。

前面介绍的单层前向网络和多层前向网络，其思路均是先介绍网络模型再介绍相应的学习算法。

联想记忆网络的学习:基本思路和实现

联想记忆网络的学习：基本思路和实现
汪涛;俞瑞钊
【期刊名称】《高技术通讯》
【年(卷),期】1995(005)004
【摘要】提出了一种神经网络学习算法设计的基本思路,即首先将神经网络的设计目标形式化,建立合适的数学模型;然后将其转化为易于处理的最优化问题,对网络参数以及网络结构进行优化.
【总页数】4页(P29-32)
【作者】汪涛;俞瑞钊
【作者单位】浙江大学计算机系,杭州,310027;浙江大学计算机系,杭州,310027【正文语种】中文
【中图分类】TP39
【相关文献】
1.双向联想记忆神经网络的开关电流技术实现 [J], 覃景繁
2.新型联想记忆神经网络的硬件实现研究 [J], 王剑;万冬梅;毛宗源
3.相空间压缩法实现混沌神经网络联想记忆 [J], 缪志强;王耀南
4.基于联想记忆的Hopfield神经网络的设计与实现 [J], 张少平;徐晓钟;马燕
5.基于形态学和模糊运算的新联想记忆网络--模糊形态学联想记忆网络 [J], 王敏;王士同;吴小俊
因版权原因，仅展示原文概要，查看原文内容请购买。

神经网络三种模型综述(反馈,模糊和小脑)


j=1,2,…,n
反馈神经网络
Hopfield网络
网络的稳定性
DHNN网实质上是一个离散的非线性动力学系统。网络从初态X(0)开始，若 能经有限次递归后，其状态不再发生变化，即X(t+1)＝X(t)，则称该网络是稳定 的。如果网络是稳定的，它可以从任一初态收敛到一个稳态： 如图a)所示 若网络是不稳定的，由于DHNN网每个节点的状态只有1和-1两种情况，网 络不可能出现无限发散的情况，而只可能出现限幅的自持振荡，这种网络称为 有限环网络，如图b)所示
式中净输入为
netj (wij xi ) T j
i 1
n
j=1,2,…,n
对于DHNN网，一般有wii=0 ，wij=wji
反馈网络稳定时每个神经元的状态都不再改变，此时 的稳定状态就是网络的输出,表示为： lim X(t)
t
反馈神经网络
Hopfield网络
网络的工作方式

网络的异步工作方式
反馈神经网络
随机神经网络
主要区别
–
在学习阶段，随机网络不像Hopfield那样基于某 种确定性算法调整权值，而是按某种概率分布进 行修改。 在运行阶段，随机网络不是按某种确定性的网络 方程进行状态演变，而是按某种概率分布决定其 状态的转移。
–
反馈神经网络
随机神经网络
模拟退火原理

模拟退火算法是随机网络中解决能量局部极小问题的一个有效方法，其基本 思想是模拟金属退火过程。 金属退火过程大致是，先将物体加热至高温，使其原子处于高速运动状态， 此时物体具有较高的内能；然后，缓慢降温，随着温度的下降，原子运动速 度减慢，内能下降；最后，整个物体达到内能最低的状态。模拟退火过程相 当于沿水平方向晃动托盘，温度高则意味着晃动的幅度大，小球肯定会从任 何低谷中跳出，而落入另一个低谷。

基于Hopfield神经网络概念设计中联想记忆

基于Hopfield神经网络概念设计中联想记忆
夏君铁;马庆忠;任玉杰;赵婷婷
【期刊名称】《辽宁工程技术大学学报：自然科学版》
【年(卷),期】2005(24)1
【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。

【总页数】3页(P115-117)
【关键词】联想记忆;神经网络;概念设计;需求表达
【作者】夏君铁;马庆忠;任玉杰;赵婷婷
【作者单位】大连大学物理学院;大连职业技术学校;大连轻工学院
【正文语种】中文
【中图分类】TP391.72
【相关文献】
1.基于类Hopfield脉冲神经网络模型由突触缺失导致海马CA3区联想记忆功能障碍的建模仿真研究 [J], 赵旺兄;乔清理;王丹
2.基于MapReduce模型的Hopfield神经网络联想记忆算法 [J], 曾俊
3.基于离散型Hopfield神经网络的联想记忆能力研究 [J], 余洋;傅成华
4.基于联想记忆的Hopfield神经网络的设计与实现 [J], 张少平;徐晓钟;马燕
5.基于离散型Hopfield神经网络的联想记忆能力研究 [J], 余洋;傅成华
因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于联想记忆系统实现图像压缩的新方法

一种基于联想记忆系统实现图像压缩的新方法
李云栋;张其善
【期刊名称】《北京航空航天大学学报》
【年(卷),期】2004(030)012
【摘要】针对传统神经网络用于图像压缩时存在的训练时间长、泛化能力弱等问题,提出一种基于联想记忆型神经网络的图像压缩新方法.利用牛顿前向插值多项式构建联想记忆系统,对图像数据进行建模.首先将图像数据分为多个数据块,然后利用数据块对联想记忆系统进行训练,训练结束后得到该数据块的特征数据,特征数据的数量小于原始数据块,且数值大多在零附近.最后对所有数据块的特征数据重新排序,进行熵编码,从而实现图像数据的压缩.实验结果表明该方法是可行的和有效的,相比传统神经网络,联想记忆系统无需预先训练,不依赖训练集数据和初始值,可以实时编码.
【总页数】4页(P1208-1211)
【作者】李云栋;张其善
【作者单位】北京航空航天大学,电子信息工程学院,北京,100083;北京航空航天大学,电子信息工程学院,北京,100083
【正文语种】中文
【中图分类】TN919.8
【相关文献】
1.一种基于切比雪夫插值的联想记忆系统 [J], 阎守峰;柳重堪;毛士艺
2.一种新的联想记忆系统及其学习收敛性 [J], 邢春峰
3.一种新的联想记忆系统的学习收敛性（II） [J], 邢春峰;柳重堪
4.模糊联想记忆系统规则提取的新方法 [J], 魏立梅;谢维信
5.一个基于SDM改进模型的手写体汉字联想记忆系统的实现 [J], 徐涛;胡振宁;骆明
因版权原因，仅展示原文概要，查看原文内容请购买。

  1. 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. 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. 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)。
B2_la=hardlims(W'*A2_fo);
A2_la=hardlims(W*B2_la);
B2_fo=hardlims(W'*A2_la);
end
disp('correct or not : ')
disp(isequal(A2,A2_la)&&isequal(B2,B2_la))
clear B2_fo B2_la A2_fo A2_la
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：
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：
则正，反向权矩阵为：
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：
三、实验内容及步骤
2、连接权值W=
4 2 2 -2 0 -2 0 -2 4 0
1.0000 0.7000 0.3200
0.8200 0.7200 0.3500
0.9400 0.5500 0.1600
0.7600 0.6400 0.1600
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随迭代的次数而减小。这是因为双向联想网络是Hopfield网络的一种，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。
disp('2 choose A3 to test')
A3_fo=A3;
A3_la=1;B3_fo=2;B3_la=3;
while ~(isequal(A3_fo,A3_la)&&isequal(B3_fo,B3_la))
B3_fo=hardlims(W'*A3_fo);
A3_la=hardlims(W*B3_fo);
disp('取A1畸变度为3，观察10次输出，显示能量')
for qbx=1:10
A1_zs= A1.*(1-2*randerr(1,15,3)');
A1_fo=A1_zs;Ezs=[];
A1_la=1;B1_fo=2;B1_la=3;
while ~(isequal(A1_fo,A1_la)&&isequal(B1_fo,B1_la))
稳定状态能量值：
3、验证网络的联想能力
对 采用W进行迭代直到稳定求得的 与原 相同。
对 采用W进行迭代直到稳定求得的 与原 相同。
4、验证网络抗噪能力
取 畸变度为3，观察10次输出，显示能量
correct:1 and energy:-82 -158
correct:1 and energy:-90 -158
B_fo=hardlims(W'*A_fo);
A_la=hardlims(W*B_fo);
B_la=hardlims(W'*A_la);
A_fo=hardlims(W*B_la);
end
state4(qbxa,qbx)=isequal(A(:,qbxa),A_la)&&isequal(B(:,qbxa),B_la);
end
state3=isequal(A1,A1_la)&&isequal(B1,B1_la);
disp([strcat('correct:',num2str(state3),' and energy:'),num2str(Ezs)]);
end
clear B1_fo B1_la A1_fo A1_la state3 ezs Ezs A1_zs
B1_fo=hardlims(W'*A1_fo);
ezs=-A1_fo'*W*B1_fo;Ezs=[Ezs,ezs];
A1_la=hardlims(W*B1_fo);
B1_la=hardlims(W'*A1_la);
ezs=-A1_la'*W*B1_la;Ezs=[Ezs,ezs];
A1_fo=hardlims(W*B1_la);
for qbxa=1:4 %分别取出B的每一列，即B1到B4进行操作
for qbx=1:times(qbx123) %循环次数
B_zs= B(:,qbxa).*(1-2*randerr(1,10,qbx123)');%随机位取反
B_fo=B_zs; %输入矢量Ai
B_la=3;A_fo=1;A_la=2;%声明迭代过程矢量
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)，取：
3、通过总结第5步和第6步的实验结果，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，噪声增大，网络联想正确率剧烈下降，说明网络恢复的记忆力是有限的。这种二进制的存储映射是一对一的，容差性差。
% disp(state4)
end
disp('the degree of accuracy from A1 to A4:')
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
% disp(state4)
end
disp('实验步骤6噪声大小对联想能力的影响')
disp('分别对B取反1到3位数验证100次')
times=[100 100 100];%循环次数向量
for qbx123=1:3 %取反1到3位数%分别取出times各项
state4=0; %验证正确与否的状态矩阵，用0和1表示
B3_la=hardlims(W'*A3_la);
A3_fo=hardlims(W*B3_la);
end
disp('correct or not : ')
disp(isequal(A3,A3_la)&&isequal(B3,B3_la))
clear B3_fo B3_la A3_fo A3_la
disp('实验步骤4验证网络的抗噪能力')
E
clear E s
disp('实验步骤3验证网络联想能力')
disp('1 choose B2 to test')
B2_fo=B2;
B2_la=1;A2_fo=2; A2_la=3;
while ~isequal(A2_fo,A2_la)||~isequal(B2_fo,B2_la)
A2_fo=ims(W*B2_fo);
实验2双向联想记忆
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：
disp('实验步骤5噪声大小对联想能力的影响')
disp('分别对A取反1到3位数各验证300次')
times=[300 300 300];%循环次数向量
for qbx123=1:3 %取反1到3位数%分别取出times各项
state4=0; %验证正确与否的状态矩阵，用0和1表示
for qbxa=1:4 %分别取出A的每一列，即A1到A4进行操作
for qbx=1:times(qbx123) %循环次数
A_zs= A(:,qbxa).*(1-2*randerr(1,15,qbx123)');%随机位取反
A_fo=A_zs; %输入矢量Ai
A_la=3;B_fo=1;B_la=2;%声明迭代过程矢量
while ~(isequal(A_fo,A_la)&&isequal(B_fo,B_la)) %Ai和Bi迭代后状态稳定了吗
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
五、实验结论
对于Kosko型其次双向联想记忆网络：
1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。
2随着网络噪声的增大，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。
六、MATLAB源程序
clear;clc
disp('实验步骤2显示连接权矩阵及能量值');
tabulate(state4(qbxa,:))
acout=state4(qbxa,:);
B_C(qbxa,qbx123)=length(acout(acout==1))/times(qbx123);
end
% disp(strcat('when the degree of distortion is ',num2str(qbx123),', the state matrix are'));