[发明专利]认知联想记忆模型

说明书

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——基于认知理论的联想记忆模型。

背景技术

联想记忆是神经网络的重要应用之一。联想记忆神经网络具有良好的对含噪声样本的信息处理能力，因此在优化计算、纠错编码、数据压缩、模式识别以及智能控制等方面得到广泛的应用。

目前的联想记忆网络主要是基于Hebb规则的Hopfield联想记忆网络。但目前基于Hebb规则的联想记忆网络具有一些不足，如对于关联信息较强的相似模式的记忆效果不理想；并且该方法仅能对二值模式实现联想记忆，而对于多值模式无法实现联想记忆，这些缺点限制了该方法的应用。

认知心理学是以信息加工观点为核心的心理学。所谓信息加工观点就是将人脑与计算机进行类比，将人脑看作类似于计算机的信息加工系统。人工智能是在大量心理学家研究成果的基础上诞生的。人工智能要研究如何利用机器来模拟人的思维，从根本上讲离不开认知心理学的模型支持。例如，王守觉院士所提出的仿生模式识别方法的性能就优于传统模式识别方法。其原因在于该方法中融入了人类的认知功能。因此基于认知理论建立新型的联想记忆网络是目前人工智能领域研究的热点之一。

对于联想记忆这样简单的问题，人类自身的认知处理能力显然比传统的Hopfield神经网络强得多。其原因在于人类的认知过程与传统Hopfield网络不同。

第一，记忆内容不同。对于给定的样本模式，人只能记住每个模式的大致信息，而不是每个细节，而Hopfield网络则试图记住每一个细节。例如，如果将样本模式看作是图片，则样本模式的每一个分量可对应一个像素的灰度值。如果利用Hopfield网络实现图像的联想记忆，则网络输出的是每一个像素点的灰度值。而当人看到几幅不同的样本模式图像时，通常可以很快大致地记住这几幅图像的内容和区别，但并不能很准确地记住每一个像素的灰度和细节，当再现其中一幅图像(或者含噪声的图像)时，可以迅速地完成辨识任务，但很难说清所有像素的具体灰度值。

第二，联想过程不同。利用神经网络进行联想记忆时，网络通常不能一次得到最终的联想结果，而是经过几次迭代计算，逐渐去掉噪声污染，当网络稳定时，才能得出联想结果。而人只要看到一幅图像，就可以立刻完成联想，马上得出结果，并不存在逐步去除噪声的量变过程。

第三，存储能力不同。神经网络仅能存储很少的样本模式，并且对于相似模式很难存储，或者需要专门设计特殊的学习方法。而一个人通常可以同时记住很多个模式，并且对于相似模式，人可以很快找到关键的区别点，并加以记忆。

第四，结果表达不同。由于噪声会使得样本模式产生畸变，因此神经网络可能产生介于两种样本模式之间的非存储的错误模式。而人可以给出具有模糊表达的认知结果，而不是非存储的样本模式。

因此基于认知特点设计一种联想记忆网络将会大大改善现有联想记忆网络的性能。

发明内容

本发明所要解决的技术问题是，设计一种基于认知理论的联想记忆网络模型，能够实现对相似模式和多值模式的存储记忆。

本发明所采用的技术方案是：一种认知联想记忆模型，网络存储M个存储模式，每个存储模式有n个分量，包括两层神经元。第一层为输入层，取输入元n个，对应输入模式的n个分量，记为x₁，x₂，...，x_n；第二层为输出层，取M个神经元，记为y₁，y₂，...，y_M，输出层第j个神经元的输出范围为[0，1]，表示输入待联想模式向量的联想结果隶属于第j个存储模式的程度。

输入层与输出层之间的连接权值根据待联想模式的不同设计为动态权值，输出层单元采用线性输出的方式。

本发明的目的在于提出一种基于认知理论的联想记忆模型，该模型克服已有基于Hebb规则的联想记忆模型的缺点。可以实现对相似模式和多值模式的联想记忆。

附图说明

图1为联想记忆网络结构示意图。

图2为三值相似模式联想记忆实例的存储模式和待联想模式示意图，其中前三个图为存储模式，第四个图为待联想输入模式。

具体实施方式

下面结合实施例和附图对本发明作进一步详细说明。

本发明是如图1所示的两层联想记忆网络。