摘要
首先从 Hopfield 自联想记忆模型(HAM)出发,对其回忆规则运用机器学习中流行的核技巧,构建一个核自联想记忆模型框架(KAM).并通过核函数的选取,使指数型相关联想记忆模型(ECAM)和改进的 ECAM(IEC-AM)模型成为其中的两个特例.然后针对二维视觉图像的识别,在核函数中引入反映视觉特性的二维(2-D)距离因子,进一步提出一个距离加权的2-D 核自联想记忆模型框架(DW2D-KAM).由此较大改进 KAM 对图像的存储和纠错性能,并且使该模型更加符合神经生理学和解剖学的思想.最后,计算机模拟不仅证实 DW2D-KAM 比 KAM在字符识别上具有更高的存储和纠错性能,而且其同样优于 Seow 和 Asari 提出的模块化 HAM 的识别效果.
By using the kernel trick to modify Hopfield auto-associative memory model （HAM）, a framework of kernel auto-association memory model （KAM） is proposed. KAM makes exponential correlation associative memory （ ECAM ） and improved ECAM （ IECAM ） become two special cases. Then, the framework of distance weighted 2-D kernel auto-association memory model （DW2D-KAM） is constructed by introducing distance factors tO the kernels. DW2D-KAM improves the Storage capacity and error-correcting capability of KAM when recognizing binary visual images. Simulation results verify that DW2D-KAM has higher storage capacity and better error-correcting capability than those of KAM, and outperforms the recently proposed modular HAM by Seow and Asari.
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2007年第1期110-114,共5页
Pattern Recognition and Artificial Intelligence
基金
国家自然科学基金(No.60271017)
关键词
自联想记忆
神经网络
距离加权
核方法
模式识别
Auto-Association Memory, Neural Network, Distance Weighted, Kernel Method,Pattern Recognition
