容量约束的自组织增量联想记忆模型

TP18; 自组织联想记忆神经网络因其并行、容错及自我学习等优点而得到广泛应用,但现有主流模型在增量学习较大规模样本时,网络节点数可能无限增长,从而给实际应用带来不可承受的内存及计算开销.针对该问题,提出了一种容量约束的自组织增量联想记忆模型.以网络节点数为先决控制参数,结合设计新的节点间自竞争学习策略,新模型可满足大规模样本的增量式学习需求,并能以较低的计算容量取得较高的联想记忆性能.理论分析表明了新模型的正确性与有效性,实验分析同时显示了新模型可有效控制计算容量,提升增量样本学习效率,并获得较高的联想记忆性能,从而能更好地满足现实应用需求....

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 10; no. 1; pp. 130 - 141
Main Authors 孙桃, 谢振平, 王士同, 刘渊
Format Journal Article
LanguageChinese
Published 江南大学数字媒体学院,江苏无锡,214122 2016
Subjects
self-organizing
capacity constraint
incremental learning
联想记忆
自组织
容量约束
神经网络
增量学习
associative memory
neural network
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.1505007

Cover

More Information
Summary:TP18; 自组织联想记忆神经网络因其并行、容错及自我学习等优点而得到广泛应用,但现有主流模型在增量学习较大规模样本时,网络节点数可能无限增长,从而给实际应用带来不可承受的内存及计算开销.针对该问题,提出了一种容量约束的自组织增量联想记忆模型.以网络节点数为先决控制参数,结合设计新的节点间自竞争学习策略,新模型可满足大规模样本的增量式学习需求,并能以较低的计算容量取得较高的联想记忆性能.理论分析表明了新模型的正确性与有效性,实验分析同时显示了新模型可有效控制计算容量,提升增量样本学习效率,并获得较高的联想记忆性能,从而能更好地满足现实应用需求.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1505007