关于一般存储器神经网络的学习收敛性研究

摘要：

本文在一类称为一般存储器神经网络(General Memory Neural Network (GMNN))的统一框架下来研究学习收敛性.该一般模型类的结构由三部分组成:输入空间量化、存储器地址产生器、查表式某种组合输出.当产生的地址是固定有限的个数以及网络输出是线性求和时,可以证明GMNN能在最小平方误差意义下收敛.CMAC(Cerebellar Model Articulation Controller)、SLLUP(Single-Layer Lookup Perceptrons)是该类模型的典型代表.本文的意义在于为构造新的基于局部学习的神经网络模型提供理论指导,最后给出了这种构造的两个例子--SDM(Sparse Distributed Memory )和SLLUP的两个推广模型.

关键词：存储器网络、CMAC、n-tuple、SLLUP、SDM、学习收敛性

所属期刊栏目：31

分类号：TP3(计算技术、计算机技术)

资助基金：国家自然科学基金69973021

在线出版日期：2004-05-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：118-121,132