1、基于权重分布的改进Kohonen特征图概率联想记忆模型解析

基于权重分布的改进Kohonen特征图概率联想记忆模型解析

1. 神经网络模型概述

近年来，神经网络作为实现灵活信息处理的方法备受关注。它模仿生物大脑中的神经元群体，具备学习和获取信息处理能力的重要特性。在神经网络领域，已经提出了许多模型，如反向传播算法、Kohonen特征图（KFM）、Hopfield网络和双向联想记忆等。不过，这些模型的学习过程和回忆过程是分开的，需要提前获取所有学习信息。

在现实世界中，提前获取所有学习信息十分困难，因此需要学习和回忆过程不分开的模型。Grossberg和Carpenter提出的ART（自适应共振理论）就是这样的模型，但它基于局部表示，对映射层中受损神经元的鲁棒性较差。而在联想记忆领域，一些基于分布式表示的模型虽然对受损神经元具有鲁棒性，但由于其学习算法基于Hebbian学习，存储容量较小。

Kohonen特征图（KFM）联想记忆模型被提出，它与ART类似基于局部表示，但可以连续学习新模式，存储容量也比部分模型大，能处理自动和异联想以及包含公共项的多个顺序模式的联想。此外，引入区域表示的KFM联想记忆模型对受损神经元具有鲁棒性，但无法处理一对多关联和模拟模式关联。具有基于区域表示的不应性的Kohonen特征图联想记忆模型可以处理模拟模式和一对多关联，但所有这些模型都无法实现包含一对多关系的训练集的概率关联。

2. KFM概率联想记忆基于权重分布模型

2.1 结构

传统的Kohonen特征图概率联想记忆基于权重分布（KFMPAM - WD）模型有两层：输入/输出层和映射层，且输入/输出层被分为若干部分。

2.2 学习过程

该模型的学习