改进的稀疏分布存储器模型及其学习能力分析

彭宏京; 陈松灿

您当前的位置：

首页 >

文章列表页 >

改进的稀疏分布存储器模型及其学习能力分析

论文 | 更新时间：2025-07-16

- 改进的稀疏分布存储器模型及其学习能力分析
- Analysis on the Learning Ability of Improved Sparse Distributed Memory Model
- 电子学报 2002年30卷第5期页码：774-776
- 作者机构：
  
  南京航空航天大学计算机科学与工程系,江苏,南京,210016
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.69973021)
- DOI：
  中图分类号： TP391.41
- 纸质出版：2002
- 稿件说明：
移动端阅览
彭宏京, 陈松灿. 改进的稀疏分布存储器模型及其学习能力分析[J]. 电子学报, 2002,30(5):774-776.

PENG Hong-jing, CHEN Song-can. Analysis on the Learning Ability of Improved Sparse Distributed Memory Model[J]. Acta Electronica Sinica, 2002, 30(5): 774-776.
彭宏京, 陈松灿. 改进的稀疏分布存储器模型及其学习能力分析[J]. 电子学报, 2002,30(5):774-776. DOI：

PENG Hong-jing, CHEN Song-can. Analysis on the Learning Ability of Improved Sparse Distributed Memory Model[J]. Acta Electronica Sinica, 2002, 30(5): 774-776. DOI：

摘要

Kanerva的稀疏分布存储器模型(SDM)

由于其读写规则采用外积法

因此限制了它的应用.本文对该模型进行改进

改变了原来的读写规则

保留其稀疏分布式存储的特点

得到一个与小脑模型(CMAC)相似的新模型

但它不存在分块效应、不需要HASHING技术.理论分析和示例表明了该改进模型的合理性和有效性.

Abstract

Kanerva's sparse distributed memory model (SDM) was initially applied to associative memory

its application is limited for its reading-writing operation by using outer product.SDM is improved in this paper by changing its original rule of reading-writing operation and retaining its characteristics of sparse distributed memory

then a novel improved model that is similar to CMAC will be obtained

in which no block effect appear and Hashing technology is not used.Theoretical analysis and example have shown this improved model effective and reasonable.

关键词

Keywords

references

浏览量

1128

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

CMAC的无交叠感受域变分辨率学习方法

多项式感知器的非线性映射性能分析及其格型实现

CMAC网络的一种联接模型

定时综合的数字相位方法