论文部分内容阅读
Kanerva的稀疏分布存储(SDM)模型解决了大维数样本的训练问题，推广了现有计算机的存储方式。但其地址矩阵的随机预置方式不能反映样本的分布，并且SDM的学习方式使之不能用于函数逼近及时间序列预测问题。本文提出回归SDM模型(RSDM)以解决这些问题。 在RSDM中，以实值模式代替二值模式，避免了实值到二值的编码过程：以回归学习规则代替外积法，使该模型在具有识别能力的同时具有了对函数的逼近能力；地址矩阵的预置根据样本的分布采取不同方法，若样本均匀分布，则随机预置，否则利用遗传算法的原理和消减措施来预置地址矩阵，使之反映样本的分布，改善网络的性能。非线性函数的逼近和时间序列预测及手写体数字的识别证实了改进模型的有效性。