张瑞成，胡绪磊

(河北联合大学 电气工程学院，河北 唐山 063009)

联想记忆神经网络是人工神经网络的一个重要组成部分，但网络复杂度过高，硬件难以实现等问题严重地制约着联想记忆网络的研究和发展[1]。近年来，在生物学背景下提出的Watts-Strogatz小世界网络模型为联想记忆网络的研究提供了一种新的途径[2]。J.W.Bohland等率先将Watts-Strogatz小世界网络引入传统全互联Hopfield模型中，提出了一种基于WS小世界网络的联想记忆模型(WSAM)[3]。随后，在此基础上进行了相关研究[4-6]，然而从研究结果分析发现，WS小世界网络在构造过程中进行“断键重连”，可以降低网络的连接数量，因此将其引入到联想记忆网络中确实可以解决复杂度过高的问题，但同时“断键重连”也会造成重要信息的丢失，使网络性能变差。

针对WS小世界网络的这一问题，Newman和Watts提出了Newman-Watts小世界网络模型[7]，用“随机加边”代替了“断键重连”，从而有效地保护了连接权上的信息，同时还可以避免产生孤立节点[7]。鉴于以上分析，提出了一种基于NW小世界网络的联想记忆模型(NWAM)，借鉴现有小世界联想记忆模型的思想给出该模型的生成方法和相应的理论算法，并设计实验对比NWAM与WSAM的联想和记忆性能以及抗干扰能力。

1 NW小世界网络模型

Newman和Watts在WS小世界的基础上提出NW小世界模型，用“随机加边”来代替WS模型中的“断键重连”，从而保证了网络的整体连通性。其实质是在规则网络的基础上以概率p随机化加边，从而形成稀疏的长程连接和稠密的短程连接。……