论文部分内容阅读
DNA计算是一种非常新的计算模式,它属于分子生物学、数学以及计算机等学科的一个交叉领域,其研究内容所涉及的范围很广。自从Adleman教授开创了这一新的计算领域以来,DNA计算的一些思想和方法被广泛地应用于解决一些图论、组合优化等问题。由于DNA计算的极度并行性和DNA的大容量存储信息的能力,这使得DNA计算也非常适合解决人工神经网络问题,目前DNA计算在神经网络上的研究主要在感知机和一般的有监督学习的神经网络上。
本文对自适应共振理论ART模型进行了研究,给出了ART模型的DNA算法。通过对ART模型的计算机算法流程图和DNA算法流程图进行比较,得出ART模型DNA算法的优越性:即它能有效地降低时间复杂度。
对于感知机来说,他们的学习是有教师指导下的学习,所以这类神经网络的DNA算法的并行性体现在:该算法里的权值是通过在所有可能的权值中找到一组适合所有样本对的权值而确定的,这样就大大地加快了计算速度。
虽然当前DNA计算用于人工神经网络领域还比较有限,并且有些生物操作和计算模型在实验条件下还难以实现,但是这种并行的计算方法为解决人工神经网络问题提供了一种新的思路,必然会对人工神经网络的发展产生重大影响。