目录
基于matlab的神经Mealy机的构造
1.引言
2国内外研究现状
2.1递归神经网络研究现状
2.2自动机研究现状
2.3神经网络自动机研究现状
3结论
参考文献
基于matlab的神经Mealy机的构造
1.引言
自动机，是一个时间上演化，对外界刺激做出反应，并通过自身动作来依次影响它的环境的装置。是一种研究抽象计算装置或“机器”的数学模型。作为经典计算的数学模型，自动机已成为理论计算科学中的重要领域，且在计算机科学的若干领域中有广泛的应用，如文本处理，编译程序，硬件设计及人工智能等[1]。
随着自动机理论的发展，出现了各种自动机的变形，包括双向有穷状态自动机和带输出的有穷状态自动机[2]。其中，一种带输出的有穷状态自动机的重要模型即为自动机的先驱Mealy机，Mealy机是现代计算机的理论结构。
在二十世纪八十年代中后期，人工神经网络理论作为一个前沿研究领域在世界范围内迅速发展起来[1]。由于它在优化、控制、规划和图像处理等领域的广泛应用，各类神经网络模型受到科学家们的极大关注[3]。其中，递归神经网络由于具有较强的优化计算能力，所以是目前神经计算应用最为广泛的一类神经网络模型[4]。
递归神经网络能够逼近任意动力系统，这是在自适应控制和信号处理中运用的结果。它们也构成了一组强大的计算模型。在语音处理应用和语言归纳方面，递归网络模型被用作识别模型，且通过某些成本标准梯度下降优化的方法（所谓的“反向传播”技术）使其适应于实验数据[5]。
所以，如果将这自动机与神经网络结合起来，相互渗透，形成一个边缘性的研究对象，并对其从理论上和应用上进行深入的研究，必将为计算机的智能化奠定坚实的基础。
2国内外研究现状
2.1递归神经网络研究现状
递归神经网络因其具有丰富的动力学特性而得到广泛的应用。20世纪80年代提出的Hopfield神经网络，使得神经网络的研究重新开始复苏。HoPfield神经网络是一种经典的递归神经网络[6]。递归神经网络以较强的优化计算能力成为目前神经计算应用最为广泛的一类神经网络模型。如：
通过对Elman网络的研究，焦嵩鸣、韩璞等人提出了一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络，并给出了其算法[7]。通过在系统辨识中的应用表明，该网络收敛速度快，模型精度高，具有较为广阔的应用前景。
2007年，学者徐军以M—矩阵理论、线性矩阵不等式(LMl)方法等为研究工具，对时滞神经网络全局指数稳定性问题，绝对指数稳定性等递归神经网络中的一系列重要问题进行研究。
2012年，王魏、柴天佑等人针对存在于非线性动态偏最小二乘(PLS)建模方法在拟合较强非线性化工过程时的问题，提出一种基于稳定学习的递归神经网络动态PLS建模方法。将递归神经网络与Hammerstein模型相结合，对外部PLS提取的特征向量进行内部建模[8]。
在2014年，陈启丽学者进行了稳定的递归神经网络的结构设计等研究工作，该网络包含了两个隐含层。其中一个为反馈隐含层，另一个为自组织隐含层。最终结果证明，与其他递归网络相比，该网络具有较强的逼近能力，
