联想存储器(AM)是人工神经网络技术中一个十分重要的研究方向,双向联想存储器(BAM)则是在该领域的新进展.该文从应用角度出发,对BAM网络的硬件实现以及学习算法改进进行了系统的研究.首先,该文在三层BAM网络的基础上提出了BAM硬件系统的VLSI实现方案,并以此方案为基础设计了BAM的硬件电路,它不仅解决了双层BAM网络所面临的突触电路权值必须连续可调、权电容在片存储与周期性刷新等难题,而且提高了系统的存储效率、减小了系统的硬件规模、易于系统的大规模集成.文中给出BAM硬件系统的电流模式单元电路、系统框图、以及对该系统的PSPICE仿真结果.其次,该方针对BAM网络中相关学习算法所存在的不足,提出了BAM神经网络模型的快速增强算法(EHOPE),该算法是通过附加网络神经元及反复记忆方法,使网络存储任意给定的训练模式对集,而对训练模式对的数目以及它们之间相关性的强弱没有任何限制.计算机模拟结果表明,EHOPE算法在附加很少连接权的情况下,便可以很大程度上提高BAM网络的存储容量与模式识别能力.