基于模拟退火算法的Hopfield神经网络参数优化

为解决Hopfield神经网络应用过程中参数设置的问题,在研究Hopfield神经网络的工作原理的基础上,分析了神经网络模型在求解TSP(Traveling Salesman Problem)问题过程中参数的选取,通过对输出数据进行归一化处理建立网络的评价函数,然后引入模拟退火算法对参数进行最优化选取。实验结果表明,经过参数优化过的Hopfield神经网络模型能更有效,更快速地得到TSP问题的最优解。     

应用Hopfield神经网络优化最大熵的图像恢复算法

基于图像最大熵分析,提出了一种基于Hopfield神经网络优化的图像恢复算法.将图像恢复问题转化为Hopfield神经网络优化问题,取恢复图像熵函数最大以及原始图像与恢复图像之间的误差平方和最小作为图像恢复的目标,构造能量函数连续型Hopfield神经网络模型,由Hopfield神经网络能量函数极小化可得到问题的优化解,其算法通过仿真实验,验证了算法的优越性.     

一种基于模拟退火和Hopfield神经网络求解TSP算法

针对Hopfield神经网络解旅行商问题（TSP）经常出现无效解和局部优化解。将模拟退火智能算法与Hopfield神经网络相结合,提出了一种混合优化算法（SA-HNN）,同时合理地修改了Hopfield神经网络的能量函数,确立网络参数。这种方法在很大程度上避免了Hopfield神经网络优化陷入局部极小的缺陷,大量实验证明了该算法具有收敛速度快,可避免无效解,易获得全局最优解等优点。     

基于神经网络的最大似然空间信号参数估计

本文主要研究了用Hopfield神经网络实时实现最大似然多信号源空间参数估计方法。报传统最大似然信号参数估计的理论和Hopfield连续状态神经网络特性后，给出了一种实现最大似然空间参数估计模型，该神经网络模型的模拟实验结果表明，用Hopfield网络实时实现的信号参数估计方法具有与传统的最大似然参数估计法拥有同样的理论分析结果。     

一种暂态混沌神经网络及其应用

讨论了Hopfield神经网络算法在优化计算中的应用,提出了一种暂态混沌神经网络模型,把混沌动力学与收敛动力学相结合,使网络逐渐由混沌神经网络向Hopfield网络过渡,达到控制混沌的目的,并且提供一个在全局最优解附近的初值,然后用Hopfield网络得到最优解,有效地解决了Hopfield网络的局部极值问题.仿真结果表明算法对于初始值是稳健的,并且具有很强的克服陷入局部极小能力.     

一种具有连续滞后神经元的Hopfield网络求解TSP问题的算法

提出了一种具有连续滞后神经元的Hopfield神经网络体系结构,有效地解决旅行商问题(TSP).对连续滞后神经元的Hopfield神经网络结构和整个网络的计算性能进行了研究.理论上通过模拟随机生成的具有连续滞后神经元的Hopfield神经网络证明网络的优越性.通过模拟TSP问题的应用来说明此算法的计算效率.仿真结果表明,具有连续滞后神经元的Hopfield神经网络在解决TSP问题时,无论从处理时间和解决质量上来看都优于传统的Hopfield神经网络和二元连续Hopfield神经网络.     

傅立叶Hopfield神经网络及其在优化中的应用

Hopfield神经网络(HNN)是一种有效的优化模型,但存在易收敛到局部极小的缺点.傅立叶级数具有良好的函数逼近能力和较高的非线性度,基于这一特点,提出了一种新型的Hopfield神经网络--傅立叶Hopfield神经网络(FHNN),其激励函数是由三角函数和Sigmoid函数组成,并将该模型用于优化问题.仿真结果表明傅立叶Hopfield神经网络能够较快收敛到最优解,在解决优化问题上表现出令人满意的效果.     

基于联想记忆的Hopfield神经网络的设计与实现

介绍了反馈型神经网络Hopfield网络的定义、原理、模型和基本学习规则,并构造了一个用于联想记忆的Hopfield神经网络模型.对实验结果进行分析、比较,实验结果表明:Hopfield神经网络用于数字识别是可行、有效的;该方法较传统神经网络能提高网络的记忆能力和数字识别的正确率;该方法有别于以往的BP神经网络的模式识别,结合一些优化算法,如遗传算法,能对Hopfield神经网络的联想记忆稳态进行优化,增强神经网络的联想记忆能力.     

基于连续Hopfield网络的反导火力分配优化

为缩短防空火力分配模型解算时间,提高防空火力分配的鲁棒性,应用Hopfield神经网络对反导火力分配问题进行了研究。以反导火力分配为研究对象,建立了反导火力分配模型,以提高反导战场管理的智能化。提出了基于连续Hopfield神经网络的反导火力分配优化算法,并对该算法进行了收敛性和稳定性分析;最后应用实例验证了模型的有效性。     

具有反应扩散的二阶Hopfield神经网络稳态解的存在唯一性

运用压缩映象原理,给出了具有反应扩散Hopfield神经网络模型稳态解存在唯一性的2个判据,并运用Brouwer不动点定理,给出模型稳态解存在性的一个判据.     

一类时延细胞神经网络的周期解

引入可调实参数di>0(i=1,2,…,n),通过构造Lyapunov泛函,结合一些分析技巧,对一类时延细胞神经网络周期解的存在性和全局指数稳定性给出一些新的充分准则.这些准则可用于设计全局指数稳定的和周期振荡的具时滞的神经网络.     

脑认知功能的理论框架与方法学基础

在回顾80年代以前的一些重大理论并将之归纳为５个理论要点的基础上,综述了近年出现的新理论、新技术和新事实,说明脑认知功能研究正在发生重大历史转折。分析了各研究层次上的新进展和重大难题,包括分子神经生物学、细胞生理学、脑功能系统和网络研究、脑成像技术、心理学研究、认知理论和计算研究。提出以脑能量效率为量纲,沟通不同层次、不同学科的研究工作,并设想了这类跨学科研究的途径和方法,希望通过跨学科研究能形成脑认知功能的新理论。     

基于解释的人工神经网络集成学习方法

基于知识的人工神经网络是集成学习方法领域中最主要的研究方向，它利用领域知识决定神经网络的初始拓扑结构和联接权值的设置。一方面利用领域知识加速了网络的学习，另一方面利用神经网络的鲁棒性减少了领域理论不完善和数据噪声的影响，从而较好的解决了不完善领域理论的学习问题。本文对这方面的几个主要系统ＫＢＡＮＮ、ＲＡＰＴＵＲＥ进行了分析和评价，指出了它们在网络拓扑结构的动态改变、深层网络的加速学习和结果网络到规则的转译等方面的弱点，并因此提出了一种有效的集成学习方法——基于解释的人工神经网络。     

一种局部回归神经网络的在线学习算法

针对目前局部回归神经网络误差函数在线计算复杂的缺陷,利用信号流图(SFG)基本理论,通过分析信号流图(SFG)和转置信号流图(ASFG),将神经网络的误差导数的信号流图(SFG)和转置信号流图(ASFG)分别级联在原始信号流图(SFG)和转置信号流图(ASFG)上,构成单输出自回归神经网络．依据因果非线性时变系统流图计算仅仅与网络拓扑结构有关的理论,推导了一种与网络结构无关的在线后向BP学习算法,较好地解决了对任意结构的局部回归神经网络的在线学习问题．仿真结果表明了本算法的有效性．     

深度学习在图像识别中的应用

深度学习通过建立深层神经网络来模拟人脑进行分析、学习和解释数据,被广泛用于图像识别领域.首先,简述了深度学习在图像识别中的研究现状;其次,介绍了卷积神经网络、深度置信网络、循环神经网络和生成对抗网络等几种常用于图像识别领域的深度学习网络模型;然后,从人脸识别、动作识别、跌倒检测等方面,论述了深度学习在图像识别领域的典型应用;最后,探讨了该领域的研究难点及发展前景.深度学习可以从不同的图像中自动提取相似的特征并进行分类,识别率高,鲁棒性强,推动了人工智能背景下图像识别的发展.无监督学习、对抗网络等将成为深度学习领域的热点.     

人手抓取特性与机械手神经网络抓取策略

分析了人手抓取的各种姿态,提出了３种基本的抓取姿态结构,并举例说明了人手的阎姿态分解为３种基本姿态的组合,基于人手的巧手性,机械手的抓取可模仿人手的抓取特性,根据姿态,物体,任务之间的关系,提出了神经网络规划的抓取方法,并设计相应的神经网络。     

论数学问题解决的系统思维方法策略

从系统论观点出发，对数学问题、数学问题解决进行了讨论，分析了数学问题解决中的系统基本思想，进一步阐述了解题中常见的整体思维方法、有序思维方法、层次思维方法、动态思维方法、目的思维方法、最优思维方法等。     

具有变时滞离散Cohen-Grossberg神经网络的周期解

讨论了具有变时滞离散Cohen-Grossberg神经网络模型,利用M-矩阵理论与适合Lypunov函数,得到该类模型周期解的存在性与全局指数稳定性,推广了先前的结果.     

时标上具有联接项时滞的分流抑制细胞神经网络的概自守解

提出时标上带联结项时变时滞和连续分布时滞的分流抑制细胞神经网络模型,通过运用时标上线性动力方程的指数二分法和不动点定理,获得所研究模型的概自守解全局指数稳定的充分条件。最后,给出具体例子说明所得结论的有效性。     

直接甲醇燃料电池的数学建模与神经网络辨识建模

针对直接甲醇燃料电池(DMFC)非线性系统建模问题,提出了两种不同的建模方法(1)采用电化学、流体动力学、热力学等理论,建立了DMFC电池性能数学模型;(2)利用改进型BP神经网络建立DMFC电池性能辨识模型.结合DMFC实验数据进行仿真测试,结果表明这两种建模方法均合理、有效,建立的模型精度较高,从而为设计DMFC在线控制器奠定了基础.