混沌神经网络编码研究

本文运用神经网络的非线性动力学理论，研究了利用线性分段的一波三折函数构造混沌神经网络，进行混沌序列编码。文中分别给出自环反馈网络模型和耦合网络模型，并针对每类模型，仿真得到了具体的网络，获得了相应的混沌编码。同时对耦合网络的模式识别进行了初步探讨。     

基于改进花朵授粉算法的风电预测神经网络模型

针对常规Elman神经网络容易陷入局部最优、泛化能力不足等缺点，提出一种将花朵授粉算法和Elman神经网络相结合的风电预测新方法。采用逻辑自映射函数构建混沌序列，将混沌变量映射到问题的解空间，使缺乏变异机制的花粉粒集具有较强的自适应能力，有效地防止算法后期最优解趋同的现象；利用变换系数动态收缩自变量范围，降低算法陷入局部极值的概率，使算法的搜索效率得到有效提高。结合预测需求和网络特征，对花粉粒参数进行编码，确定Elman神经网络的最佳权值和阈值。算例分析表明，所提出的风电预测神经网络模型在保证概率预测精度的条件下能达到较好的预测效果，为短中期风电功率预测提供了一种可行的解决思路。     

一种混沌神经网络及其在优化计算中的应用

研究了一种具有混沌特性的神经网络 ,该网络具有瞬态混沌响应 ,类似于Hopfield网络的结构 ,但有比Hopfield网络更加丰富的动力学特征、更强的全局搜索能力。通过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 ,有效地解决了Hopfield网络的局部极值问题。该网络模型可以用来解决复杂的非线性优化问题。     

双混沌神经网络及其在优化问题中的应用

分析了三种现有的混沌神经网络模型的优化性能,针对目前混沌神经网络收敛率不高和搜索时间较长的问题提出了一种双混沌神经网络。它不同于以往的混沌神经网络改进方法,不是延长退火时间或改变混沌程度来提高网络性能,而是通过混沌迭代搜索使混沌神经网络在有限步内找到全局最优解的初值来提高收敛率与收敛速度。这种方法能使混沌神经网络在应用中具有更好的全局优化能力,并且可以缩短混沌神经网络的搜索时间,对旅行商问题求解的仿真对比和函数优化问题的仿真,说明了新方法比现有方法具有更好的收敛率和更短的搜索时间。     

多层混沌神经网络及其在交通量预测中的应用

研究多层混沌神经网络及其在交通量预测中的应用问题。以BP网络和混沌理论为基础,提出了一种在隐层中包含混沌神经元的多层混沌神经网络。XOR问题实验得出:该混沌神经网络能有效地强化网络的非线性和学习效率。鉴于城市交通流具有明显的混沌特性,将该混沌神经网络应用于城市交通流的预测。对广东江门市某路口交通量的预测结果显示出:采用该混沌神经网络,预测误差一般可以控制在10%以下(或左右)。该网络还可以应用于其他混沌系统的预测和控制。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

基于混沌神经网络模型的预测控制器的设计及应用

根据具有混沌特性非线性、大时滞系统的时间序列重构相空间，计算相空间饱和嵌入维数、并以此为指导，建立混沌神经网络，即便在网络输入不完整或发生变异的情况下，该模型仍能对系统作高精度的短期预测；在此基础上，又设计了模糊神经网络预测控制器，实现了对非线性、大时滞系统高精度的自适应控制。将该控制器应用到单元机组负荷控制系统中，仿真表明了该控制有效性、快速性和鲁棒性。     

具有时变拓扑结构的复杂网络的牵制控制

研究了一类具有时变拓扑结构的线性延迟耦合的复杂网络模型,网络的内、外耦合矩阵都具有时变性,建立了一个新的混沌动力学模型,结合线性反馈控制、牵制控制等方法,运用Lyapunov稳定性理论得到了新的网络同步准则,数值仿真验证了结论的有效性。     

混沌神经网络模型参考自适应控制器设计

研究了非线性的神经网络模型参考自适应控制器设计问题。将混沌机制引入常规BP算法,利用混沌机制固有的全局游动,逃出权值优化过程中存在的局部极小点,解决了网络训练易陷入局部极小点的问题。通过训练神经网络模型参考自应用控制器和辨识器,完成了对一类复杂离散非线性系统的控制。给出了具体的算法步骤。仿真结果表明了混沌BP算法优于常规BP算法。有效地提高了控制精度和适时性。     

自适应混合混沌神经网络及其在TSP中的应用

为了进一步提高混沌神经网络的收敛效果,将T.Kwok和K.A.Smith所总结的内、外两类混沌神经网络相结合,并加入自适应方法,提出了自适应混合混沌神经网络。这种网络可以同时通过线性和非线性两种途径来改变网络能量函数进行搜索,这使得搜索过程具有更为丰富的动力学行为。同时由于自适应方法的引入,保证能量函数的变化在整个搜索过程中对动态方程有较强的作用,从而减少了网络收敛时的迭代步数。仿真研究表明,在求解TSP上,其效果优于随机混沌模拟退火网络。     

小波尺度退火的迟滞混沌神经网络及其应用

为了有效地避免网络陷入局部极小点,提出了具有小波尺度退火和迟滞激励函数的混沌神经网络模型。将Gauss小波函数作为网络的自反馈项,利用小波尺度的指数递减实现混沌模拟退火,可使网络表现出更丰富的混沌动力学演化行为,有效地增加了混沌搜索的Lyapunov指数的平均水平。利用统一框架理论分析了网络的优化特性和稳定性。旅行商问题(traveling salesman problem, TSP)和直扩序列码分多址(direct sequence code division multiple access,DS CDMA)多用户检测器的仿真结果表明,该网络能够找到优化问题的全局最优解,并且具有较好的优化性能。     

基于混沌序列的MIMO雷达互补相位编码波形设计

多发多收(multiple-input multiple-output,MIMO)雷达使用相互正交的波形作为发射波形。用混沌序列可以在短时间内产生任意数量、任意长度的正交混沌相位编码波形。由于互相关和自相关旁瓣的影响,混沌相位编码波形作为发射信号时的脉冲压缩输出具有较高的距离旁瓣。提出一种通过遗传算法联合迭代算法,搜索设计混沌相位编码发射波形的最优互补波形的方法,使得这种互补发射结构能够有效地抑制高脉冲压缩输出距离旁瓣,从而提高MIMO雷达的目标检测性能,特别是对相邻弱小目标的检测性能。仿真部分基于4种常用混沌序列,与相关文献中波形进行比较,证明了该方法的有效性。     

基于动态RBF神经网络在线辨识的单神经元PID控制

针对工业控制领域中复杂非线性时变系统,提出了基于动态RBF神经网络辨识的单神经元PID控制方法。采用动态RBF神经网络辨识器在线辨识系统模型,获得PID参数在线调整信息,并由单神经元PID控制器完成控制器参数的在线自整定,实现系统的智能控制。仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性。     

用混沌序列提高MIMO雷达多目标检测性能

基于混沌相位编码信号在相关性和随机性等方面的良好特性,提出了一种用混沌相位编码信号提高多输入多输出(multiple input multiple output, MIMO)雷达多目标检测性能的方法。取不同初始值代入混沌映射产生不同的混沌序列|通过均匀量化、四相编码得到混沌相位编码波形。通过多脉冲压缩累积有效降低混沌波形的互相关和自相关旁瓣,使得输出结果具有较低的旁瓣峰值,从而提高了MIMO雷达对多目标检测的性能。最后的仿真结果表明了该方法的有效性。     

基于岭回归径向基神经网络的MIMU误差建模

对MEMS（Micro Electro Mechanical systems微电子机械系统）IMU（Inertial Measurement Unit惯性测量单元）的随机漂移和误差进行建模和补偿是提高捷联惯导系统性能的主要方法之一。为了避免径向基（RBF）神经网络输出之间可能存在的复共线性,更加准确有效的对MIMU的输出误差建模,提出将岭回归径向基神经网络用于MIMU的误差建模中。通过与时间序列建模方法的仿真比较表明,在对MIMU误差补偿上所建立的岭回归RBF网络与四阶AR模型方法精度相当,比一阶AR模型精度高,而且无需对数据平稳性处理。

Abstract：

It is one of the main methods to improve the performance of Strap-down Inertial Navigation System for compensating the random drift and bias of MEMS （Micro Electro Mechanical systems） IMU （Inertial Measurement Unit）. In order to eliminate latent multicollinearity of radial basis function neuron network output layer and model the drift and bias of MIMU accurately,the radial basis function neuron network based on ridge regression method was proposed which was applied in modeling and compensating MIMU errors. The simulation shows,compared to the AR model,the precision of compensation of MIMU error using radial basis function neuron network based on ridge regression method is equal to the fourth order AR model,better than first order AR model,and no data stabilization processing.     

一种混沌神经网络模型及其在优化中的应用

通过在Hopfield神经网络模型 (HNN)中引入非线性自反馈项 ,提出了一种具有暂态混沌动力学行为的神经网络模型。该模型首先经过一个倍周期倒分叉过程进行混沌搜索 ,进而进行类似HNN的梯度搜索。由于它利用了混沌搜索固有的随机性和轨道遍历性 ,因而具有较强的克服陷入局部极小的能力。两个典型的函数优化例子表明了该算法的有效性     

Functional network and its application to extract information from chaotic communication

1 .INTRODUCTIONInthelastdecade ,chaoticcommunicationhasgainedmoreandmoreattention[5～9] 　　.Theobviousapproachusesachaoticoscillatorasthetransmitterandasyn chronouschaoticsystemforthereceiver .Ausefulsignaladdedtosomechaoticsignalistransmitted ,andrecove…