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.     

连续Hopfield网络在热传导有限元计算中的应用

连续Hopfield网络是一个能收敛的稳定网络,如果一个系统的优化问题可以用"能量函数"作为目标函数,则总可以用连续Hopfield网络对其进行求解。依据热传导有限元特点,将有限元计算问题转化为带约束的非线性优化问题,找出了优化目标函数,并给出求解该问题的改进Hopfield(TH)网络;最后对一个简单温度场神经计算进行数值仿真,仿真结果表明连续Hopfield神经网络能完成有限元模型的求解。     

推广的Hopfield神经网络模型及其应用-Job-Shop问题的神经网络解法

0 引言在神经网络的研究工作中,Hopfield模型的建立被称为是突破性的,但用以解优化问题有其局限性,即被优化的目标函数只能是二次函数.本文给出了一种推广的Hopfield模型,可用于解决一大类优化问题,只要该优化问题能表示成某一目标函数,且该函数能满足对各变量的一价偏导数存在且连续的条件即可. 1 神经网络的结构     

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。     

基于模拟退火的Hopfield网全局优化方法

为了改进Hopfield神经网络在多极点函数优化和组合优化中存在的某些缺陷,并影响着一些优化问题求解中的正确性和有效性的现实问题,将模拟退火智能优化算法与Hopfield神经网络有机结合,优势互补,提出了一种基于模拟退火的Hopfield神经网络混合全局优化算法(SA-HNN),新算法很大程度上避免了Hopfield神经网络优化陷入局部极小的缺陷,同时兼顾了算法的效率.通过典型的多极点函数优化和TSP组合优化问题求解,实验表明:SA-HNN混合优化算法具有帮助Hopfield网络摆脱局部极小点的能力并能得到较好的结果,有一定的工程实用价值.     

一种基于粒子群算法和Hopfield网络求解TSP问题的方法

针对Hopfield网络求解TSP问题经常出现局部最优解,将粒子群算法(PSO)与Hopfield神经网络结合,提出一种基于粒子群的Hopfield神经网络方法. 实验证实这种方法能够以更大概率收敛到全局最优.     

离散Hopfield实现多值信号盲检测

传统神经网络算法局限于二值神经网络,无法解决多值信号盲检测问题。提出了基于离散Hopfield网络直接盲检测多值信号的两种算法,构造了4电平的离散激活函数。本算法不依赖统计量,建立直接盲检测发送信号的优化性能函数,利用离散Hopfield网络直接盲检测多值信号。给出新的适用于多值离散Hopfield神经网络的能量函数和网络权矩阵,理论证明该网络具有很好的稳定性。仿真结果表明本算法能快速收敛到真平衡点,盲检测效果好,适用于随机信道。     

推广的Hopfield神经网络模型及其应用—Job-Shop问题的神经网络解法

0 引言在神经网络的研究工作中,Hopfield 模型的建立被称为是突破性的,但用以解优化问题有其局限性,即被优化的目标函数只能是二次函数。本文给出了一种推广的 Hopfield 模型,可用于解决一大类优化问题,只要该优化问题能表示成某一目标函数,且该函数能满足对各变量的一价偏导数存在且连续的条件     

一种基于神经网络的运输问题优化方法

将Hopfield神经网络与亚当姆斯公式相结合,在此基础上提出了一种解决运输问题的优化算法.该算法结合Hopfield神经网络优化功能,并根据运输问题的实际情况,将优化运输问题转换成求解网络系统的平衡点.通过实例验证了该方法的有效性、可行性,并且提高了网络的收敛速度.     

傅立叶混沌神经网络模型中的模拟退火策略

分析了傅立叶混沌神经网络模型的动力学特性对自反馈连接权值的敏感性,研究了退火函数对优化过程中的准确性和计算速度的影响.并利用暂态混沌神经网络退火过程分段的思想对傅立叶混沌神经网络模型进行改进, 提出了一种具有随机性和确定性并存的优化算法,在保证优化算法准确性的基础上,加快收敛速度,并利用对经典旅行商问题的研究,表明算法具有很强的克服陷入局部极小能力,较大程度提高了优化、时间和对初值的鲁棒性能, 验证了这种优化策略的有效性,同时给出了模型参数对性能影响的一些结论.