具有时滞的双向联想记忆神经网络的稳定性分析

研究一类具有时滞的变系数双向联想记忆神经网络(BAM)的稳定性问题.由于时滞变系数双向联想记忆神经网络的平衡点不一定存在,分平衡点存在和不存在两种情况进行研究.在BAM神经网络系统存在平衡点时,通过构造Lyapunov函数,结合不等式分析技巧,给出了系统指数稳定的充分条件;在BAM神经网络系统不存在平衡点时,利用数学归纳法给出了系统的吸引域.     

基于匹配滤波模型神经网络在数控机床故障诊断中的应用

为了改善双向联想记忆(BAM)神经网络的性能,提出了一种修正模型.该模型能增强神经网络的记忆容量和容错联想能力,具有渐进稳定的特征,并且改进了网络平衡状态的稳定性和吸引性能.理论分析和实验结果证明,这种修正模型不仅能正确完成数控(CNC)机床的故障诊断,而且对于存在干扰的输入信号序列具有很好的容错联想能力.     

基于竞争的联想存储器学习算法

提出两种基于竞争的神经网络联想存储器学习算法—CC算法和ACC算法 ,并证明算法得到的神经网络对任一输入模式的竞争收敛性 ,由CC算法得到的网络 ,利用 p n个神经元存储p个n维样本模式 ;每个样本点都是吸引中心 ,不存在假吸引中心 ;对任一输入模式 ,总被吸引到与之海明距离最小的样本点上 ;不产生拒识点 .ACC算法是CC算法的改进形式 ,所得网络可在自适应学习中收敛 ,竞争次数较CC算法大大降低 本文算法得到的网络在存储容量、容错能力方面好于Hopfield联想存储器及作为联想存储器使用的BP网络 .     

EM-CDKF算法及其SINS初始对准应用

针对非线性捷联惯导系统噪声先验统计信息未知问题,基于中心差分卡尔曼滤波基本算法,采用极大似然准则构造极大期望最速下降梯度算法展开系统未知噪声统计特性在线估计计算研究,构建一类捷联惯导系统初始对准极大期望自适应中心差分最优滤波算法.该算法利用极大似然准则构造系统噪声统计特性对数似然函数,采用极大期望最速下降梯度法把系统噪声统计特性估计转化为对数似然函数期望最大值计算,获得系统过程噪声和观测噪声在线递推估计的自适应极大期望中心差分卡尔曼算法.经过大方位失准角捷联惯导系统初始对准仿真实验,与中心差分卡尔曼滤波基本算法相比,自适应极大期望中心差分卡尔曼算法能够有效解决基本算法在系统噪声先验知识未知情形下的滤波精度下降甚至发散问题,并且能够实现系统噪声统计特性的在线递推估计.     

基于视觉侧抑制机理的强鲁棒性图像分割方法

针对光照强度和图像退化的算法鲁棒性问题,提出一种基于视觉侧抑制机理的强鲁棒性图像分割新算法.该算法充分考虑到人眼视觉侧抑制机理“加强中心抑制周围”的特点,在范围一定的抑制野内,采用双高斯强度系数分布的减法非循环侧抑制网络模型描述神经元兴奋的变化量,与交叉视觉皮质模型相结合形成侧抑制-交叉视觉皮质模型.在此改进模型基础上,利用灰度级-邻域平均灰度级二维直方图将一维交叉熵推广至二维,进而构造出二维最小交叉熵分割判决准则以寻求最优阈值.研究结果表明:针对受噪图像,新算法的分割准则充分利用二维交叉熵增加了图像的局部空间信息,从而取得良好的抗噪结果;针对光照不均和模糊退化的图像,改进分割模型加入视觉侧抑制网络,使得新算法具有较强对比度和亮度适应性以及模糊补偿能力,能够获得精确的分割效果.     

基于故障树与BAM神经网络的智能故障诊断方法

在研究故障树分析(FTA)和双向联想记忆(BAM)神经网络在故障诊断中应用的基础上,提出了一种融合FTA和BAM的故障诊断方法。故障树存贮了系统关于顶事件发生的全部知识,利用FTA得到系统所有的故障模式,进而归纳出BAM的学习样本,即故障树中故障现象(监测点状态组合)和底事件发生与否之间的对应。BAM通过联想记忆矩阵并行联想,得到诊断结果,扩展综合故障诊断能力。用上述方法进行仿真分析,结果表明该方法用于解决此类问题是有效的。     

基于自联想记忆算法的图像缩放研究

针对图像缩放中的问题,提出基于自联想记忆算法。首先确定自联想记忆最小上界和最大下界,自联想记忆每个层之间的神经元通过最近域互连接方式连接信息交替,能够在神经系统缺损信息时通过自联想记忆恢复出原来存储的完整记忆模式;接着所有神经元节点采用同步方式调整状态,利用均场定理加快自联想记忆神经网络学习速度;最后给出了图像缩放算法过程。实验仿真显示算法输出图像能够较好地保持原图像内容,峰值信噪比(PSNR)比较大。     

利用信息交互最优权重改进神经网络的方法

由于卷积神经网络中多层感知器使用梯度下降算法进行训练,存在收敛速度慢和易于陷入局部极小的问题。针对此问题,提出一种利用信息交互计算最优初始化权重的方法改善网络结构,该方法可有效减少训练时间并可避免陷入局部极小。利用数学理论推导出ＲeLU 函数最优初始化权值的公式,利用该方法改进2-channel网络结构,直接代入数据可求出最优初始权值。通过3 个数据集的多次训练和测试,灰度图像的平均匹配准确率提升了1． 0%左右,FPＲ95 平均值也由5． 23 降至4． 65,初始化权重的设置可避免神经元进入硬饱和区,同时网络还具有效果稳定、收敛速度快的优点。     

基于方差稳定化和PPB加权最大似然估计的中子图像复原方法研究

由于微观量子特性和随机性以及中子束注量率在时间和空间分布上都存在着一定的统计涨落,致使中子图像存在比较强的噪声.由于这种噪声的统计分布符合泊松-高斯混合模型,因此,提出了一种新的中子图像去噪方法.该方法结合了PPB加权最大似然估计算法与非线性方差稳定化变换,实现了中子图像的去噪复原,能够有效地抑制传统算法中的伪影现象并保证结果不失真.实验结果表明,该方法能够提供稳健的复原结果.     

一类学习联想神经网络的动态特性研究

本文讨论了一类联想神经网络在学习新的模式过程中，结构变化引起网络平衡点状态变化的动态特性；分析了联想过程中输入激励在噪声干扰情况下网络的抗噪性能，得到一些对于研究联想神经网络学习性质有用的结论。