时间延迟细胞神经网络及其稳定性充分条件

ＤＣＮＮ是一种具有神经元时间延迟τ的细胞神经网络模型．通过Ｌｙａｐｕｎｏｖ能量函数的构造和分析给出一个判定ＤＣＮＮ稳定性的充分条件．这一结果改进了Ｐ．Ｐ．Ｃｉｖａｌｅｒｉ等给出的τ上界；给出了以充分性判定ＤＣＮＮ稳定的最优τ上界     

时间延迟细胞神经网络及其稳定性充分条件

ＤＣＮＮ是一种具有神经元时间延迟τ的细胞神经网络模型，通过Ｌｙａｐｕｎｏｖ能量函数的构造和分析经出一个判定ＤＣＮＮ稳定性的主分条件，这一结果改进了Ｐ．Ｐ．Ｃｉｖａｌｌｅｒｉ等给出的τ上界；给出了以充分性判定ＤＣＮＮ稳定的最优τ上界。     

离散时间细胞神经网络中的分岔和混沌

研究了离散时间细胞神经网络（ＤＴＣＮＮ）中的分岔和混沌,ＤＴＣＮＮ中的细胞与连续时间ＣＮＮ中的细胞相似,具有局部耦合,其输出方程是罗切斯蒂方程。分别讨论了２种结构（有边界和无边界）的ＤＴＣＮＮ的混沌特性,ＤＴＣＮＮ的混沌与全局耦合系统一的混沌相似,但由于其局部耦合的结构,其混沌与后者有所不同。提出了有关分岔与混沌的一些有兴趣的理论问题和实际问题．     

N－100的结构模型

在对Ｎ－１００结构进行分析和表征的基础上，描述了Ｎ－１００的形成过程．通过建立结构模型．以高分辨核磁共振波谱（１Ｈ及定量（１３）ＣＮＭＲ）为定量依据，计算了异氰酸酯百分含量、平均官能度和平均相对分子质量．讨论了影响定量准确性的两个因素．对其中来自ＮＭＲ技术方面的主要因素──纵向弛豫时间做了对比．计算结果与实际测试值的一致性说明了结构模型是可行的．     

基于模板自适应细胞神经网络的图像处理及识别

本文介绍了一种适合于并行计算机的模型——细胞神经网络,它是神经网络的一种特殊形式,具有神经网络的识别、智能和联想能力．具体介绍了利用细胞神经网络（ＣＮＮ）实现二值图像和灰度图像边缘检测,详细分析了ＣＮＮ设计过程并作改进,引入了模板权值自适应的ＣＮＮ及其设计方法,并给出了仿真结果．     

二值图像细化的细胞神经网络新算法

给出了基于布尔函灵敏的二值图像细化的细胞神经网络（ＣＮＮ）新算法。利用ＣＮＮ的分段线性特性和状态空间分析实现了布尔函数，这不仅可给出一种能代替以前的试凑法的分析算法，而且还可得到一个更广泛和更简洁的结果。     

CCNUNET网络设计与建设

提出了华中师范大学校园网（ＣＣＮＵＮＥＴ）的设计思想和实施方案，讨论了ＣＣＮＵＮＥＴ的网络拓扑、网络协议及网络运行情况。     

船用核动力装置自然循环载热能力的分析与计算

给出了考虑倾斜和匀加速上浮或下沉的船用压水反应堆核动力装置—回路自然循环的热工水力特性模型及数学描述；用标准ＦＯＲＴＲＡＮ－７７语言编制了计算、分析各种不同运行方式下，稳态自然循环载热能力的计算机程序ＳＮＣＮＲ－０１．并分别在考虑和不考虑倾斜和匀加速上浮、下沉的情况下，计算了四种不同运行方式下稳态自然循环能力的大小及与相应参数间的关系。     

时延细胞神经网络（DCNN）的全局稳定性

讨论具了延的细胞神经网络（ＤＣＮＮ）的全局渐近稳定性，利用Ｌｙａｐｕｎｏｖ泛涵方法，通过构造Ｌｙａｐｕｎｏｖ泛涵，对ＤＣＮＮ的稳定性进行再分析，给出了ＳＣＮＮ全局渐近稳定时一些充分条件。     

一种局域连接前向人工神经网络结构的研究

双隐层标准前馈（ＢＰ）网络只要其隐层节点数足够多就能解决任何形式的分类问题．应用标准（ＢＰ）网络识别多模式类分类问题时存在以下缺陷：（１）对不同模式类均使用相同数目的隐层元；（２）增加新模式类后，网络要重新学习；（３）网络识别的机理研究困难．笔者提出了一种局域连接前馈神经网络（ＬＣＮＮ）结构，其隐层神经元与输出神经元之间为局域连接，学习算法与ＢＰ算法类似．ＬＣＮＮ具有以下特点：（１）便于自构网络结构，提高网络的推广能力；（２）便于提取各模式类的不变特性；（３）具有较强的记忆能力，便于实现追加学习．以五种海底沉积层介质类型的分类识别为例，分别利用标准前馈（ＢＰ）网络与ＬＣＮＮ网络进行分类识别，结果表明：ＬＣＮＮ便于自构网络结构，具有追加学习的能力．     

Analytical criteria for local activity of CNN with five state variables and application to Hyper-chaos synchronization Chua's circuit

The analytic criteria for the local activity theory in one-port cellular neural network (CNN) with five local state variables are presented. The application to a Hyper-chaos synchronization Chua's circuit (HCSCC) CNN with 1125 variables is studied. The bifurcation diagrams of the HCSCC CNN show that they are slightly different from the smoothed CNN with one or two ports and four state variables calculated earlier. The evolution of the patterns of the state variables of the HCSCC CNN is stimulated. Oscillatory patterns, chaotic patterns, convergent or divergent patterns may emerge if the selected cell parameters are located in the locally active domains but nearby or in the edge of chaos domain.     

Analytical Criteria for Local Activity of CNN with Two Ports and Application to Smoothed Chua's Circuit

Presents analytic criteria for the local activity theory in two-port cellular neural network (CNN) cells with four local state variables, and gives the application to a smoothed Chua's circuit (SCC) CNN with two-port and 1515 arrays. The bifurcation diagrams of the SCC CNN show that they are completely the same as those of an SCC CNN with one-port calculated earlier, which do not exist locally passive domain. The evolution of the patterns of the state variables of the SCC CNN is stimulated. Oscillatory patterns, chaotic patterns, or divergent patterns may emerge if the selected cell parameters are located in the locally active unstable domains but nearby the edge of chaos domain.     

A New Algorithm of CNN for Binary Image Thinning (Ⅰ)

ＡＮｅｗＡｌｇｏｒｉｔｈｍｏｆＣＮＮｆｏｒＢｉｎａｒｙＩｍａｇｅＴｈｉｎｎｉｎｇ（Ⅰ）￥ＷｕＸｉｎｙｕ；ＹａｎｇＴａｏ（ＤｅｐａｒｔｍｅｎｔｏｆＢａｓｉｃＣｏｕｒｓｅｓ，ＮａｎｊｉｎｇＩｎｓｔｉｔｕｔｅｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔ...     

基于多任务CNN的人脸活体多属性检测

人脸的活体检测是人脸识别系统的安全性保证,传统交互式活体状态识别中通常先进行关键点检测,再进行人脸活体状态判断,无法利用活体属性之间关联性同时进行多种活体属性检测。基于多任务卷积神经网络(convolutional neural network,CNN),提出了一种直接从输入人脸中同时判断人脸的眼睛睁闭状态、嘴巴的张闭状态、头部点头状态和摇头中左右侧脸状态四个任务的活体检测方法。该方法利用多层CNN强大的特征提取能力、多任务的并行能力和四个任务中的关联性,直接提取人脸照片中的特征信息,判断人脸多个活体属性。实际应用结果表明,这种基于多任务CNN方法的准确率在四个任务中均可达95%以上,甚至达到98%以上,无论检测的准确率还是同时检测多个任务的能力均明显优于传统的人脸活体属性检测方法。     

基于生成对抗网络的海马子区图像分割

海马子区体积很小且结构复杂,传统分割方法无法达到理想分割效果,为此引入生成对抗网络模型用于海马子区图像分割.该方法构建一个生成对抗网络模型,通过构建生成网络和对抗网络并对其进行交替对抗训练实现对脑部海马子区图像的像素级精确分割.实验选取美国旧金山CIND中心的32位实验者的脑部MRI图像进行海马子区分割测试,在定性和定量方面分别对比了所提方法基于稀疏表示与字典学习方法和传统CNN的分割结果.实验结果表明,该方法优于基于稀疏表示与字典学习和CNN方法,海马子区分割准确率有较大提升.该方法提升了海马子区的分割准确率,可用于大脑核磁图像中海马子区的分割,为诸多神经退行性疾病的临床诊断与治疗提供依据.     

卷积神经网络的研究进展综述

深度学习(deep learning,DL)强大的建模和表征能力很好地解决了特征表达能力不足和维数灾难等模式识别方向的关键问题,受到各国学者的广泛关注.而仿生物视觉系统的卷积神经网络(convolutional neural network,CNN)是DL中最先成功的案例,其局部感受野、权值共享和降采样三个特点使之成为智能机器视觉领域的研究热点.对此,本文综述CNN最新研究成果,介绍其发展历程、最新理论模型及其在语音、图像和视频中的应用,并对CNN未来的发展潜力和发展方向进行了展望和总结.     

三端口四态变量CNN原理在肿瘤生长方程中应用

提出了一种在抗癌免疫监视下的肿瘤生长细胞神经网络(GIsAC CNN)模型.用具有3个端口4个态变量CNN的解析判别法研究了GusAC CNN的分歧图.数值模拟了癌细胞扩散和清除过程.研究结果似乎表明:效应细胞对癌细胞的清除起着至关重要作用,细胞组织中存在免疫缺陷,可能导致癌细胞的转移与扩散.     

具有四值离散态的复合神经元网络及其电路实现

介绍了由两种不同类型或功能的神经细胞耦合而成的具有四值离散态的复合神经元网络(CNN),并给出了时间连续、状态连续的CNN(complex neural network)动力学方程及稳定性证明;在此基础上,给出了具有半并行结构的电路实验方案,并实施了四对复合神经元的电路。实验证实理论结果及电路的稳定性,表明CNN有良好的联想记忆和容错能力,为进一步用VLSI实现CNN提供了一种可行的方案。     

基于Softmax函数增强卷积神经网络-双向长短期记忆网络框架的交通拥堵预测算法

对交通状态进行预测,就需要准确识别和判断交通状态。该文没有采用传统的以车辆速度为基准的预测方法,而是使用TTI交通拥堵系数,该系数的计算基于道路自身的自由流速度,可以让具有不同速度等级的街道都统一到TTI系数上来作为拥堵评价,因此相较以传统的车辆速度为基准的预测方法更能表现出道路的拥堵状态。该文提出了一种改进的深度学习预测模型（CS-BiLSTM）,该模型基于卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）,并结合Softmax函数增强CNN提取出的交通空间特征信息。深度学习预测模型（CS-BiLSTM）中的S代表的就是Softmax的缩写。使用成都市出租车GPS数据进行验证,结果表明,所提出的CS-BiLSTM模型具有更高的准确性,其性能相比C-BiLSTM网络预测框架提升了13%。     

应用细胞神经网络求解泊松方程的新途径

研究了细胞神经网络（ＣＮＮ）在求解泊松方程方面的应用。用集成运算放大电路实现了细胞神经网络，并进行了模拟求解，其结果是今人满意的。实验证明，用细胞神经网络可以求解泊松方程，这是一条新的途径。