一种新的混沌神经网络模型及其动力学分析

提出了一种混沌神经网络模型。通过引入暂态混沌和时变增益,该网络比Hopfield型网络具有更加丰富和更为灵活的动力学特性,从而具有更强的搜索全局最优解或近似全局最优解的能力,它可以用于求解各种复杂的优化问题。大量的数字模拟表明网络能较好地解决Hopfield型网络的局部极值问题。     

发现心脏节律中存在确定性混沌

针对心脏节律的复杂性以及其产生受多种生理过程的影响，以受迫非线性动力学系统为分析模型，提出一种能较准确反映其内在确定性部分动力学机制的模型构造方法，应用试验数据分析时发现；模型可以产生与心脏节律相似的动力学行为，心脏节律不仅不能解释为线性Gauss过程，而且其内在机制具有初始值敏感性质，生理过程的影响（动力噪声）对产生复杂心脏节律具有重要的作用。     

图像增强的自适应免疫算法

介绍了自适应免疫算法的基本原理及实现步骤，并将其应用到图像的增强处理中，在传统的图像管理处理中，针对图像灰度分布的不同情况，需要定义相应的灰度变换函数。Tubbs将图像增强处理中几种常用的非线性变换函数表示成一个归一化的非完全Beta函数，但确定Beta函数参数仍是一个复杂的问题，本文利用自适应免疫算法来确定该变换函数的最佳参数值，通过对自然图像的仿真实验可以看出本文方法的有效性。     

一种基于二阶统计的盲源分离方法及性能分析

提出了一个基于信息论原理的目标函数 ,该目标函数可以作为衡量输出分量独立性的标测度。最小化该目标函数并利用信号的非平稳特性和两种网络结构形式的等价性 ,得到一种可以进行非平稳信号的盲分离的训练算法 ;计算机仿真结果表明了该算法的有效性。最后对目标函数的性能进行了分析。