一维双向耦合映象网络及其应用

全局耦合映象具有硬件集成化实现不便的缺点,为此本文研究了各混沌神经元之间局部耦全的一维双向耦合混沌神经网络,发现它同样具有全局耦合映象的分类功能,对一维双向耦合网络的动态特性进行了分析,提出了利用网络的时空特性对信息进行存储的思想,并提出了将其应用到保密通信的初步设想。     

用脉冲控制法抑制非线性系统中的混沌

本文讨论了利用脉冲控制法对高维离散神经元系统和非自治的细胞神经网络进行控制,并通过数值仿真实验证实用很小的外部激励就能控制住混沌。该混沌控制方法对于非线性混沌系统的控制具有简单、实用的特点,且广泛适用于多种动力学系统。     

基于基完备化理论和嵌入多层感知机的深度网络结构设计

为了进一步改善经典卷积神经网络的识别性能,首先证明了跨层传输实质上是基的完备化过程,然后基于多类型特征提取结构、嵌入多层感知机以及跨层传输结构提出一种新型深度卷积网络——期望网络.经分析发现,期望网络中的多类型特征提取结构可提取不同类型的特征,嵌入多层感知机可生成期望图并标定不同类型特征的权重,跨层传输结构可缓解网络性能退化的问题.仿真实验结果表明,在数据集CIFAR-10、数据集CIFAR-100和数据集SVHN上,相比于ResNet网络、深度监督网络和Highw ay网络等经典深度卷积网络,期望网络的误识别率均有不同程度的下降.     

联想记忆混沌神经元网络

在对当前混沌神经元网络在信息处理中的应用研究的基础上,提出了对混沌神经元组成的人工神经网络模型建立一种新的自联想矩阵的方法,由此建立了经沌神经元组成的改进的联想记忆网络。通过仿真实验证实了与现有方法相比,其联想的成功率和加快速度方面都有较大的提高。并从理论上详细地介绍了网络的联想记忆过程和性质提高的原因。     

基于多损失的生成式对抗目标跟踪算法

为了降低目标遭受遮挡、光照变化、运动模糊等外界挑战性因素造成跟踪失败的风险,提出了一种基于多损失生成式对抗网络的目标跟踪算法.在生成式对抗网络中,针对遮挡、光照变化和运动模糊3种挑战性场景设计了相应的解码器结构,编码器则共享网络参数.跟踪时,编码器作为特征提取器来提取目标的特征,在粒子滤波框架下完成对目标的定位.从内容损失、类内损失和身份保留损失方面定义了损失函数,将对抗训练得到的先验知识和目标固有知识相结合,重构清晰图像.实验结果表明,在遮挡、光照变化和运动模糊情况下,所提跟踪算法取得了良好的跟踪性能.     

基于深度聚合高分辨率网络的多目标跟踪

为了提高多目标跟踪性能，在单个网络中结合目标检测和重识别任务的特点，提出了一种基于深度聚合高分辨率网络的多目标跟踪算法.跟踪器通过DLA网络提取抽象的语义特征图，并将其输入到改进的轻量型HRNet网络中，以高分辨率聚合目标的多尺度特征，同时引入重识别分支提高匹配精度.经由传统的相似度计算、运动预测和数据关联阶段，完成跟踪流程.通过消融实验研究了不同融合层组合和特征维度对跟踪性能的影响，并在基准数据集上与当前跟踪器的各项性能指标进行比较.结果表明，所提算法以简洁的主干网络输出高分辨率的深层特征，兼顾了跟踪精度和执行效率.跟踪器的精度和识别率较高，且具备实时跟踪性能.