忆阻器阻变随机存取存储器及其在信息存储中的应用

忆阻器具有依赖于激励历史的动态电阻,可以用来构造少晶体管的非易失性半导体存储器(NVSM),也称为阻变随机存取存储器(RRAM).本文提出了一种基于忆阻器的阻变随机存取存储器(MRRAM)——可与现代计算系统相兼容的纳米级二值存储器实现方案,其结构与静态随机存取存储器(SRAM)类似,但用忆阻器替代基本RS触发器存储信息.在此基础上,通过改进该MRRAM,可以实现在一个存储单元中存储多比特信息(以灰度级形式)的多值存储器,大大提高了存储密度.给出的计算机仿真和数值分析验证了本方案在存储ASCII字符和图像中的有效性,探讨了灰度图像存储的新方法.     

基于TS模型的时滞模糊混沌控制系统的稳定性分析

研究了基于TS模型的时滞模糊混沌控制系统的指数稳定性问题.对一大类时滞混沌系统的受控系统,采用并行分散补偿技术,设计了线性反馈模糊控制器.然后,利用Lyapunov-Krasovskii泛函方法,结合线性矩阵不等式和微分不等式技术,对常量时滞和变量时滞的模糊混沌控制系统,提出了控制器的指数稳定性条件,并给出了相应的控制律.由于所有结果都采用线性矩阵不等式的形式给出,因此,稳定性条件和控制律易于数值计算.     

时变脉冲微分方程理论在混沌同步中的应用

利用脉冲微分方程的理论对混沌系统同步问题进行了理论探讨,给出了同步的充分条件.接着以统一混沌系统以及Lorenz系统为例,阐述了该理论在具体的同步问题上的应用.最后进行了数值仿真,验证了方法的有效性.     

脉冲对时滞细胞神经网络的镇定影响

脉冲对神经网络动态行为的影响是多方面的,它可能使不稳定系统稳定化,也可能使得稳定的网络产生震荡甚至出现混沌。讨论脉冲对时滞细胞神经网络指数稳定性的镇定影响。运用Lyapunov函数,建立确保脉冲系统的全局指数稳定的充分条件。发现即使初始系统（不带脉冲）发散,脉冲系统仍能因为有适当的脉冲而保持全局指数稳定。数值例子说明了理论分析的正确性。     

有脉冲和时滞的双向记忆神经网络稳定性分析

利用Lyapunov函数和二维Hanalay类型不等式,研究带有脉冲和时延的广义双向联想记忆神经网络平衡点的全局指数稳定性,得到了几个判断网络全局指数稳定的充分条件,这些条件刻画了脉冲强度和没有脉冲的连续子网络(双向联想记忆神经网络的连续部分)的指数收敛速度对整个网络的全局指数稳定性的混合影响。研究结果表明即使脉冲对网络状态有放大的影响,脉冲时滞双向联想记忆神经网络也可能保持连续子网络的全局指数稳定性质。数值例子验证了理论结果的正确性。     

神经网络研究的发展趋势

2005神经网络国际会议（Second International Symposium on Neural Networks，ISNN2005）于5月30日至6月2日在重庆大学召开。     

模糊子拟阵

进一步研究模糊拟阵的性质和结构问题.通过将模糊子图和模糊子空间的概念推广到模糊拟阵,用不同的方法从一个模糊拟阵M导出一些"较小"的模糊拟阵,并研究了这些新的模糊拟阵的性质以及它们之间的关系.     

无线传感器网络中一种改进的DV-Hop定位算法

针对 DV-Hop 算法在无线传感器网络节点分布不均匀时定位误差比较大的问题,提出了一种针对 DV-Hop 的改进定位算法。该改进算法主要是利用 RSSI 测量技术增加锚节点;在给定约束下引入“可能存在区域”这一概念,并以该可能存在区域的面积作为目标函数,对未知节点的位置利用非线性共轭梯度法进行逼近,从而使节点定位误差达到最小。通过仿真验证了节点通信半径和锚节点比例对定位误差的影响,结果表明,该改进算法将节点定位精度提高了5％～10％。     

基于直接免疫的SEIR计算机病毒传播模型

对计算机病毒传播特性的研究可以为控制计算机病毒的传播提供理论依据。本文根据计算机病毒具有潜伏性的特点,提出了一类带有直接免疫的SEIR计算机病毒传播模型;利用微分方程理论分析了传播阈值R0的取值是影响网络中病毒能否被控制的关键;说明了提高直接免疫率可以有效控制R0,从而进一步控制计算机病毒在网络中的传播;分析了计算机病毒在网络传播过程中无病平衡点和地方病平衡点的稳定性:1)当R0≤1时,无病平衡点P0局部渐近稳定,且全局渐近稳定,在当R0>1时,无病平衡点P0不稳定;2)当R0>1时,地方病平衡点P*全局稳定;最后通过模型仿真验证了1)和2)结论的正确性。     

不同时间尺度的静息态功能脑网络对抑郁症识别的影响

研究显示,功能连接为特征被用于抑郁症机器识别的研究受到人们关注,但不同时间尺度的静息态功能脑网络能捕获抑郁症神经病理信息的水平尚不明确,对抑郁症识别效果的影响也未知.本研究采用非线性回归方法,建立了不同时间尺度的脑网络对抑郁症识别效果影响的模型,并阐明了典型时间尺度的脑网络所捕获的抑郁症病理信息.研究分析了64例临床抑郁症和53例健康对照被试的数据.首先,建立功能脑网络,获得抑郁组显著的功能连接;其次,将显著连接输入支持向量机训练、测试,获得敏感、特异以及精确度;再次,建模识别效果随时间变化的规律,获得识别效果的模型.初具识别能力的网络时间尺度约为46个重复时间(repetition time,TR),主要捕获后扣带回与眶额叶皮层间,右眶部额中回与左角回间,左回直肌与左海马间强化的功能连接.获得最好识别效果的网络时间尺度约为114个TR,且多捕获了右角回与双侧顶下缘角回、额中回间,左杏仁核与左缘上回、右中央沟盖间弱化的功能连接.随时间的增加,脑网络可能捕获某些与抑郁症不直接相关的连接,使识别效果降低.因此,抑郁症识别效果随静息态功能脑网络时间尺度的增加呈现倒U形趋势.这将为进一步研究抑郁症的神经病理机制和提高其智能识别效果提供参考.