离散Hopfield神经网络的异步渐近行为

主要研究非对称离散Hopfield神经网络和带有延迟项的非对称离散Hopfield神经网络的异步渐近行为。提出了异步演化的网络状态图和网络状态图的洞的概念 ,研究了网络状态图的洞和神经网络的异步稳定性之间的关系。给出了非对称离散Hopfield网络的异步稳定条件和不稳定条件以及某些特殊情况下的网络状态图的结构。同时 ,也得到了非对称延迟离散Hopfield网络的异步收敛性条件。所获结果推广了一些已有的结论。     

基于ISM和离散Hopfield神经网络的社群经济影响因素研究

基于社群经济高速发展的时代背景下,首次将离散型Hopfield神经网络应用到社群经济影响因素问题上。首先建立社群经济因素体系,通过ISM方法得出各因素间的层次结构关系。然后利用离散型Hopfield神经网络构建自媒体价值评估模型,通过MATLAB设计一个不断提高的理想评价指标来区分同一等级中的不同样本,最后,通过算例得出价值最高的自媒体。结果表明:注重提高特色化社群活动、用户参与决策、平台共享、社群文化构建这4要素更有利于提高自媒体价值,并提出了相应的对策建议,为企业及自媒体人提供借鉴价值。     

不同演化模式的离散Hopfield网络的稳定性研究

神经网络的稳定性被认为是神经网络应用的基础。研究了非对称离散Hopfield神经网络的异步、同步、部分同步演化方式的稳定性 ,证明得到对于已知稳定的网络 ,如果经其连接权矩阵一定的增量 ,得到一个新的连接权矩阵 ,则在一定条件下可保证所得新的网络仍是稳定的。所获结果不仅推广了已有的结论 ,而且为离散Hopfield神经网络稳定性的稳健性能分析和应用提供了理论基础。     

基于扩展Hopfield模型的神经网络JPDA算法研究

研究了Hopfield模型的神经网络数据关联算法.在此基础上,通过引进扩展的Hop6e阳模型,建立了一种能够自动调节网络参数的神经网络数据关联算法,克服了神经网络数据关联算法应用过程中需要人工干预选择网络参数的缺点.仿真实验证明了新算法比JPDA算法具有更高的运行效率,而性能与其相同,是密集多回波环境中一种有效的关联算法.     

基于连续型Hopfield神经网络的噪声字符识别

采用连续型Hopfield神经网络(CHNN)对噪声字符进行识别。此模型比离散型Hopfield神经网络(DHNN)和布尔神经网络(BNN)更易于硬件实现，且在信息处理的并行性和实时性等方面更接近实际生物神经网络的工作原理。仿真结果表明该方法可以有效地对噪声字符进行识别。     

基于分层结构神经网络的数字调制方式识别

自动调制方式识别应用范围广泛,对于军用软件无线电侦察接收机更具有十分重要的意义。研究了数字调制方式识别的特征集,在此基础上针对BPSK、QPSK、8PSK、16QAM、2FSK、4FSK、8FSK、2ASK、4ASK共9种调制类型识别问题,设计了一种分层结构的神经网络分类器。在SNR≥ 8dB时,该分类器的正确识别率达到97％以上,其特点是,识别无需任何先验知识,识别的数字调制类型多,识别的正确率高,达到了自动分类识别的目的,并有利于实现识别的实时化。仿真结果表明了此方法的优越性。     

特征结构提取的高阶Hopfield神经网络实现

本文首先建立了特征结构提取问题的罚函数表示，通过对罚函数求极小可以求得原始协方差矩阵的主特征向量及其对应的特征值。为了求得其他特征结构，特构造了一个协方差矩阵序列。如果将罚函数展开并进行整理，高阶Ｈｏｐｆｉｅｌｄ神经网络可被引入到特征结构提取中。这种方法比较直观，它将网络稳定时的输出与所求协方差矩阵的主特征向量的各个分量相对应，而网络稳定时的能量则对应于协方差矩阵的迹与所求特征值之差，计算机仿真结果验证了这种方法的正确性。     

离散神经网络的全局收敛性

应用能量函数,建立了离散的细胞神经网络与离散的Ｈｏｐｆｉｅｌｄ 神经网络全局收敛的充分条件,其结果推广了最近文献中某些已知的结果。     

具有时滞的二阶Hopfield神经网络的稳定性分析

对具有时滞的二阶Hopfield型神经网络平衡点的全局渐近稳定性问题进行了研究。在不要求连接权矩阵的对称性和输入输出函数的可微性与单调性的情况下 ,通过构造适当的Lyapunov泛函得到了网络平衡点的存在性和全局渐近稳定性的若干充分条件 ,这些条件可用于设计全局渐近稳定的二阶人工神经网络。     

基于多层Hopfield神经网络的配电网网络规划

分析了配电网网络结构规划模型,在此基础上提出用Hopfield神经网络进行网络结构规划.针对城市电网辐射状运行的特点,提出多层Hopfield神经网络模型、对应的能量函数以及参数选择规律.多层Hopfield神经网络的每一层对应于一个负荷点的供电线路,能量函数的建立同时考虑到各层的状态.提出一种新的基于多层Hopfield神经网络的配电网网络结构的规划算法,该算法通过使能量函数降到最低值,可以求得配电网网络规划问题的最优或近似最优解.新算法无需对线路编码、无需对数据进行归一化处理,更加易于编程实现.实例计算表明该方法可行、有效.     

Hopfield神经网络在磁粉制动器设计中的应用

为了优化磁粉制动器的结构,提出了Hopfield神经网络的磁粉制动器结构设计方法。方法中利用磁粉制动器的结构建立优化模型,以磁粉制动器的总体积为目标函数,推导约束条件。根据推导的目标函数和约束条件,采用外点罚函数法,构造出优化的增广目标函数,在满足约束条件下,目标函数最小,从而得到磁粉制动器结构的设计方案。实际结果表明,优化后的制动器在满足各项指标的条件下,总体积减小了23%。     

基于客观聚类的手写数字识别方法

针对现有手写数字识别方法对噪声和图像结构敏感,易导致识别准确度下降,且计算过程复杂的问题,引入客观聚类算法并结合模板匹配机制,通过对待识别数字模板集的一次聚类以降低噪声和数据分布对聚类结果的影响,提高了识别结果的准确性;并利用新聚类中心约简原始模板数据集,实现计算效率的提高。通过对随机手写数字在结构变形和添加噪声等情况下仿真,并与传统手写数字识别方法比较,验证了所提方法的简单易行和有效性。     

一种求解多处理器作业调度的Hopfield神经网络方法

多处理器作业调度是一类非常复杂的组合优化问题 ,而Hopfield神经网络通常被广泛用于求解各种组合优化问题。针对具有时间约束 (执行时间和最后执行期限 )和若干资源约束的多处理器作业调度问题 (已知是NP难解的 ) ,提出了一种基于离散的Hopfield神经网络的求解新方法。该方法直接把问题的各种约束表示为Hopfield神经网络的能量函数项 ,进而导出神经网络模型。实验仿真结果表明了该方法的有效性。     

时间离散的回归神经网络的定性分析

研究了一类时间离散的回归神经网络的定性问题.首先应用非线性分析中的度理论,建立了这类神经网络平衡点存在唯一的充要条件;其次通过Lyapunov函数,得到了这类神经网络全局指数稳定的充分准则.     

异联想记忆Hopfield神经网络的模型、算法及性能

对联想记忆神经网络(neuralnetworks NN)的特性进行了分析,基于双向联想存储器BAM原理,对自联想记忆HopfieldNN模型进行了扩展,建造了适合于求解模式识别问题的异联想记忆HopfieldNN模型结构.并针对HopfieldNN记忆容量不足的缺陷,对常规的学习算法进行了改进,建立了基于投影原理的伪逆学习算法和广义逆学习算法,提高了HopfieldNN对样本的记忆存储能力.分析表明:本文的研究解决了HopfieldNN应用于异联想记忆模式识别的关键问题.     

离散时间细胞神经网络的收敛性条件

神经网络的收敛性是网络各种应用的基础。主要研究了离散细胞神经网络的收敛性 ,并给出了几个新的网络收敛性条件。如果细胞网络的模板不是互补的 ,则给出一个网络在细胞格子非相互作用演化方式下的收敛性结果 ,所获结果推广了已有的结论。如果模板是互补的 ,且是行占优的 ,则网络按细胞格子行方式进行演化是收敛的。如果模板是互补的 ,且是列占优的 ,则网络按细胞格子列方式进行演化是收敛的。     

基于离散动态贝叶斯网络的辐射源目标识别研究

提出基于离散动态贝叶斯网络模型,对若干可观测的目标特征参数进行综合推理.推导了离散动态贝叶斯网络的推理算法.建立了目标识别的离散动态贝叶斯网络模型.应用图形模式,使得计算量大大简化,降低了实用的复杂性.仿真结果表明,该方法能够将各种目标特征进行综合,使得各种特征及不同时刻的同一特征互相修正补充,克服了依靠单一特征进行目标识别的局限.     

基于小波神经网络的胎号识别算法研究

针对人工神经网络的特点,对传统BP算法进行了改进。采用小波神经网络方法,有效克服了传统BP算法在实际应用中学习收敛速度慢和容易出现局部极小点的缺点。以轮胎胎号字符识别为例,分别用投影法和Hu不变距方法进行特征提取,并将所提取的特征用作神经网络输入层的神经元。将所设计的小波神经网络经训练后用于胎号的识别。仿真结果表明,小波神经网络在字符识别方面是一个十分有效的方法。     

基于RBF 神经网络的调制识别

针对通信信号这种非稳定的、信噪比(SNR)变化范围较大的信号,利用遗传算法训练的径向基神经网络分类器对各种调制信号的特征矢量进行分类识别,充分发挥径向基神经网络的广泛映射能力和遗传算法的全局收敛能力,并在遗传算法中加入了梯度下降算子,克服遗传算法收敛速度慢的缺点,加快了遗传算法训练神经网络的速度,使得分类器的识别率和鲁棒性得到明显改善。仿真实验的结果证明了此方法的有效性和可行性。     

基于神经网络的辐射源识别系统设计

针对当前辐射源识别系统中存在的问题,提出了一种结合神经网络技术的辐射源识别新方法。该方法可以快速高效的识别各类辐射源,既有基于统计分析的辐射源识别系统的快速性,又有基于专家系统的辐射源识别系统的自适应性和准确性。实际仿真结果表明该方法是有效的,尤其对于参数不全、参数畸变的雷达辐射源,其识别率和识别置信度都有较大提高。在本文方法的基础上,设计出一种结构简单、快速有效的辐射源识别系统,具有一定的推广价值。