一个非全局连接神经网络模型

为了降低神经网络的连接复杂度,以利于硬件实现,本文提出了一个非全局连接的神经网络动力学模型,包括网络的能量函数、局域场和学习规则。基本思想是将Hopfield网络分解成若干个子网络,并建立各子网络之间的联系。对此模型的联想记忆过程统计分析表明,与Hopfield网络相比,一次分解后的连接数减少了25%,但网络的存储量和联想能力不变;多次分解后的连接数大大减少了,尽管网络的存储量和联想能力有所下降,但每个连接系数的平均存储能力提高了近1倍。本文最后讨论了高阶连接和多层网络结构的关系.     

应用Hopfield神经网络优化最大熵的图像恢复算法

基于图像最大熵分析,提出了一种基于Hopfield神经网络优化的图像恢复算法.将图像恢复问题转化为Hopfield神经网络优化问题,取恢复图像熵函数最大以及原始图像与恢复图像之间的误差平方和最小作为图像恢复的目标,构造能量函数连续型Hopfield神经网络模型,由Hopfield神经网络能量函数极小化可得到问题的优化解,其算法通过仿真实验,验证了算法的优越性.     

配电网重构方案Hopfield神经网络算法研究

针对配电网辐射状运行的特点,提出了以Hopfield神经网络为基础,以降低网损为目标函数的配电网重构方案算法:首先利用Hopfield神经网络来确定各个节点的入度,然后根据节点入度确定线路是否投入运行,并由此确定各联络开关的状态,最终确定配电网重构方案.给出了神经网络能量函数和求解方法,能量函数同时考虑到了辐射状运行、网损最低和某些线路可能无联络开关的问题.通过对IEEE一三电源电网进行计算,所得结果和遗传算法基本一致,而Hopfield神经网络通过解微分方程组确定最优解的计算时间相对较少.     

基于恒模算法的Hopfield神经网络盲多用户检测算法的研究

将恒模算法与Hopfield神经网络的能量函数相结合,提出了基于连续Hopfield神经网络的盲多用户信号检测算法。     

用Hopfield神经网络解决作业车间调度问题

对作业车间调度问题的换位矩阵表示方法进行了改进,给出新的作业车间调度问题的 Hopfield 神经网络计算能量函数表达式,然后提出改进的 Hopfield 神经网络作业车间调度方法。为了避免 Hopfield 神经网络容易收敛到局部极小的缺点,将模拟退火算法应用于 Hopfield 神经网络求解,提出随机神经网络作业车间调度方法。与已有算法相比,改进算法能够保证神经网络稳态输出为可行的作业车间调度方案。     

基于装箱问题的Hopfield网络优化设计

针对装箱问题的数学模型,利用目标函数与神经网络中能量函数相等的关系来设计Hopfield神经网络的结构,相应建立动态网络模型,为用Hopfield神经网络理论来解决装箱问题提供了先决条件。     

推广的Hopfield神经网络模型及其应用-Job-Shop问题的神经网络解法

0 引言在神经网络的研究工作中,Hopfield模型的建立被称为是突破性的,但用以解优化问题有其局限性,即被优化的目标函数只能是二次函数.本文给出了一种推广的Hopfield模型,可用于解决一大类优化问题,只要该优化问题能表示成某一目标函数,且该函数能满足对各变量的一价偏导数存在且连续的条件即可. 1 神经网络的结构     

一种基于模拟退火和Hopfield神经网络求解TSP算法

针对Hopfield神经网络解旅行商问题（TSP）经常出现无效解和局部优化解。将模拟退火智能算法与Hopfield神经网络相结合,提出了一种混合优化算法（SA-HNN）,同时合理地修改了Hopfield神经网络的能量函数,确立网络参数。这种方法在很大程度上避免了Hopfield神经网络优化陷入局部极小的缺陷,大量实验证明了该算法具有收敛速度快,可避免无效解,易获得全局最优解等优点。     

傅立叶Hopfield神经网络及其在优化中的应用

Hopfield神经网络(HNN)是一种有效的优化模型,但存在易收敛到局部极小的缺点.傅立叶级数具有良好的函数逼近能力和较高的非线性度,基于这一特点,提出了一种新型的Hopfield神经网络--傅立叶Hopfield神经网络(FHNN),其激励函数是由三角函数和Sigmoid函数组成,并将该模型用于优化问题.仿真结果表明傅立叶Hopfield神经网络能够较快收敛到最优解,在解决优化问题上表现出令人满意的效果.     

Hopfield改进模型的存储容量与编码

根据对Ｈｏｐｆｉｅｌｄ神经网络改进模型大量的计算模拟实验，证明了这种存储矩阵对角元Ｔｉｉ＝１的改进模型具有比Ｔｉｉ＝０的原模型更大的存储容量和更强的纠错能力，并通过对二元矢量的编码，使得这个模型存储容量和纠错能力得到进一步提高。     

Hopfield连续神经网络新的综合和学习方法

本文对设计一个全局稳定的Ｈｏｐｆｉｅｌｄ连续时间联想神经网络提出一种新的综合方法，用本文提出的方法综合的网络不仅能保证每一个要求的模式全部记忆，而且存贮在网络的稳定平衡点上的每一个记忆具有很好的吸引域特性。从最小误差参数估计的观点导出求解网络联接矩阵的学习方法具有快速收敛特性。本文还提出了利用反馈网络电路结构实现网络综合的方案。一个零自联接联想网络的综合实例证实了本文提出的方法的有效性和实用性。     

DCT编码的一种神经网络方法

提出了一种求非完全DCT逆矩阵的神经网络方法,并将它用于编码图像的重建.文中对Hopfield神经网络的选代规则进行了修改,保证了网络在宽松的条件下仍能稳定地收敛.另外,针对Hopfield神经网络的局部极小问题,提出了一种扰动算法,使网络的迭代避开局部极小点,接近全局最小点.最后,给出了计算机模拟实验结果,并与传统的神经网络方法进行了比较.     

结构性对象整体记忆识别的静态模型

对具有结构性的构成人类形象思维的实物对象 ,给出了 1个可能的整体记忆与识别的静态模型 .它可作为人工智能整体性认识的基础 ,是Hopfield模型基本思想的真正实现 .     

随机非对称Hopfield模型中恢复带性质研究

对随机非对称连接Hopfield网络的突变行为进行理论研究. 结果表明, 在存储容量大于临界值的情况下, 网络的性能发生了一次新的突变; 在存储容量临界值邻域, 恢复带与伪稳定点带融合后又重新出现.     

三维Hopfield型神经网络的混沌同步研究

利用状态观测器理论提出了具有多个非线性项的混沌系统的标量输出同步方法。通过对误差系统的变换,以降低非线性项对误差系统的影响,从而可减少极点配置参数。基于这种方法,设计出含有多个非线性项的Hopfield型混沌神经网络的同步系统,并计算出同步参数,从而实现了含有多个非线性项的混沌系统同步,并用计算机仿真证实了此方法的有效性。Hopfield型混沌神经网络具有全局吸引的混沌吸引子,混沌性能稳定,采用线性电路器件容易实现,对混沌的实际应用有参考价值。     

具有滞后的Hopfield连续神经网络的稳定性

利用Ｌｉａｐｕｎｏｖ泛函方法分析了具有滞后的Ｈｏｐｆｉｅｌｄ连续神经网络系统的稳定性，得到了如下结论：对于具有滞后的Ｈｏｐｆｉｅｌｄ连续神经网络，当权矩阵的二范数与增益之积小于１时，系统的平衡点是唯一的全局渐近稳定的，此结论推广了Ｍａｒｃｕｓ的结论。     

一种暂态混沌神经网络及其应用

讨论了Hopfield神经网络算法在优化计算中的应用,提出了一种暂态混沌神经网络模型,把混沌动力学与收敛动力学相结合,使网络逐渐由混沌神经网络向Hopfield网络过渡,达到控制混沌的目的,并且提供一个在全局最优解附近的初值,然后用Hopfield网络得到最优解,有效地解决了Hopfield网络的局部极值问题.仿真结果表明算法对于初始值是稳健的,并且具有很强的克服陷入局部极小能力.