神经网络余数制系统

研究了神经网络余数制信号处理系统。提出求余运算的逐位比较模型，以非对称Ｈｏｐｆｉｅｌｄ网络为基础，构造了求余运算神经网络；将此网络用于求解中国余数定理，构造了实现余十转换的一种全新方案。计算机仿真结果证实了这个新方案的高速和有效性。     

模数可变的求余运算神经网络

提出了一种由外加工作电压控制模数的求余数的神经网络，该网络速度快，通用性好，可作为高速余数制计算机的运算单元。     

C语言求余运算的剩余系原理

C语言求余运算的结果有正有负,与余数概念有很大区别.对初等数论中的余数和同余概念进行推广,使得任意非零整数都有一个最小非负完全剩余系,一个最小非正完全剩余系.并且证明C语言求余运算本质上是不同剩余系下的带余数除法运算.     

一种基于中国余数定理的等级密钥管理方案

提出了一种基于中国余数定理的等级访问控制组密钥管理方案.服务器能根据每个组对应的所有下级组密钥信息和因子素信息,利用中国余数定理计算得出一个公共信息X.服务器为不同安全等级的组构造等级关系矩阵,使上级组成员能根据公共信息X和等级关系矩阵,仅进行哈希运算、除法运算和一次求模运算即可推导得出所有下级组密钥.仿真结果表明方案有很好的安全性,计算方便快捷,密钥生成效率高,计算量小,适合物联网、传感器网络等用户计算能力受限的环境.     

神经网络解逆运算问题

反馈式神经网络在计算方面的独物优点之一即利用简单的正运算完成复杂的逆运算，讨论了用于运算的三个实际网络：ａ．用乘法运算完成除法的网络；ｂ．不需逆矩阵参数而解线性方程组的网络；ｃ.用余数约化运算求解中国余数定量（孙子定理）的网络。     

神经网络解逆运算问题

反馈式神经网络在计算方面的独特优点之一即利用简单的正运算完成复杂的逆运算。讨论了用于运算的三个实际网络：ａ．用乘法运算完成除法的网络；ｂ．不需逆矩阵参数而解线性方程组的网络；ｃ．用余数约化运算求解中国余数定理（孙子定理）的网络。     

层次广义同余神经网络结构及运算特性分析

提出一种层次广义同余神经网络（ＨＧＣＮＮ）,以有限环上岐次整数余神经网络ＨＧＣ－ＮＮ为例,分析了该网络的运算特性。这种运算保持了神经网络的高度并行结构,能够时完成有限环上的同余运算,给出２个算例。     

网络设计中集中器定位问题的神经网络解决方法

给出了用于解决网络设计中集中器定位问题的神经网络方法，这类容量受限的集中器定位问题是求最小总花费的NP完全问题，利用拉格朗日乘数法和惩罚函数构造神经网络动态系统的微分方程，采用专门的神经网络可以有效解决，模拟结果表明，这种神经网络方法有效可行，并能求出最优解或近似最优解。     

同余的一个应用

利用整数的同余关系及性质给出判断一个整数是否整除另一个整数，或求一个整数除另一个整数的余数的几个方法。     

定点除法运算中余数的处理方法

本文依据计算机内部数的运算法则,分析探讨了定点除法运算中采用的不恢复余数法在运算中余数的处理方法。     

谱分析的神经网络方法──局部零残差法

提出了一种神经网络ＡＲ（自适应递归）参量估计的新方法──局部零残差法。利用所建立的神经网络的明确收敛性，在每一个数据到来后获得一组ＡＲ参量的零残差解，这时ＡＲ参量的特性是与时间序列的噪声相关的随机过程，最终的ＡＲ参量值为全部数据通过神经网络预测误差滤波器后，对各点获得的ＡＲ参量解的求和平均。由此，ＡＲ参量值确定的最大熵谱具有很好的稳定性，且谱的分辨率和精度是与滤波器的长度成正比，这给最佳滤波器的选择保留了充分的灵活性。另外，利用神经网络并行快速的特性，可用该系统进行实时谱分析。     

模糊神经网络识别方法

本文提出了一种新的模糊神经网络分类器,它结合了神经网络和模糊系统的优点,在使用神经网络结构的同时又用模糊理论来处理模糊和非模糊的信息。新网络在处理分类问题时,对畸变和噪声有较好的容忍性。本文还给出了用网络识别数字和印鉴的例子。     

面向嵌入式应用的深度神经网络模型压缩技术综述

结合大数据的获取,深度神经网络关键技术广泛应用于图像分类、物体检测、语音识别和自然语言处理等领域.随着深度神经网络模型性能不断提升,模型体积和计算需求提高,以致其依赖高功耗的计算平台.为解决在实时嵌入式系统中的存储资源和内存访问带宽的限制,以及计算资源相对不足的问题,开展嵌入式应用的深度神经网络模型压缩技术研究,以便缩减模型体积和对存储空间的需求,优化模型计算过程.对模型压缩技术进行分类概述,包括模型裁剪、精细化模型设计、模型张量分解和近似计算和模型量化等,并对发展状况进行总结.为深度神经网络模型压缩技术的研究提供参考.     

分形模糊神经网络诊断方法研究和应用

从分形理论和神经网络原理出发,基于信号分形计算维数定义,以采样周期和分形计算维数两个坐标对信号特征进行合理地模糊化处理,提出分形维数隶属度特征量概念·以多时间尺度采样所获得的分形维数隶属度作为网络输入,单位矩阵为网络输出的分形模糊神经网络,建立了时域精确诊断新方法,通过对典型齿轮系统故障进行精确诊断,结果表明分形模糊神经网络诊断方法的有效性·     

用神经网络新方法求解图的最大独立集问题

在Ｈｏｐｆｉｅｌｄ神经网络优化方法的基础上,根据模拟退炎算法逃离局部最优解的原理,提出了一种神经网络计算的新方法,并用这种方法求解图的最大独立集问题。结果表明,该方法获得最优解比Ｈｏｐｆｉｅｌｄ神经网络优化算法获得的解要好,且所需时间比模拟退火算法少得多。     

基于卷积神经网络的粗粒度数据分布式算法

针对特定运行模式下粗粒度数据存在计算效率较低的问题, 提出一种基于卷积神经网络的数据分布式算法. 首先构建用于粗粒度数据处理的卷积神经网络模型, 给出模型基础连接层神经元网络的连接结构和权重比例, 并训练和池化粗粒度数据； 然后利用训练池化结果求解模型的最小损失函数, 提升模型针对粗粒度数据的分布式计算能力. 实验结果表明, 在单机和集群模式下, 卷积神经网络模型具有更好的计算效率和数据泛化能力.     

多宇宙并行量子遗传神经网络人脸识别算法研究

针对传统遗传算法交叉、变异过程过于繁琐和神经网络在极值判断及收敛速度受限等问题,提出了一种并行的量子遗传算法优化神经网络权值的算法.首先引入了量子计算的概念,在量子计算的过程中使用量子旋门实现染色体的训练,然后引入量子交叉克服了早熟收敛现象,避免了遗传算法中繁琐的交叉、变异过程.最后设计实现了并行的卷积神经网络,使用并行量子遗传算法优化了卷积神经网络权值,实现了并行量子遗传神经网络人脸识别系统.实验结果表明,相对于原来的遗传算法,该算法在鲁棒性和实验速度上都有明显的提高.     

基于覆盖的神经网络集成在语音识别中的应用

神经网络集成通过训练多个神经网络并将各网络的结论进行合成,从而得到最终结果.集成可以显著的提高学习系统的泛化能力.讨论了基于覆盖思想而设计的神经网络集成方法,并将其应用于汉语孤立数码语音识别系统中,通过在集成过程中加入基于覆盖思想的控制算法降低系统的泛化误差,从而使系统的识别效果有了进一步的提高.     

基于量子逻辑线路神经网络的说话人识别方法

 由于说话人的语音信号具有时变性、随机性,其特征参数也呈现出高维及相邻帧变化较大等特点。从量子信息处理理论出发,将一帧语音信号视为一个量子态,在传统神经网络的基础上,利用量子逻辑线路构造神经网络,实现说话人语音信号的有效聚类,探索一种基于量子逻辑线路神经网络的说话人识别模型与方法。利用模型固有的大量全局吸引子,可有效降低语音信号处理的时间及复杂度。通过在经典计算机上模拟仿真,并与BP神经网络说话人识别模型进行对比,表明该方法能够加快说话人识别模型的收敛速率,对参数变化具有更好的鲁棒性,且其系统识别率比BP神经网络方法平均提高了3.34%。     

基于神经元网络的电力系统故障处理器

本文利用神经元网络模型中的反向传播算法,对某电力系统中的某厂站,建立了BP模型,以进行故障分析处理.该神经元处理器采用C语言编译,在IBM/PC/AT机上运行良好.实验结果证明:神经元网络法在用于故障分析时具有快速并行处理、模糊判断、自学习等优点,是一种可行的方法.