基于Hopfield网的煤与瓦斯突出分类模型

针对原有Hopfleld网学习算法的局限性,利用Hopfield网的非线性逼近能力来模拟煤与瓦斯突出中各指标的复杂非线性关系,通过联想记忆功能对煤与瓦斯突出进行分类。引入一种基于混合混沌法的学习算法,较快较好地训练了网络。将煤与瓦斯突出分类指标化分等级,进行编码,基于混合混沌法训练Hopfield网,建立煤与瓦斯突出分类模型。通过实验检验,证明了此模型的实用性。     

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.     

基于模拟退火的Hopfield网全局优化方法

为了改进Hopfield神经网络在多极点函数优化和组合优化中存在的某些缺陷,并影响着一些优化问题求解中的正确性和有效性的现实问题,将模拟退火智能优化算法与Hopfield神经网络有机结合,优势互补,提出了一种基于模拟退火的Hopfield神经网络混合全局优化算法(SA-HNN),新算法很大程度上避免了Hopfield神经网络优化陷入局部极小的缺陷,同时兼顾了算法的效率.通过典型的多极点函数优化和TSP组合优化问题求解,实验表明:SA-HNN混合优化算法具有帮助Hopfield网络摆脱局部极小点的能力并能得到较好的结果,有一定的工程实用价值.     

一种混沌神经网络及在优化计算中的应用

提出了一种混沌神经网络模型。在Hopfield网络中引入混沌机制,首先在混沌动态下搜索,然后利用HNN梯度优化搜索。对非线性函数的优化问题仿真表明算法具有很强的克服陷入局部极小能力。     

混合优化算法及在约束优化问题中的应用

针对混沌优化方法和Alopex算法的特性,将改进的Alopex算法嵌入到混沌优化算法中,提出了一种混合优化算法,此算法充分发挥了改进的Alopex算法的快速搜索能力和混沌优化方法细致寻优的特性,提高了算法的收敛速度,避免了优化算法陷入局部最优的缺陷;同时将混合优化算法应用于约束优化问题中．仿真结果表明了混合优化算法的有效性．     

最优模糊神经网络参数的设计--混沌模拟退火学习法

提出了一种新型优化算法———混沌模拟退火学习法,将混沌算法和模拟退火算法相结合学习模糊神经网络的结构和参数。首先将混沌变量引入模糊神经网络参数的优化搜索中,利用混沌变量的遍历性寻优,根据性能指标寻找较优的模糊神经网络控制器,然后在混沌优化确定的网络基础上,把经混沌搜索后得到的全局次优解作为模拟退火学习算法的初始值,再用模拟退火方法进一步学习网络的隶属函数和权值参数,找到一个全局最优的网络。仿真结果表明:混沌模拟退火学习法优于传统优化方法,其控制结果具有精度高、超调小和响应快的优点,为解决模糊神经网络控制器参数全局最优设计提供了一种切实有效的方法。     

基于遗传Hopfield混合神经网络的多轴控制系统设计与实现

采用ASIC核心的PCI多轴控制器,通过对步进电机的运动控制及状态反馈,设计完成了八轴控制系统.在汉字雕刻路径问题上,结合遗传算法和Hopfield神经网络算法的优点,提出遗传Hopfield混合神经网络算法对汉字雕刻路径进行优化,较好地解决了雕刻过程混乱、雕刻总路径过长的问题.给出了该系统的硬件结构以及遗传Hopfield混合神经网络优化算法和仿真结果.实际应用表明,该多轴运动控制系统具有很好的稳定性和控制精度.     

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。     

具有暂态混沌动力学的神经网络及其在函数优化计算中的应用

提出了一种新颖的具有暂态混沌动力学行为的神经网络模型.首先经过一个倍周期倒分叉过程进行混沌搜索,进而进行类似Hopfield网络的梯度搜索.由于它利用了混沌搜索固有的随机性和轨道遍历性,因而具有较强的全局寻优的能力.一个典型的函数优化的例子表明了该算法的有效性.     

机构综合的混沌优化算法

针对机构综合的非线性方程组求解问题提出了一种混合混沌算法,将方程组转换成一个优化问题,然后利用优化问题的非线性共轭梯度法与混沌优化方法相结合进行优化求解,该算法能使非线性共轭梯度法跳出局部最优,最终获得全局最优.机构综合实例表明：笔者提出的方法能够求出非线性方程组的所有实数解,算法有效、简单、实用.     

四色图着色问题的混沌神经网络解法

采用一种基于退火策略的混沌神经网络（ACNN）算法求解四色图着色问题。将混沌机制引入H0pfield神经网络（HNN），利用混沌的遍历性进行随机搜索，由退火策略控制混沌动态退出和倒分岔出现，使ACNN逐渐趋于一般的HNN．从而既避免了陷于局部极小，又加快了收敛速度，使网络能快速收敛到一个全局最优或近似最优的稳定平衡点。仿真结果表明，这是一个能有效求解四色图着色问题的全局最优化算法。     

基于模拟退火算法的Hopfield神经网络参数优化

为解决Hopfield神经网络应用过程中参数设置的问题,在研究Hopfield神经网络的工作原理的基础上,分析了神经网络模型在求解TSP(Traveling Salesman Problem)问题过程中参数的选取,通过对输出数据进行归一化处理建立网络的评价函数,然后引入模拟退火算法对参数进行最优化选取。实验结果表明,经过参数优化过的Hopfield神经网络模型能更有效,更快速地得到TSP问题的最优解。     

OHNN新的分组Hash算法

在Hash函数算法的研究设计过程中,引入混沌系统理论,探索研究基于混沌动力学的Hash函数算法.将分段线性混沌映射和过饱和的Hopfield神经网络(OHNN)进行结合,提出一种基于混沌动力理论的单向Hash函数构造方法.对算法进行仿真和测试,从不同方面分析验证所提新的算法满足Hash算法的性能指标.安全性分析表明:该算法能抵抗多种碰撞和统计分析的攻击,具有很好的安全性能.     

TSP的瞬态混沌神经网络算法

具有瞬态混沌特性的神经网络(TCNN)可以解TSP。利用神经元的自抑制反馈产生混沌动态，其遍历性能和随机搜索性能有效地克服了Hopfield神经网络(HNN)极易陷入局部极小的缺陷；同时利用一时变参数控制混沌行为，使网络再经过一个短暂的倍周期倒分岔后逐渐趋于一般的Hopfield神经网络，从而收敛到一个最优或近似最优的稳定平衡点。仿真结果表明，TCNN比HNN具有更强的全局寻优能力和更高的搜索效率。     

数字电路的神经网络模型研究

研究数字电路的Ｈｏ０ｐｆｉｅｌｄ神经网络模型,说明了这种模型的原理及建立方法,并指出这种模型存在的不足,然后研究电路手最优神经网络模型,给出了模型的相关定义,讨论了任意数字电路对应的最优神经网络的存在性,这些建模方法可应用于电路的测试、逻辑验证等领域,能提高相关的计算效率。     

基于联想记忆的Hopfield神经网络的设计与实现

介绍了反馈型神经网络Hopfield网络的定义、原理、模型和基本学习规则,并构造了一个用于联想记忆的Hopfield神经网络模型.对实验结果进行分析、比较,实验结果表明:Hopfield神经网络用于数字识别是可行、有效的;该方法较传统神经网络能提高网络的记忆能力和数字识别的正确率;该方法有别于以往的BP神经网络的模式识别,结合一些优化算法,如遗传算法,能对Hopfield神经网络的联想记忆稳态进行优化,增强神经网络的联想记忆能力.     

机组组合的混合编码遗传/tabu搜索组合算法

通过对遗传算法和tabu搜索的各自运算特性进行分析,文章提出了一种混合编码遗传算法与tabu搜索策略结合的组合算法,并运用组合算法对机组优化组合问题进行了求解。组合算法较好的结合了遗传算法的大规模寻优特性与tabu搜索的强局部搜索能力的特点,较大地减小了算法陷入局部最优的概率,能快速搜索到高质量的系统优化解;而且算法所采用的混合编码策略避免了每一迭代步上的负荷经济分配计算,大大地减少了计算量,提高了搜索速度。实例仿真结果表明,这种组合算法是有效的。