神经网络中的退火:Ⅰ.时齐情况

本文考虑神经网络经过时齐退火后的极限分布,从动力系统的随机扰动的观点出发,我们证明了极限分布将最后集中在吸引子的一个子集上,当网络可逆时,极限分布为该集合上的均匀分布,文中解释了上述现象发生的原因。     

神经网络中的退火：非时齐情形

本文考虑神经网络经过非时齐退火后的极限行为,我们给出了神经网络经过非时齐退火后的分布,证明了经过非时齐退火后网络在组态空间的一个子集上是遍历的。从而网络经非时齐退火后并不能以概率为1地恢复起一个记忆,进一步地,我们证明了既使只贮存了一个最强的记忆η,网络经非时齐退火仍不能以概率为1地恢复它。     

无界报酬非时齐折扣马氏决策模型

讨论了无界报酬非时齐扣马氏决策模型，且哲扣因子βｔ依赖于前一阶段所处的状态和采取的行动，从而推广了常数折扣因子的马氏决策模型，在一定的假设下，得到了最优方程，证明了存在ε－最优马氏策略。     

模拟退火马氏链的尾事件结构

由模拟退火算法所引出的非时齐马氏链问题已经引起概率论学者的极大关注。本文试图按其轨道的渐近性质将状态空间进行分类，区分了常返态和瞬时态，且将常返态划分为一些渐进连通的互不相交的子类，而这些子类对应于尾σ－代数的原子集。     

折扣非时齐半马氏决策规划（Ⅰ）

本文提出了折扣非时齐半马氏决策模型(N-SMDM)的概念,用比较初等的方法证明了最优方程成立;给出了 Bellman 最优化原理在 N-SMDM 中的形式,并进行了严格的证明.     

带有动态阈值的小神经网络的复杂动力学

本文把反映生物神经元适应性的动态阈值引入到一个由三个神经元组成的小神经网络中去，并考察了网络非常复杂的动力学行为，如Ｈｏｐｆ分岔，魔鬼阶梯，ＲＴＮ路径通向混沌，倍周期通向混沌多吸引子共存，表明人们在参考生物神经来建立人工网络系统时必须慎得对待生物神经系统的某些特点。     

基于离散Hopfield神经网络的数据加密算法

离散Hopfield神经网络的吸引性不仅具有重要理论意义,而且是现代网络应用基础。基于离散Hopfield神经网络,简要讨论了算讨论了其吸引性;并利用其非线性混沌机制和并行计算的特点,提出了数据分组加密算法和公钥加密算法;法的安全性。     

基于神经网络的对称密码系统

将混沌机制的非线性和随机特性引入密码系统 ,是加强信息保密的有效途径。离散 Hopfield神经网络存在混沌吸引子 ,基于此可以构造新的加密算法。该文在 GuoDonghui等人提出的对称的概率加密算法的基础上利用密码分组链接模式 (CBC) ,构造了一个较为完整的神经网络分组密码系统 ,它与数字加密标准 (DES)相比 ,更为简单 ,并具有抵御一些类型攻击的优点     

基于神经网络混沌吸引子公钥加密算法的FPGA实现

利用具有顺序和并行执行的特点的VHDL语言,设计并实现了基于神经网络混沌吸引子的公钥加密算法,在编解码器设计中采用专用的控制模块来控制加密和解密操作;同时,在RAM模块中自主设计了具有并行读写功能的子模块,以进一步提高算法的数据加密速度;整个系统在DE2实验平台中经过反复实验测试和试运行,结果表明该算法是可以硬件实现的,并且具有较高的数据加密速度,时钟频率可达50 MHz以上.     

神经网络非线性纠单错码的研究

本文采用神经网络吸引子编译码方法，设计了一种新的离散型Ｈｏｐｆｉｅｌｄ自反馈神经网络，其权值矩阵具有较强的规律性。由这种网络得到了ＳＥＣ－ＤＥＤ非线性码。码的种类较多，无监督元。译码复杂性低且网络一步收敛，网络的存储容量、纠错性能大大高于文献［２］。     

用神经网络控制非线性系统的混沌运动

设计前馈反传神经网络 ,通过对参数扰动模型输入样本的学习 ,训练成混沌控制器 ,将嵌入在混沌吸引子中不稳定周期轨道镇定到稳定不动点 .用 Henon映射作数值仿真实验 ,证明该方法十分有效     

一种新的基于神经网络混沌吸引子的公钥密码算法

论述了一种新的基于神经网络混沌吸引子的公钥密码算法,在过饱和贮存的Hopfield神经网络模型中混沌吸引子与初始状态之间存在一种单向函数关系,改变神经网络的联结权矩阵,混沌吸引子及其相应的吸引域会随之发生改变,如果以联结权矩阵为陷门,并利用可交换的随机变换矩阵来改变神经网络的联结权矩阵,则可以创建一种新的Diffie-Hellman公钥加密算法．将随机变换矩阵作为私钥,而将变换后的神经网络联结突触矩阵作为公钥,介绍了这种新的公钥加密方案,并分析和讨论其安全性和加密效率。     

基于神经网络混沌吸引子的公钥密码算法安全性分析及其实现

介绍一种基于神经网络混沌吸引子的Diffie-Hellman公钥密码算法.在过饱和贮存的Hopfield神经网络模型中混沌吸引子与初始状态之间存在一种单向函数关系,如果改变该神经网络的联结权矩阵,混沌吸引子及其所应的初始状态吸引域会随之发生改变.因此,我们可以其联结权矩阵为陷门,利用可交换的随机变换矩阵来改变神经网络的联结权矩阵,实现一种新的Diffie-Hellman公钥加密算法,即将随机变换矩阵作为私钥,而将变换后的神经网络联结突触矩阵作为公钥.为了说明这种新公钥加密方案的实用性,本文还分析和讨论其安全性和加密效率,并利用Java编程实现互联网的应用方案.实验结果表明,本算法是可行的,并具有较高的数据加密和解密速度.     

再谈基于分类思想的联想记忆神经网络

探讨了CANN网络的伪吸引子的情况，证明了网络最多只有1个伪吸引子，即所谓的“空白模式”，并设计出异联想记忆网络模型结构。     

混沌退火在神经网络函数优化计算中的应用

将混沌扰动直接添加到Hopfield网络中以提高网络在函数优化计算中的寻优能力.在寻优过程中,通过不断衰减混沌扰动幅度及混沌扰动的接受概率来实现混沌的模拟退火.接收概率衰减速度的调节可以控制混沌退火的速度,从而影响网络的收敛速度.网络在优化过程中经历了混沌粗搜索和梯度下降精搜索两个阶段.利用混沌的随机性和遍历性等特点,网络可以到达全局最优点附近,最终获得全局最优解.仿真结果证明了该方法的有效性.     

一类具变时滞的Hopfield神经网络模型拉回吸引子的存在性

利用不等式技巧讨论一类具有变时滞的Hopfield神经网络系统的动力学行为, 证明该系统拉回吸引子的存在性和唯一性.     

神经网络中的一种改进的快速退火方案

本文详细讨论传统模拟退火的优缺点.在此基础上提出一种改进的快速退火方案.并对它的理论和应用进行讨论与分析。     

一类随机环境中的非紧邻的随机游动

对一类随机环境中的非紧邻的随机游动 (包含了紧邻情形 )进行了讨论 ,并得出了一个可操作的常返性准则和平均回访时间的表达式     

CNN-LSTM深度神经网络在滚动轴承故障诊断中的应用

针对大数据下的滚动轴承振动信号自适应故障特征提取与智能诊断问题,提出了一种结合卷积神经网络(CNN)与长短时记忆网络(LSTM)的故障诊断模型。首先通过网格搜索算法寻找到当前模型的最优初始参数;然后以原始一维振动信号作为模型的输入,利用网络CNN层自适应提取短时特征信并降维后作为LSTM层输入;接着利用LSTM层学习特征信息并训练神经网络模型;最后,网络输出层利用Softmax函数实现多故障模式识别,完成故障诊断。使用Spectra Quest机械故障综合模拟试验台实测数据集对模型进行验证,试验结果表明,与多层感知器、LSTM网络以及经典的LeNet5、AlexNet、VGG相比,所提出的CNN-LSTM模型的分类平均准确率可达99%以上,且模型结构比其他模型更简单,训练时间更短;同时,通过K折叠交叉验证算法对模型进行评价,结果表明CNN-LSTM模型计算误差较小且网络训练充分,未出现过拟合或欠拟合情况。