灰度逻辑蕴含运算CNN模板的鲁棒性设计

为了解决灰度图像逻辑蕴含运算的问题,该文对一类灰度图像逻辑蕴含运算细胞神经网络(Gray-scale logic converse implication operation cellular neural network,GLCIO CNN)进行了研究。通过制定两幅灰度图像之间的逻辑蕴含运算,设计了一类GLCIO CNN。根据GLCIO CNN的局部规则,对其模板进行鲁棒性设计,提出相应的鲁棒性设计定理,并给出了科学合理的数学证明。只要细胞神经网络的模板参数满足定理中提出的参数不等式,细胞神经网络(CNN)就能够对两幅灰度图像执行逻辑蕴含运算。实验结果验证了GLCIO CNN的有效性及鲁棒性设计定理的可行性。     

灰度逻辑蕴含运算CNN模板的鲁棒性设计

为了解决灰度图像逻辑蕴含运算的问题,该文对一类灰度图像逻辑蕴含运算细胞神经网络(Gray-scale logic converse implication operation cellular neural network,GLCIO CNN)进行了研究。通过制定两幅灰度图像之间的逻辑蕴含运算,设计了一类GLCIO CNN。根据GLCIO CNN的局部规则,对其模板进行鲁棒性设计,提出相应的鲁棒性设计定理,并给出了科学合理的数学证明。只要细胞神经网络的模板参数满足定理中提出的参数不等式,细胞神经网络(CNN)就能够对两幅灰度图像执行逻辑蕴含运算。实验结果验证了GLCIO CNN的有效性及鲁棒性设计定理的可行性。     

一种基于神经网络算法的非线性PID控制器

针对非线性、不确定时滞对象,提出一种基于神经网络算法的非线性PID控制器。该控制器将传统PID的比例、积分和微分参数分别构造成关于误差信号的非线性函数,并将非线性比例运算单元、非线性积分运算单元和非线性微分运算单元分别作为隐层神经元的激励函数,从而构造将PID控制与神经网络控制融为一体的智能控制器。研究结果表明:采用此智能控制器有效解决了传统PID难以控制非线性对象的问题以及传统神经网络控制器隐层神经元节点数难以确定的问题,仿真结果验证了该智能控制器的有效性。     

神经网络TSP问题仿真分析

描述了Hopfield神经网络和自组织特征映射神经网络解决TSP问题时的求解过程和仿真算法.通过对两种算法的仿真比较,得出以下结论:对于较大规模的TSP问题,SOFM模型的寻优结果要优于HNN模型寻优结果;HNN对网络模型参数和初始条件具有很强的依赖性且调整参数组合非常困难,而SOFM的参数设置和调整相对要简单得多;SOFM算法对待解决问题的拓扑分布不敏感,而HNN算法的收敛性对待求解问题的自身分布有很强的依赖性;当待求解问题的数目增大时,SOFM算法的运算时间增加缓慢,而HNN算法的运算时间增加较快.因此,在解决TSP问题时,自组织特征映射神经网络比Hopfield神经网络的效率高,随着问题规模的增大,其优势更为明显.     

类模糊神经网络与非线性系统的在线控制

以实现非线性动态系统的在线控制为目的,提出了一种具有隐层数少、运算简便和逼近能力强等优点的神经网络－类模糊神经网络,并就非线性动态系统的在线控制给出了基于类模糊神经网络控制的选择记忆算法,使谤类非线性系统的在线控制问题得以解决。     

基于粗糙集理论的RBF神经网络在LUCC分类浅析

将粗糙集作为神经网络的预处理单元,利用粗糙集消除冗余特征,减少神经网络的输入节点,降低了网络规模,加快了训练速度。粗糙集神经网络利用粗糙集原理进行知识的表达、推理和简化,利用神经网络的并行特点完成网络学习运算,能更有效地处理不确定、不精确及冗余的数据。结果表明,粗糙集简约后的决策信息放入RBF神经网络中进行运算,输出结果与BP网络运算结果进行对比,在运算时间和测试精度上均优于BP网络。     

广义同余神经网络的初步探讨

为了克服BP神经网络学习算法中由于Sigmoid激励函数饱和区段所造成的收敛慢的缺点,本文提出了一类新型的广义同余神经网络GCNN.由于该网络采用分段线性的广义同余函数作为神经元的激励函数,运算简便且不再存在饱和问题,因此,显著地提高了训练时的收敛速度,有利于神经网络的硬件实现.通过函数逼近和双螺旋线两个实例和BP网络的比较,验证了GCNN的良好性能.     

基于改进BP神经网络的M-learning学习质量评价

传统的BP神经网络算法在寻优过程中常陷入局部极小值而无法得到全局最优解,同时在大数据量训练时,运算时耗大,效率低.为了避免这些缺点,提出了并行GA-Adaboost-BP神经网络算法,用GA算法优化BP神经网络权值,避免陷入局部极小值.运用并行Adaboost算法,将大数据量分成若干个小数据量集,由Adaboost算法组合多个小数据集BP神经网络的输出,构建一个强预测器,这种分布式运算提高了大数据量训练效率.实验证明,用改进BP神经网络算法对大数据量M-learning学习质量评价进行预测,其精确度较高,预测稳定性较好,运算效率得到提高.     

基于概率神经网络的机组状态多步预报方法

为了解决由单步预报递推运算获得的多步预报存在的预报误差的迭代累积问题,提出了相空间动力学轨道的相似多步预报概念,利用概率神经网络合理分配相似算子,构造了多步预报的概率神经网络结构．然后,以模拟振动数据比较了单步预报神经网络、多步预报神经网络和多步预报概率神经网络的预报能力,并预报了燕山石化大机组停车概率的变化趋势,实践表明该方法具有良好的多步预报能力．     

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。     

基于概率神经网络的机组状态多步预报方法

为了解决由单步预报递推运算获得的多步预报存在的预报误差的迭代累积问题，提出了相空间动力学轨道的相似多步预报概念，利用概率神经网络合理分配相似算子，构造了多步预报的概率神经网络结构．然后，以模拟振动数据比较了单步预报神经网络、多步预报神经网络和多步预报概率神经网络的预报能力，并预报了燕山石化大机组停车概率的变化趋势，实践表明该方法具有良好的多步预报能力．     

基于CNN和DES的图像保密通信系统设计方案

为了解决混沌加密系统密钥空间设计上的不足以及数据加密标准(DES)加密算法易被攻击的问题,将细胞神经网络与DES加密算法相结合,提出一种混合加密通信方案.该方案利用细胞神经网络产生混沌信号,将其经过取整、取模、平方、开方、增益、偏移等运算处理后,用得到的新的混沌伪随机序列将图像加密,然后利用DES算法进行再加密.文中还讨论了系统的实现方法.仿真结果表明,采用此混合加密方案进行加解密均可取得较好的效果,解密结果对细胞神经网络初值和DES密钥高度敏感,安全性能有所提高.     

一类三层前向折线模糊神经网络的构造

为克服模糊数运算的复杂性引入了折线模糊数的概念,并应用其优良性质和折线模糊值函数的表示定理,通过插值神经网络的构造方法获得了一类三层前向折线模糊神经网络,证明了该折线模糊神经网络是连续折线模糊值函数的泛逼近器.     

基于神经网络的AES混沌加密算法

人工神经网络具有实现快速并行运算又有混沌动力学复杂行为时,它将是用来设计一种加密算法的最佳选择。通过分析混沌神经网络的复杂动力学行为和并行处理特点,本文提出了基于神经网络的AES混沌加密算法,克服了传统AES算法中由于密钥唯一造成的安全性较低的特点,提高了AES算法的安全性。     

进化BP神经网络的围岩位移预测

利用遗传算法,在BP神经网络模型的基础上, 从连接权、网络结构和学习参数等三方面进行了进化,得到了进化BP神经网络模型,并在VC 6.0平台的基础上自主开发了遗传算法进化BP神经网络预测系统,且采用十进制编码.将该系统运用于通渝隧道围岩预测中,其预测结果表明,进化的BP神经网络模型在训练时的迭代次数比未进化的BP神经网络模型下降了约9倍,提高了运算的效率,其预测结果也较准确.     

基于在线支持向量回归算法的短时交通流预测

实时准确的短时交通流预测在城市道路交通和高速公路交通中都十分重要,是交通控制与诱导系统的基础.应用在线支持向量回归算法对交通流进行预测,并对济南某高架路实测数据进行仿真运算.预测结果表明,在小样本下,与BP神经网络算法相比,在线支持向量回归算法明显优于BP神经网络算法,增大样本数,BP神经网络算法预测精度有所提高,但仍低于线支持向量回归算法;在运算时间上,BP神经网络算法运算时间更短.     

基于人工神经网络的棉花黄萎病预测系统

介绍了一种使用非单调函数作为隐层节点的激励函数的前馈多层神经网络模型构造棉花黄萎病预测系统。该系统能够较好地解决局部极小问题 ,并且运算速度快 ,性能良好 ,预测准确。     

基于神经网络的发动机空燃比自校正控制系统

将神经网络同自校正控制相结合,提出了一种基于神经网络的自校正喷油控制系统,它由一个自校正控制器和一个能够在线辨识的神经网络辨识器组成。该系统适用于以汽油作为燃料的发动机系统在不同工况下对空燃比的控制要求。实验结果表明,该神经网络自校正喷油控制系统具有很好的自适应性、鲁棒性和快速性,它可以克服由于制造、磨损以及参数变化所造成的各种误差,且结构简单,占用内存少,在线训练时间短,运算速度快,学习能力强,可无差跟踪系统的目标设定值。     

稀疏连通卷积神经网络有效近似研究

深度卷积神经网络在图像分类和物体检测上已取得卓越表现,其代价是需要大量参数和复杂计算.针对全连通卷积神经网络运算复杂性,已有研究提出稀疏卷积连通神经网络算法,但卷积(稀疏和非稀疏)连通深度神经网络算法在理论上还有待完善.主要研究稀疏连通卷积神经网络的近似理论,考虑在Sobolev空间中具有任意紧支集的函数,利用表示系统■实现稀疏连通卷积神经网络对函数的有效逼近.     

基于递归神经网络的多步预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题 ,提出了基于局部递归神经网络的多步递归神经网络 (MSRN)模型 ,对时间序列进行了多步预报 .用模拟振动数据把MSRN模型用作单步和多步的预报能力 ,同经典的多层前馈神经网络进行了比较 ,并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势 实践表明 ,用该方法进行多步预报误差小 ,并具有良好的预报能力 .