动态Hopfield神经网络模型及学习算法

为了解决Ｈｏｆｉｅｌｄ神经网络对可变对象的学习问题，在「１」的基础上，建立了一动态Ｈｏｐｆｉｅｌｄ神经网络，及其学习方法，彻底解决了Ｈｏｐｆｉｅｌｄ神经网络的动态学习问题。     

动态系统参数估计的一种新方法

分析了利用Ｈｏｐｆｉｅｌｄ神经网络进行系统参数估计的基本原理，把参数估计问题转化为Ｈｏｐｆｉｅｌｄ网络的能量函数的最小化问题．当能量函数达到最小值时，Ｈｏｐｆｉｅｌｄ网络的输出即为待估计的参数值．仿真实验证明了该方法的有效性．     

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Hopfield网络的模糊神经网络优化方法

针对训练模糊神经网络时收敛时间慢,难以实时实现的缺点,将Ｈｏｐｆｉｅｌｄ网络引入模糊神经网络权值的优化问题中,从而融合了Ｈｏｐｆｉｅｌｄ网络可进行实时优化和模糊神经网络可引入专家知识化权值的优点。理论分析和模拟实验表明,这种网络可以在电路时间常数数量级内给出优化后的模糊神经网络权值,并且具有Ｌｙａｐｕｎｏｖ意义下的稳定性,为模糊神经网络权值的实时优化提供了一条新途径。     

基于神经网络的一类非线性系统参数估计

基于Ｈｏｐｆｉｅｌｄ神经网络的神经计算原理，提出了一类非线性系统的参数估计方法：首先将系统参数估计问题转化为以系统模型残差平方和为目标函数的优化计算问题，然后利用连续Ｈｏｐｆｉｅｌｄ神经网络的神经计算估计待辨识参数．数字仿真结果表明，该方法不仅算法简单，而且估计精度高．     

基于Hopfield神经网络的平面拟合编码研究

提出了平面拟合编码的一种新的实现方法，即神经网络方法。为了保证Ｈｏｐｆｉｅｌｄ神经网络的收敛，对该网络模型的迭代算法进行了修改，针对Ｈｏｐｆｉｅｌｄ网络存在的局部极小问题，给出了一种扰动算法，结合初始状态的合理选择，可以有效地避免网络陷入局部极小，而接近全局最小，以求得待定系数的最优解，计算机模拟结果表明，Ｈｏｐｆｉｅｌｄ神经网络实现的平面拟合编码性能优于传统的最小二乘法，重建图像质量提高约０．６ｄＢ。     

Hopfield连续神经网络平衡态局部指数稳定的充要条件

研究Ｈｏｐｆｉｅｌｄ连续联想记忆神经网络平衡点的局部指数稳定性,给出了Ｈｏｐｆｉｅｌｄ连续联想记忆神经网络的平衡点局部指数稳定的充要条件。通过引入特征函数的方法,得到了各记忆模式的指数吸收域的估计,以此可用来评价Ｈｏｐｆｉｅｌｄ连续反馈联想记忆的容错能力和模式恢复能力,且可用于综合更为实用的连续联想记忆神经网络。     

基于Hopfield神经网络的平面拟合编码研究

提出了平面拟合编码的一种新的实现方法，即神经网络方法。为了保证Ｈｏｐｆｉｅｌｄ神经网络的收敛，对该网络模型的迭代算法进行了修改，针对Ｈｏｐｆｉｅｌｄ网络存在的局部极小问题，给出了一种扰动算法，结合初始状态的合理选择，可以有效地避免网络陷入局部极小，而接近全局最小，以求得待定系数的最优解。计算模拟结果表明，Ｈｏｐｆｉｅｌｄ神经网络实现的平面拟合编码性能优于传统的最小二乘法，重建图像质量提高约０．６ｄ     

Hopfield型连续反馈神经网络的全局指数稳定性

研究了Ｈｏｐｆｉｅｌｄ型连续反馈神经网络的全局指数稳定性,给出了平衡点的全局指数稳定性的充分条件,这些条件有利神经计算,同时对于Ｈｏｐｆｉｅｌｄ型连续反馈神经网络的设计和应用都很有意义。     

Hopfield神经网在营养问题中的应用及分析

提出并实现了用Ｈｏｐｆｉｅｌｄ神经网络来求解线性规划中的营养问题，并对其模拟实验结果作了有意义的分析。证明了用Ｈｏｐｆｉｅｌｄ神经网来解决问题的可行性与有效性，指出了在确定能量函数的各参数时应特别注意的问题。     

基于Hopfield网络的极小值问题学习算法

针对 Hopfield神经网络 (HNN )所存在的极小值问题及缺乏学习能力的问题 ,提出了一种学习算法。将决定约束条件权值大小的系数作为学习参数 ,在参数空间里使参数向着 HNN能量上升最快的方向学习 ,使网络状态能够有效地从可能陷入的极小值状态中逃脱出来。对于在状态空间里陷入极小值状态的 HNN,首先在参数空间里修正参数 ,然后再返回到状态空间里进行状态更新 ,如此反复 ,直至找到最优解或满意解。算法的有效性通过仿真实验进行了验证。该算法分别被应用于 10城市和 2 0城市的旅行商问题 ,结果能够以很高的比率收敛于最优解     

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。     

一类具有时滞的广义Hopfield神经网络的动态分析

研究了一类具有时滞的广义Hopfield神经网络的动态行为·放宽了对Hopfield神经网络的互连结构必须为对称的要求,考虑一类具有时滞的且互连结构为非对称的广义Hopfield神经网络的稳定性问题·通过构造适当的Lyapunov泛函及扇区条件,给出了平衡点渐近稳定的充分条件·在Hopfield神经网络的设计及实现过程中,这些条件是很实用的·仿真结果进一步证明了结论的有效性·     

应用人工神经网络的无功／电压控制新方法

本文利用人工神经网络中的HOPFIELD连续模型(HNN)来求解电力系统中的无功优化问题,对HNN模型作了改进,使其能够处理等式约束和不等式约束,从而使得HNN模型可以应用于求解非线性规划问题。在算法上,和传统的无功优化方法不同,本方法不区分状态变量和控制变量,只以节点电压作为DNN模型能量函数中的自变量。该方法开发了HNN神经网权值矩阵的稀疏性。通过对雅可比矩阵的修正,引入了变压器变比的变化。另外,本文还从理论上分析了HNN模型的能量的性质,探讨了一种修正HNN模型能量函数中参数的方法,从而保证了解的可行性。最后,通过两机系统,IEEE-6节点,IEEE-30节点系统的测试,验证了这两种模型的正确性。     

具有动态突触的Hopfield时滞神经网络的稳定性分析

在研究Hopfield神经网络时,通常把连接权视为常数;但实际上神经元间的突触是随时间变化的。文章运用拓扑度理论和Liapunov泛函方法,研究具有动态突触的Hopfield时滞神经网络平衡点的存在性和全局吸引性,得到了平衡点存在的简单的代数判据。     

离散Hopfield神经网络的动态行为分析

离散Hopfield神经网络的稳定性不仅本身有重要的理论意义，而且也是网络应用的基础。主要研究非对称离散Hopfield神经网络在并行演化模式下的动力学行为，得到了一些新的稳定性条件，所获结果进一步推广了一些已有的结论。     

一种基于粒子群算法和Hopfield网络求解TSP问题的方法

针对Hopfield网络求解TSP问题经常出现局部最优解,将粒子群算法(PSO)与Hopfield神经网络结合,提出一种基于粒子群的Hopfield神经网络方法. 实验证实这种方法能够以更大概率收敛到全局最优.     

联想Hopfield神经网络样本稳定性的判别方法

针对基于Hebb学习的离散Hopfield神经网络，论述了实现联想记忆功能的基本方法及其样本稳定性的基本思想。根据所存在的问题，提出了判别样本稳定性的充要条件，以及判别样本稳定的一个充分条件，使判别样本是否稳定变得简单易行。最后给出了判别样本稳定的矩阵表示形式，并对给出的定理以及推论给予了证明。     

基于人工智能的创造性思维的方案探讨

针对创造性思维在人类思维中的重要作用.对创造性思维的模拟提供了创造计算的一种新方法.其中,逻辑思维采用了神经网络的BP算法来实现,直觉思维采用了Hopfield神经网络以及交叉变异等实现方法,论述了变异联想在直觉产生中的重要作用,并且建立了模拟直觉的计算模型.提出了采用直觉与逻辑互补构成创造性思维的观点,构造了创造性思维的认知与计算模型,给出了创造性思维模型的计算实例.