离散Hopfield神经网络在混烧控制系统故障诊断中的应用

给出了离散Hopfield神经网络结构和模型．利用Hopfield神经网络的演变过程是一种计算联想记忆的过程,它适用于正交(或近似正交)模式的记忆性质,给出了一种Hopfield神经网络的双向联想记忆模式的记忆矩阵构造方法,并提出了一种改进的基于Hopfield神经网络的控制系统故障诊断的算法,利用此算法实现实时检测混烧控制系统的故障和异常,对混烧控制系统的调节器和阀门进行故障诊断和故障信息提示．     

Hopfield神经网络对供应商分类的研究

本文分析了供应商选择所涉及的各种因素及其相互关系,运用离散Hopfield神经网络模型,面对大量供应商评级数据,然后通过离散Hopfield神经网络的联想记忆能力,建立离散Hopfield供应商评级模型。从而减小评价分析决策中因个人主观性带来的偏差。这样使供应商选择的过程更条理化、层次化,企业对供应商的选择机制更具科学性。     

离散Hopfield实现多值信号盲检测

传统神经网络算法局限于二值神经网络,无法解决多值信号盲检测问题。提出了基于离散Hopfield网络直接盲检测多值信号的两种算法,构造了4电平的离散激活函数。本算法不依赖统计量,建立直接盲检测发送信号的优化性能函数,利用离散Hopfield网络直接盲检测多值信号。给出新的适用于多值离散Hopfield神经网络的能量函数和网络权矩阵,理论证明该网络具有很好的稳定性。仿真结果表明本算法能快速收敛到真平衡点,盲检测效果好,适用于随机信道。     

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。     

三角形网络的4环吸引子计数

离散Hopfield网络的4环吸引子可用于信息的存储,但目前没有好的方法确定网络的存储容量,即环吸引子的数目.通过理论分析和计算模拟证明三角形反对称离散Hopfield网络的环吸引子向量的均匀编码性质,从而推出了环吸引子数目.结果表明这是一个计数#P困难问题.     

学习算法对反馈神经网络故障性能的影响

以离散 Hopfield神经网络为例 ,详细研究了学习算法对反馈神经网络故障性能的影响。简要介绍了离散Hopfield神经网络及其采用的 Hebb学习算法。详细分析了连接故障在学习过程中对网络连接权值故障性能的影响。给出了网络输出状态概率分布变化的计算公式。进行了计算机仿真 ,验证了理论分析结论的正确性     

基于图论的离散Hopfield网络稳定性研究

以图论为工具，主要对连接权矩阵为对角分块形式的离散Hopfield神经网络的稳定性进行了研究。通过构造网络状态图证明了它的稳定性完全可由对角块为连接权矩阵的Hopfield网络的稳定性来确定，并给出了几个相应的结果。     

扩展产生式规则的网络故障诊断专家系统

根据自然语言理解和网络故障诊断专家系统的特性,提出了一种扩展产生式规则的知识表示方法.扩展产生式规则将规则的前提、结论和建议分别用概念图表示,是一种混合知识表示方法.在扩展产生式规则知识表示方法的基础上,设计出了网络故障诊断专家系统的模型.该系统具有自然语言接口,可将网络中有关故障问题的汉语语句转换成概念图;经过专家系统推理后,可将推理结果和推理过程转换成汉语输出.为了增强专家系统知识获取的灵活性,在系统中还增加了Apriori关联规则挖掘算法,通过对陷阱协议数据单元挖掘,实现在线知识获取.利用该系统模型已开发出网络故障诊断专家系统原型.     

基于Hopfield NN遗传优化设计的板形缺陷识别研究

针对Hopfield NN传统设计方法要求权值矩阵需要满足对称的约束,以及记忆容量和容错性低,且记忆模式易陷入伪稳定状态的缺点,本文提出了利用遗传算法(GA)优化设计Hopfield NN权值的方法,并与传统方法对比,验证了GA-Hopfield NN具有较大的记忆容量和较强的容错性。同时提出了GA-Hopfield NN的板形模式识别模型设计方案,将具有较强计算能力的反馈网络用于实时信息处理系统实现模式识别,克服了当前板形智能识别模型动态性差,容错能力低及实时性差的缺陷。同时,Hopfield NN的二值计算形式大大提高了系统的运算速度,为硬件实现和工程应用提供了新思路。     

一种综合智能故障诊断方法的研究

文章介绍了当前一些常用的智能故障诊断技术及其相应的局限性;提出了一种综合运用模糊系统、神经网络及专家系统知识的综合型智能故障诊断方法———基于神经模糊网络和专家系统技术的故障诊断系统,并对该系统的结构、函数及迭代算法等进行了详细的讨论和研究。     

基于神经网络的工业图像识别

工业现场所采集的图像一般都会受到不同程度的污染，针对这种情况，将离散型Hopfield神经网络的联想记忆特点运用于有噪声污染的工业图像识别。所设计的网络具有并行处理、可训练性及容错性等特点，它能完成图像的识别与分类，在输入有噪声污染的图像时，仍可以识别与恢复图像。以监控系统采集到的有污染的数字图像为例，运用数值仿真技术，证明了该方法的有效性。     

Hopfield神经网络的改进

提出一个改进的Hopfield神经网络模型,其连接矩阵的对角元T_n=1,同时根据大量的计算机模拟实验并从神经网络的系统能量出发,计算和分析T_n=1及T_n=0两种Hopfield神经网络的各存储样本所处能量状态的分布情况,及其与各存储样本的稳定性和纠错能力的关系,指出改步的Hopfield神经网络其容量和纠错能力均比T_n=0的Hopfield神经网络强。     

神经网络处理平面图着四色问题的研究

以Ｈｏｐｆｉｅｌｄ神经网络为基础，提出一种网络模型，可以正确处理平面图着四色问题，它具有结构简单，连接规则，容错性强等优点，并可用电子电路实现，在各个神经元外加激励稍有不同或网络连接权值有偏差的情况下可以得到正确输出，用两种途径进行仿真，其结果与理论分析相吻合。     

基于Hopfield神经网络的图象处理

本文应用Ｈｏｐｆｉｅｌｄ网络模型解决计算机视觉中图象匹配与识别问题,对于单幅幅物体的３条边与模型中３条对应力,通过求解一元人方程同三维物姿态,进一步应用Ｈｏｐｆｉｅｌｄ网络求出最佳匹配点,从而识别三维物体,本论文的方法将为计算机视觉中高怪次匹配问题提供一种新的并行处理的途径。     

基于Hopfield神经网络的唐卡图像损伤区域的提取

反映藏族文化艺术特色的古唐卡由于自然和人为的原因有些遭受了不同程度的损伤。针对唐卡画面颜色脱落的一类特殊损伤形式,通过对Hopfield神经网络稳定性的分析,在HSI色彩空间研究Hopfield网络模型,并利用其记忆特性对古唐卡图像进行颜色聚类分割。实验结果表明这种方法可以有效地提取图像中的损伤区域。     

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。