白噪声混沌神经网络的模拟退火策略

分析了白噪声混沌神经网络模型的动力学特性和对自反馈连接权值的敏感性,研究了退火函数在优化过程中对准确性和计算速度的影响.利用分段模拟退火思想对白噪声混沌神经网络进行改进,使得该网络模型在保证优化算法准确性的基础上,加快了收敛速度,并通过对经典旅行商问题的仿真实验,表明算法具有很强的克服陷入局部极小点的能力,较大程度地改善了原模型的求解组合优化问题的能力,验证了这种分段模拟退火策略的有效性.最后说明了模型参数对改进网络性能的重要性.     

带正弦函数扰动的小波混沌神经网络研究

对小波混沌神经网络的内部状态进行改进,引入了三角函数扰动,提出了一种新型的带三角函数扰动的小波混沌神经网络模型,并把它应用到函数优化和组合优化问题中.仿真结果表明,在控制适当的扰动系数时,带三角函数扰动的小波混沌神经网络能有效地解决函数优化问题和组合优化问题,体现了小波混沌神经网络有很强的鲁棒性和抗干扰能力.     

用改进的噪声混沌神经网络模型求解组合优化问题

混沌模拟退火方法（CSA）在解决组合优化问题时有很强的搜索能力。其中系数α代表能量函数对动态性的影响，α太大，能量函数影响太强，以至于无法得到暂态混沌现象，α太小，能量函数的影响太弱，从而无法收敛到最优解。提出了一种自适应参数动态调整方法，随着能量函数的逐渐减小，通过加大α，保持能量函数在整个搜索过程中对搜索动态性保持一定的影响，从而加快搜索速度，同时保持搜索的精度。计算机仿真结果表明，在保持和增强搜索能力的同时，文中动态参数算法所用时间与现有的算法相比可以减少20％－50％。     

一种基于小波的白噪声消除方法

介绍了小波变换的基本理论，研究了信号和白噪声在小波变换下的不同特性，在此基础上提出了一种新的基于小波变换的白噪声消除方法．仿真结果证明，这种方法具有很好的去噪声效果．     

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。     

复合正弦函数混沌神经网络及优化计算应用

混沌神经网络已经成功地解决了函数优化和组合优化问题.通过复合正弦函数和S igmoid函数构成激励函数,构造了一种新的暂态混沌神经网络.给出了该神经元的倒分叉图和最大LE指数,分析了混沌动力学特性,并将其应用于函数优化问题.仿真结果表明,新的暂态混沌神经网络优于原来的混沌神经网络.     

基于Kalman滤波的带相关噪声系统最优白噪声估值器

基于 Kalman 滤波,提出了带相关噪声定常系统的统一的白噪声估值器。它们由输入白噪声估值器和观测白噪声估值器组成,且可统一处理白噪声滤波、平滑和预报问题,可用于石油地震勘探信号处理和状态估计。一个 Bernoulli-Gaussian 白噪声平滑器的仿真例子说明它们的有效性。     

高斯白噪声对强湍的作用及其机制研究

在特定的参数区域,等离子体中的驱动非线性漂移波方程将会演化到具有时空混沌特征的强湍流态;这一转变是由吸引子激变引起的.本文研究了高斯白噪声对强湍态的作用.研究发现,高斯白噪声可以改变系统向强湍转变的时间,噪声强度越大时,系统向强湍的转变越早,其机制是噪声导致了激变提前发生.     

基于抗白噪声理论的支持向量机

支持向量机（SVM）是在统计学习理论基础上发展起来的一种新的机器学习方法.具有泛化能力强,全局最优等特点.我们针对于传统的支持向量机算法忽略了当采取的训练集中有噪声干扰的情况,通过改造原有的经验风险和调节核函数中的参数,达到抑制或者减弱随机噪声干扰的目的,并具体地给出了抗高斯白噪声的支持向量机模型.     

神经网络对带噪声汽车牌照的识别

提出一种用神经网络识别带有噪声字符的研究方法．采用单层反馈网(Hopfield网)模型及在模式中应用双联想记忆BAM网络的快速增强算法，对字符进行识别．得出此方法可正确联想出无噪声的原模式，而且具有更好的辨识率．     

正弦函数混沌神经网络研究

通过复合正弦函数和Sigmoid函数构成激励函数,构造了一种新的暂态混沌神经网络.对混沌神经元模型的倒分岔和Lyapunov指数谱图进行了分析.基于这个神经元模型,建立了混沌神经网络.对各参数进行了网络寻优能力的比较和分析.通过对非线性连续函数的寻优问题的解决,验证了该网络的有用性和有效性.     

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.     

引入收益因素的RBF神经网络及其应用

考虑到投资者的主要目的是盈利这一重要因素，提出了一种改进的径向基函数(RBF：Radial basis function)神经网络方法。在RBF网络的误差函数中增加了利润、时间和趋势信息，并采用基于梯度下降的误差纠正算法对网络进行训练。对股市综合指数进行预测的结果表明，该方法在提高投资收益的意义下，提高了神经网络模型在金融领域的预测性能。     

三维Hopfield型神经网络的混沌同步研究

利用状态观测器理论提出了具有多个非线性项的混沌系统的标量输出同步方法。通过对误差系统的变换,以降低非线性项对误差系统的影响,从而可减少极点配置参数。基于这种方法,设计出含有多个非线性项的Hopfield型混沌神经网络的同步系统,并计算出同步参数,从而实现了含有多个非线性项的混沌系统同步,并用计算机仿真证实了此方法的有效性。Hopfield型混沌神经网络具有全局吸引的混沌吸引子,混沌性能稳定,采用线性电路器件容易实现,对混沌的实际应用有参考价值。     

三维Hopfield型神经网络的混沌同步研究

利用状态观测器理论提出了具有多个非线性项的混沌系统的标量输出同步方法。通过对误差系统的变换,以降低非线性项对误差系统的影响,从而可减少极点配置参数。基于这种方法,设计出含有多个非线性项的Hopfield型混沌神经网络的同步系统,并计算出同步参数,从而实现了含有多个非线性项的混沌系统同步,并用计算机仿真证实了此方法的有效性。Hopfield型混沌神经网络具有全局吸引的混沌吸引子,混沌性能稳定,采用线性电路器件容易实现,对混沌的实际应用有参考价值。     

混沌神经网络中的超混沌

神经网络是高度复杂的非线性动力系统,存在着混沌现象.通过消除暂态混沌神经元的模拟退火策略,产生了一种可以永久保持混沌搜索的混沌神经元.研究由4个该混沌神经元连接的混沌神经网络的拓扑结构,分析了混沌神经网络的Lyapunov指数谱,发现混沌神经网络中存在超混沌现象;同时,研究了参数变化对混沌神经网络Lyapunov指数谱的影响.     

多变量经济混沌时序的小波神经网络预测

提出了一种改进的小波神经网络,通过对C—D生产系统模型和财产管理模型中产生的经济增长混沌时序,进行多变量混沌时序的相空间重构,并采用改进的小波神经网络进行预测,证明其短期预测效果优于其他方法,说明该方法可以应用到经济增长混沌系统的预测中．     

基于小波神经网络的掌纹识别

提出了一种基于小波神经网络的掌纹识别方法。首先对掌纹图像经过预处理得到掌纹的感兴趣区域(ROI),然后利用小波包分解的方法对该区域进行掌纹特征的提取,再利用RBF网络的容错能力和较快的收敛性对掌纹图像加以识别。针对香港理工大学掌纹数据库进行了实验,实验结果证明,本算法可以达到很好的识别效果,为掌握识别提供了一种新途径。