复数Hopfield盲恢复多用户QPSK信号

为盲恢复MIMO系统QPSK信号,构造了一个专门的复数Hopfield神经网络(CHNN).证明了CHNN趋向平衡的充要条件,指出了虚、实部同时平衡是极值点的必要条件,给出了平衡点集大小与连接矩阵主对角元大小之间的关联.此外,为准确地串行恢复多用户信号,提出了新的补空间扩展法.计算机仿真表明,该CHNN所采用的连接矩阵和补子空间扩展法能有效地削减平衡点数,减少神经网计算次数,降低用户信号漏检的错误.     

基于SVM和NN的空管手写符号的识别研究

针对空管手写符号识别进行研究,使用支持向量机(SVW)与神经网(NN)的方法提出了双层的分类方法,第一层使用支持低分类率的NN分类器,使用一个强拒绝准则,应用了一个易提取的较小特征集.而被拒绝的模式再加上一些更复杂的附加特征和均衡的拒绝准则一起用于第二层的SVM分类器,其中附加特征包括具有强分类能力的空管手写符号的头部和尾部特征.实验结果表明,用这种方法可以得出一个更快的分类器,在相同特征下分类的时间比单个SVM更少,错误识别率为0.1%,具有很好的鲁棒性.     

一维Hopfield神经网络模型的多稳态分析

该文讨论一维Hopfield神经网络模型的多稳态问题.当模型所含S型激活函数没有有界性限制时,该文首先讨论了模型平衡点的存在性,并进一步给出了模型取得一个, 二个, 或三个平衡点的参数条件以及每个平衡点的稳定性.然后该文获得了模型在参数所有取值情况下的平衡点个数及其稳定性的结论.最后, 通过两个实例及其数值模拟说明了结论的有效性.     

基于神经网络的时有限正交小波构造

提出了基于Tank-Hopfield 神经网络的时有限正交小波的构造方法,通过进一步优化使其在正交性和对称性之间保持一定的平衡,实验显示,本方法为小波的构造增加了更大的灵活性和多样性。     

变时滞的Hopfield网络模型的全局指数稳定性

研究了其时滞是在更一般的时间变量的函数情况下的Hopfield网络系统:(*)/(x)i(t)=-cixi(t)+∑n j=1aijfj(xj(t))+∑n j=1bijfj(xj(t-τj(t)))+Ii,i=1,2,...,n.在非线性神经激励函数满足较弱的Lipschitz条件下,引入Lyapunov函数,利用不等式技巧和泛函的单调性等,研究了具有变时滞的Hopfield网络系统的稳定性,得到了对每一个输出响应函数fj(*)在R上有定义,且连续的情况下,系统有唯一的平衡点X=X*,并且该平衡点是全局指数稳定的一个易于判定的充分条件.     

神经网络模型的结构和算法的分离

研究神经网络模型的结构和算法的分离与结合理论及结合神经网络结构描述语言实现底层代码的重用,通过对多种神经网络的比较,总结出规律,论证了结构和算法分离的可行性,给出了分离的理想界线和各部分的适当描述方式及合成的具体方法,只要用户输入对新结构的描述,选择算法库中一种合适的算法就能通过软件自动生成神经网络程序,目前采取这种结构和算法相相分离的方式,被认为是具有一定优势和意义的。     

一种具有连续滞后神经元的Hopfield网络求解TSP问题的算法

提出了一种具有连续滞后神经元的Hopfield神经网络体系结构,有效地解决旅行商问题(TSP).对连续滞后神经元的Hopfield神经网络结构和整个网络的计算性能进行了研究.理论上通过模拟随机生成的具有连续滞后神经元的Hopfield神经网络证明网络的优越性.通过模拟TSP问题的应用来说明此算法的计算效率.仿真结果表明,具有连续滞后神经元的Hopfield神经网络在解决TSP问题时,无论从处理时间和解决质量上来看都优于传统的Hopfield神经网络和二元连续Hopfield神经网络.     

基于离散Hopfield神经网络的突发事件连锁反应路径推演模型

突发事件及其引发的连锁反应会造成严重的灾害后果,如果事先知道突发事件可能引发的连锁反应路径,就可以提前做好断链减灾工作.因此,提出一种基于Hopfield神经网络的突发事件连锁反应路径推演模型.该模型用Hopfield神经网络表示一般的突发事件网络,用Hopfield神经网络的运行规则表示突发事件连锁反应的原理,并设置神经元阈值,将突发事件连锁反应路径的推演过程映射为Hopfield神经网络的演化过程,通过运行Hopfield神经网络推演初始突发事件的一条连锁反应路径.最后,用该模型推演了地震引发的连锁反应路径,验证了该模型的合理性.     

Application of Neurocomputing in Adaptive Control of Large-Scale Aerospace Systems

We are engaged in solving two difficult problems in adaptive control of the large-scale time-variant aerospace system. One is parameter identification of time-variant continuous-time state-space modei; the other is how to solve algebraic Riccati equation (ARE) of large order efficiently. In our approach, two neural networks are employed to independently solve both the system identification problem and the ARE associated with the optimal control problem. Thus the identification and the control computation are combined in closed-loop, adaptive, real-time control system . The advantage of this approach is that the neural networks converge to their solutions very quickly and simultaneously.     

一种求解多处理器作业调度的Hopfield神经网络方法

多处理器作业调度是一类非常复杂的组合优化问题 ,而Hopfield神经网络通常被广泛用于求解各种组合优化问题。针对具有时间约束 (执行时间和最后执行期限 )和若干资源约束的多处理器作业调度问题 (已知是NP难解的 ) ,提出了一种基于离散的Hopfield神经网络的求解新方法。该方法直接把问题的各种约束表示为Hopfield神经网络的能量函数项 ,进而导出神经网络模型。实验仿真结果表明了该方法的有效性。