基于逻辑函数修改技术的N进制同步计数器设计

为简化自启动任意进制同步计数器的设计过程,探讨了用逻辑函数修改技术设计基于JK 触发器的能自启动的任意进制同步计数器的设计方法。即在由JK触发器构成的同步
二进制计数器的基础上,通过修改部分触发器的激励函数方程改变计数器状态转换的顺序实现N进制计数。给出了触发器激励函数修改的原则和修改函数的确定方法,并分析了N进制计数器的自启动功能。该方法具有方便、快捷的特点和较强的实用意义。     

基于BP神经网络的降雨量对恒重式路肩挡土墙位移研究

将传统神经网络结构中的神经网络激励函数改进为一反对称函数,运用BP神经网络对实际工程的降雨量对恒重式路肩挡土墙变形位移进行分析,利用监测数据进行训练模拟,并与实际的位移量进行对比,对相似工程地质条件、水文条件下路肩挡土墙设计提供了设计依据及设计参考。     

高斯激励混沌神经元系统及其应用

突破以往混沌神经元模型以Sigmoid函数作为激励函数的过程,构建了由高斯函数独自作为激励函数的混沌神经元模型,分析了它的混沌动力学特性;撤销模拟退火策略后,通过对时间序列的重要指标,如功率谱及最大Lyapunov指数的分析,证实高斯激励的神经元动力系统能够保持永久的混沌搜索状态;利用该系统对灰度图像进行加密,阐述了其原理及算法,通过对加密前后直方图的考查,说明了该混沌加密算法具有较强的抗统计分析能力.     

山峰-减法聚类神经元模型及学习算法

将神经网络与数据集的密度指标结合起来提出一种山峰－减法聚类神经网络方法，利用数据集的密度指标对基类进行合并，并不断重复直至产生足够多的聚类中心，就可完成对聚类神经元的学习。给出该聚类的神经元模型和学习算法。该方法的主要优点是对于工程应用中的大样本集分类和重叠数据的模式分类问题，显得非常有效。     

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.     

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.     

磁刺激下外周神经纤维激励函数的理论

利用外施载流线圈的磁效应，作用于外周神经纤维，诊断和治疗某些神经异常疾病，这是目前极具应用价值的研究课题．传统的分析方法，往往简单地将神经纤维视为无限长圆柱体．为了更切合实际，将神经纤维视作有限长、通过引入特殊函数、严密的数学推导和电磁理论分析，给出了电磁量的计算公式，并通过实际计算，分析了细胞动作电位发生的可能性，提出了线圈优化设计的思想。     

扭环型计数器自启动设计的逻辑修改方案

为了克服目前在保持右移移位寄存器内部结构不变的基础上只求解第1位触发器的激励函数设计方法的局限性,分析了扭环形计数器工作时的状态转换过程,提出在不改变右移移位、取反循环移位的状态变化规律时可对任何一位触发器的激励函数进行逻辑修改的设计方案,给出了在次态函数卡诺图上进行激励函数最小化求解与检查无效状态所赋次态值及逻辑修改...     

激励函数可调的前馈神经网络在线学习算法

针对标准ＢＰ算法的不足,提出了一种激励函数可调的前馈神经网络在线学习算法。该方法去除了样本的预处理过程,以在线方式训练前馈神经网络,同时修正网络的权重,阈值与激励函数。,上于避免了神经元的输出饱和现象,算法的收敛速度明显提高,并在一定程度上防止了局部极小解的出现。仿真结果证明了这种算法的有效性。     

Laguerre正交基前向神经网络及其权值直接确定法

根据多项式理论,构造了一种以Laguerre正交多项式作为隐层神经元激励函数的前向神经网络模型.根据标准BP算法,导出了权值修正的迭代公式(包括标量形式和矩阵形式).区别于这种需要迭代训练获得最优权值的方法,针对该网络模型,进一步提出了一种基于伪逆的直接计算权值的方法.该权值直接确定法避免了以往的权值反复迭代训练的冗长过程.仿真结果显示其具有比传统的BP迭代法更快的计算速度,并且能够能达到更高的工作精度.