一个新的二进前向多层网学习算法及布尔函数优化实现

本文首先给出二进前向多层网几何学习算法的一个改进策略,提高了原算法的学习效率,然后同个新的神经网络启发式遗传几何学习算法。ＨＧＧＬ算法采用面向知识的交叉算子和变异算子对几何超平面进行优化的划分,同时确定隐层神经元的个数及连接权系数和阈值,对任意布尔函数,ＨＧＧＬ算法可获得迄今为止隐节点数量少的神经网络结构。     

神经网络中隐含层的确定

主要通过PLD算法确定神经网络中隐含层神经元的数目及连接权值,并通过Matlab随机模拟生成一个二维三类线性可分集,用传统的BP网络和本文提出的PLD算法分别对其进行分类实验.     

二进Hopfield型神经网络的记忆容量

本文证明了具有Ｎ个神经元的二进Ｈｏｐｆｉｅｌｄ型神经网络可存储的记忆模式的最大数目为２＾Ｎ，对于任意Ｋ（１≤Ｋ≤２＾Ｎ）个Ｎ维二进值向量，给出了它们成为具有Ｎ个神经元的二进Ｈｏｐｆｉｅｌｄ型神经网络稳定态的充要条件。文中指出了一个二进Ｈｏｐｆｉｅｌｄ型神经网络有可能没有任何稳定态，这是与连续Ｈｏｐｆｉｅｌｄ型神经网络的一个重要区别。最后，给出本文的主要结论。     

布尔神经网络的一种高效率学习算法

把二进神经网络学习算法推广至一般情形,利用汉明球及立方体的空间覆盖生成隐层神经元并对空间集合的相交、汉明球与低维空间的笛卡尔积在神经网络中的表现形式进行了深入探讨,得出几个旨在提高学习效率和减少布尔函数实现复杂性的有用结论,并融合形成完整的学习算法。     

二值图象平滑算法和细胞神经网络实现

本文利用细胞神经网络(CNN)的基本处理单元一细胞的分段线性饱和输出特性和相平面分析法实现了线性可分和线性不可分布尔函数。并利用这一原则实现了二值图象的多种CNN平滑算法。     

多值逻辑基本运算的神经网络实现

多层感知器神经网络是典型的人工神经网络模型。算后，将其推广到多值逻辑。根据感知器神经元的分类特点，系统中的基本运算，从而也实现了任意三值逻辑函数。本文在分析二值感知器神经网络实现二值数字逻辑运采用三层前向稳健感知器神经网络实现了三值格代数。     

二值图像平滑算法和细胞神经网络实现

本文利用细胞神经网络的基本处理单元－－细胞的分段线性饱和输出特性和相平面分析法实现了线性可分和线性不可分布尔函数。并利用这一原则实现了二值图象的多种ＣＮＮ平滑算法。     

二进前向多层神经网络实现的研究

文章提出一种硬件实现二进前向多层神经网络及其硬限幅函数的方法。所设计的神经元电路的权值和阈值均为片内存储的整数，可取负值，也可学习，当输入模式要求更大的维数时可以扩展。仿真结果符合要求。     

数字逻辑的神经网络设计

在讨论数字逻辑与神经元的关系后，提出一种利用前向三层神经网络实现任意布尔逻辑的设计方案，并引入卡诺图化简及最小项抑制的思想降低神经网络的实现复杂性，文中给出设计的原理及算法流程图，此方案结构简单可靠，学习速度快，易于硬件实现。     

基于蚁群算法的二进神经网络学习算法

本文提出一种实现任意布尔函数的二进神经网络学习算法,该算法首先借助蚁群算法优化选择核心节点及节点访问顺序;其次,根据优化的节点访问顺序给出扩张分类超平面的步骤,减少了隐层神经元的数目,同时给出隐层神经元及输出元的表达形式;并进一步通过理论分析了该算法的收敛性。该算法成功地改进了已有学习算法的不足,并通过典型实例验证了该算法的有效性。     

基于GFMM神经网络的雷达目标识别方法

新型的无师训练（General Fuzzy Min—Max，GFMM）神经网络是一种具备无师训练聚类识别能力的新型神经网络，它继承了原有GFMM网络的特点，在网络的拓扑结构和算法方面进行了较大的改进，增加了能够进行自适应在线学习的能力。基于无师训练GFMM神经网络的雷达目标识别方法完整地实现了雷达目标特征学习和识别的一体化过程。在某型对海警戒雷达舰船目标识别仿真应用实验中的结果表明：文中的方法优于其他传统的神经网络目标识别方法，在雷达目标识别方面具有良好的适用性。     

神经网络稳定性的逻辑分析

神经网络稳定性分析的传统方法是采用权矩阵的定量分析。本文提出一种基于推理和矛盾分析的逻辑分析法，并阐明导致网络不稳定的局部结构因素，这有利于神经网络的分析和设计。     

基于线性神经网络处理圆度误差

圆度误差是机械零件及其互换性的重要指标,是产品质量的关键,这里提出一种基于线性神经网络计算圆度误差的方法.神经网络是一种非线性动力系统,具有运算和自适应的学习能力.本文首先分析线性神经网络的基本原理和实现方法,然后介绍利用神经网络进行圆度误差计算的详细方法,最后给出实验结果.仿真实验结果表明,本文介绍的方法可以有效、正确地评价圆度误差.该方法克服了利用最小二乘法评价圆度误差的局部收敛问题.     

一个基于符号神经网络的知识获取系统

本文提出了一种基于符号神经网络的知识获取方法，该方法首先用传统的机器学习方法获取关于某领域的粗略知识，然后把这些知识映射到神经网络结构。     

基于复合式神经网络的二进制软件漏洞检测方法

在软件漏洞检测领域,传统神经网络模型和图神经网络模型是已被验证的有效方法。目前,方案大多针对源代码进行漏洞检测,运用神经网络模型对二进制软件进行漏洞检测的研究相对较少,更是缺乏对图神经网络在二进制软件漏洞检测方面的研究。为充分研究神经网络模型在二进制软件漏洞检测方面的有效性,提出了一种基于复合式神经网络的二进制软件漏洞检测方法。将二进制代码向量化表示为同时支持传统神经网络模型和图神经网络模型训练的图数据结构;使用传统神经网络模型和图神经网络模型相结合的复合式神经网络模型对图数据结构进行学习和验证;在公开的二进制软件漏洞数据集上进行实验和对比分析,结果表明该方法能够有效提升漏洞检测能力,在准确率、精确度等性能指标方面都有明显提升。     

A QoS-provisioning neural fuzzy connection admission controller formultimedia high-speed networks

This paper proposes a neural fuzzy approach for connection admission control (CAC) with QoS guarantee in multimedia high-speed networks. Fuzzy logic systems have been successfully applied to deal with traffic-control-related problems and have provided a robust mathematical framework for dealing with real-world imprecision. However, there is no clear and general technique to map domain knowledge on traffic control onto the parameters of a fuzzy logic system. Neural networks have learning and adaptive capabilities that can be used to construct intelligent computational algorithms for traffic control. However, the knowledge embodied in conventional methods is difficult to incorporate into the design of neural networks. The proposed neural fuzzy connection admission control (NFCAC) scheme is an integrated method that combines the linguistic control capabilities of a fuzzy logic controller and the learning abilities of a neural network. It is an intelligent implementation so that it can provide a robust framework to mimic experts' knowledge embodied in existing traffic control techniques and can construct efficient computational algorithms for traffic control. We properly choose input variables and design the rule structure for the NFCAC controller so that it can have robust operation even under dynamic environments. Simulation results show that compared with a conventional effective-bandwidth-based CAC, a fuzzy-logic-based CAC, and a neural-net-based CAC, the proposed NFCAC can achieve superior system utilization, high learning speed, and simple design procedure, while keeping the QoS contract     

连续神经网络学习过程的动态特性研究

本文研究了连续神经网络在学习过程中结构摄动情况下网络的动态特性.首先提出一般连续神经网络的时变非线性微分方程模型,给出了结构摄动情况下网络在平衡点处线性化处理方法.并主要针对联想神经网络,研究了网络结构不变情况下和网络结构有界缓变的动态特性.     

神经网络的逻辑分析

本文对比约束满足网络,描述了连续状态神经网络的逻辑理论的基本框架,给出了矛盾的定量分析方法。分析表明,神经元逻辑状态变化的根本原因是网络中存在优势矛盾;神经网络求解的动态过程对应于消除优势矛盾的过程。