Shannond小波混沌神经网络及其TSP（城市旅行商）问题的求解

混沌神经网络已经被证明是解决组合优化问题的有效工具．针对混沌神经网络的单调的激励函数。通过引入Shannond小波和Sigmoid函数加和组成的非单调激励函数,提出了一种新型的暂态混沌神经元模型．给出了该混沌神经元的倒分岔图和最大Lyapunov指数时间演化图,分析了其动力学特性．基于该模型,构造了一种暂态混沌神经网络,并将其应用于函数优化和组合优化问题．通过经典的10城市TSP验证了该暂态混沌神经网络的有效性．     

SLF混沌神经网络及其应用

针对混沌神经网络的单调激励函数,引入Legendre函数和Sigmoid函数组合作为非单调激励函数,构造了一种新的暂态混沌神经元模型（SLF模型）,并给出了此混沌神经元的倒分岔图和最大Lyapunov指数时间演化图,利用该模型构建了一种暂态混沌神经网络,通过对非线性函数优化和TSP问题的求解验证了该模型的有效性。     

墨西哥帽小波混沌神经网络及其应用

此文用墨西哥帽小波函数和Sigmoid函数相加组成一个新函数,利用此函数作为激励函数,提出一种新型的暂态混沌神经元模型,通过实验给出该神经元的倒分叉图以及最大Lyapunov指数时间演化图,并且分析此神经元的动力学特性。基于该神经元模型,构造一种暂态神经网络,并将其应用于组合优化和预测方面,通过对经典的10城市TSP,验证墨西哥帽小波混沌神经网络在克服陷入极小点的有效性。     

带扰动的变频正弦混沌神经网络研究

为了研究变频正弦混沌神经网络(FCSCNN)的抗扰动能力,在该混沌神经元的内部状态中分别引入三角函数和小波函数扰动项,提出了带扰动的变频正弦混沌神经元模型。给出了该混沌神经元的倒分岔图及Lyapunov指数的时间演化图,分析了其动力学特性。利用该模型构建了新型暂态混沌神经网络,通过选择不同的扰动系数,将其应用于函数优化和组合优化问题上。仿真实验表明,在适当的扰动系数下,变频正弦混沌神经网络能够有效地解决函数优化和组合优化问题,体现了该模型具有较强的鲁棒性和抗扰动能力。     

一种新型暂态混沌神经网络及其在函数优化中的应用

本文提出了一种新颖的混沌神经元模型，其激励函数由Gauss函数和Sigmoid函数组成，分又图和Lyapunov指数的计算袁明其具有复杂的混沌动力学特性。在此基础上构成一种暂态混沌神经网络，将大范围的倍周期倒分叉过程的混沌搜索和最优解邻域内的类似Hopfield网络的梯度搜索相结合，应用于函数优化计算问题的求解。实验证明，它具有较
较强的全局寻优能力和较快的收敛速度。     

小波混沌神经网络模拟退火参数研究

小波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。研究了分段指数退火函数的Morlet小波混沌神经元模型,给出了分段小波混沌神经元的倒分岔图和Lyapunov指数图。在小波混沌神经网络的基础上,加入了分段指数退火函数,提出了一种新的改进的小波混沌神经网络,并把它应用到函数优化和组合优化问题中。仿真结果表明,改善了小波混沌神经网络的寻优能力,改进的小波混沌神经网络优于原来的小波混沌神经网络。     

小波混沌神经网络的研究与应用

混沌神经网络已被证明是解决组合优化问题的有效工具,但单一化的退火因子无法同时满足准确性和速度性两方面要求,因此改变传统的混沌方式以提高搜索速度和精度就变得尤为重要.文中将Sigmoid函数转化为小波函数可以有效地解决该问题,通过将Sigmoid函数转化为Mexican hat小波函数,以及引入Shannon小波和Sigmoid函数加和组成的非单调激励函数这两种方式,提高了搜索效率和准确度,并用这两种新的模型对两种优化问题进行仿真.仿真结果表明小波混沌神经网络无论在全局最优解的搜索效率还是精确度上都明显优于传统的混沌神经网络.可知将小波函数引入混沌神经网络是极具研究潜力的.     

迟滞混沌神经网络及应用

提出了一种同时具有迟滞和混沌特性的神经元模型,并利用该模型构造出神经网络,用于求解优化计算等问题.通过在神经元中引入自反馈,使得神经元具有混沌特性.将神经元的激励函数改为具有上升分支和下降分支的迟滞函数,从而将迟滞特性引入神经元和神经网络中.结合模拟退火机制,在优化计算初期,利用混沌特性可提高网络的遍历寻优能力,利用迟滞特性可在一定程度上克服假饱和现象,提高网络的寻优速度:在优化计算末期,网络蜕变为普通的Hopfiled型神经网络,按照梯度寻优方式收敛到某局部最优解.可通过构造能量函数的方法,将图像识别中的特征点匹配等问题转化为优化计算问题,从而可采用该神经网络进行问题求解.仿真结果验证了该方法的有效性.     

一种自反馈细胞神经网络稳定性分析及在函数优化中的应用

提出一种具有暂态混沌的细胞神经网络,该网络是利用欧拉算法将模型的状态方程转化为离散形式并引入一项负的自反馈而形成的.由对单个神经元的仿真发现,该模型具有分叉和混沌的特性.在函数优化中,该网络首先经过一个倍周期倒分叉过程进行混沌搜索;然后进行类似Hopfield网络的梯度搜索.由于该网络利用了混沌搜索固有的随机性和轨道遍历性,因而具有较强的全局寻优的能力.最后通过2个函数优化的例子验证了该网络的有效性.     

带扰动的混沌神经网络的研究

为了研究混沌神经网络的抗扰动能力,在Chen’s混沌神经网络中引入了三角函数扰动项,研究了带扰动的Chen’s混沌神经元模型,给出了该混沌神经元的倒分岔图和Lyapunov指数图,分析了其动力学特性。基于该混沌神经元模型,构造了带扰动的Chen’s混沌神经网络,并将其应用于函数优化和旅行商问题（TSP）。仿真结果表明：Chen’s混沌神经网络有一定的抗扰动能力。     

Hysteresis modeling based on the hysteretic chaotic neural network

The hysteresis activation function is proposed, and a novel hysteretic chaotic neuron model is constructed by the function. It is shown that the model may exhibit a complex dynamic behavior. On the basis of this neuron model, we propose a novel neural network, which can be applied to hysteresis system modeling. We demonstrate the advantages of the network by experimental results.     

混沌神经网络智能集成算法优化策略

为了将神经网络的通用性、灵活性与混沌优化易于跳出局部最优解达到全局最优、搜索效率高、对优化条件的要求不高(不需具有连续性和可微性)的优点有机地结合起来，智能集成了混沌神经网络优化算法。该算法寻优效率高，通用性强，具有良好的应用前景和再开发潜力。     

Multiplicative neuron model artificial neural network based on Gaussian activation function

Multiplicative neuron model-based artificial neural networks are one of the artificial neural network types which have been proposed recently and have produced successful forecasting results. Sigmoid activation function was used in multiplicative neuron model-based artificial neural networks in the previous studies. Although artificial neural networks which involve the use of radial basis activation function produce more successful forecasting results, Gaussian activation function has not been used for multiplicative neuron model yet. In this study, rather than using a sigmoid activation function, Gaussian activation function was used in multiplicative neuron model artificial neural network. The weights of artificial neural network and parameters of activation functions were optimized by guaranteed convergence particle swarm optimization. Two major contributions of this study are as follows: the use of Gaussian activation function in multiplicative neuron model for the first time and the optimizing of central and propagation parameters of activation function with the weights of artificial neural network in a single optimization process. The superior forecasting performance of the proposed Gaussian activation function-based multiplicative neuron model artificial neural network was proved by applying it to real-life time series.     

A novel delayed chaotic neural model and its circuitry implementation

In this paper, we investigate a novel delayed chaotic neural model, in which a non-monotonously increasing transfer function is employed as activation function. Local stability and existence of Hopf bifurcation are analyzed in details. Chaos behavior of the neuron model is observed in computer simulations. An electronic implementation of the neuron is also considered. The dynamical behavior of the designed circuits is closely similar to the results simulated by numerical experiments.     

混沌神经网络的研究进展

回顾了近年来几种主要混沌神经元模型及混沌神经网络的研究进展，介绍了其特点及主要的应用。已有的研究结果表明，混沌神经网络在求解复杂优化问题和联想记忆等方面比现有网络有着更好的性能。