连续Hopfield神经网络图像复原算法的改进

分析了状态连续变化的Hopfield神经网络模型及其收敛性。提出以最大正确转移概率作为更新神经元的选择准则,理论分析表明,该准则能增加神经元状态向提高复原图像信噪比方向转移的概率。利用该准则,提出了串行和并行两种算法进行图像复原,并与连续Hopfield网络复原算法进行比较,发现复原图像的信噪比得到进一步提高。     

量子Hopfield神经网络及图像识别

传统的Hopfield网络的存储容量是神经元个数的0·14倍(P=0·14N)。由于它在识别大量的图像或模式时遇到了巨大的困难,所以研究人员一直在寻找新的方法。由量子计算和神经网络结合而产生的量子神经网络是新兴和前沿的学科之一。为了提高图像识别的速度和增加图像识别量,在分析了量子线性叠加特性的基础上,提出了一种用于存储矩阵元素的基于概率分布的量子Hopfield神经网络,它在存储容量或记忆容量上提高到了神经元个数的2N倍,比传统的Hopfield神经网络有了指数级的提高。通过图像识别的实例分析和仿真试验的结果表明,该量子Hopfield神经网络能有效地识别图像或模式,并且工作过程符合量子演化过程。     

基于协作Hopfield网络的迭代立体匹配算法

针对立体匹配算法中求解能量函数全局最小问题,提出一种基于协作Hopfield网络的迭代立体匹配算法.它采用两个具有相似结构的Hopfield神经网络协作求解匹配问题,两个网络的不同之处是匹配过程中所采用的基准图不同.然后根据左右一致性约束实现两个Hopfield网络之间的协作,从而避免落入局部最小.为加快收敛速度,该算法将视差图的最优搜索问题转换为二值神经网络的迭代收敛过程.利用局部匹配算法的结果预标记初始视差,以设定神经网络初始权重.并根据局部匹配算法中隐含的假定条件,提出了局部匹配算法视差结果的评估准则,以确定各像素的视差搜索范围,从而减少各次迭代过程中状态待确定的神经元个数.实验表明该方法在性能和收敛速度上都要优于传统的Boltzmann机方法.     

连续Hopfield神经网络图像复原算法的改进

分析了状态连续变化的Hopfield神经网络模型及其收敛性。提出以最大正确转移概率作为更新神经元的选择准则．理论分析表明，该准则能增加神经元状态向提高复原图像信噪比方向转移的概率。利用该准则，提出了串行和并行两种算法进行图像复原．并与连续Hopfield网络复原算法进行比较，发现复原图像的信噪比得到进一步提高。     

对处于混沌状态的神经网络的控制

本文针对一种具有高阶、非对称和稀疏联结的Hopfield型神经网络,利用控制混沌的著名方法--OGY方法,对处于混沌状态的网络进行控制,使网络的状态稳定在其演化方程的不稳定平衡点附近.     

基于局部进化的Hopfield神经网络的优化计算方法

提出一种基于局部进化的Hopfield神经网络优化计算方法，该方法将遗传算法和Hopfield神经网络结合在一起，克服了Hopfield神经网络易收敛到局部最优值的缺点，以及遗传算法收敛速度慢的缺点。该方法首先由Hopfield神经网络进行状态方程的迭代计算降低网络能量，收敛后的Hopfield神经网络在局部范围内进行遗传算法寻优，以跳出可能的局部最优值陷阱，再由Hopfield神经网络进一步迭代优化。这种局部进化的Hopfield神经网络优化计算方法尤其适合于大规模的优化问题，对图像分割问题和规模较大的200城市旅行商问题的优化计算结果表明，其全局收敛率和收敛速度明显提高。     

改进Hopfield神经网络JPDA算法研究

Hopfield神经网络数据关联算法足密集多回波环境下一种有效的关联方法.但是,Hopfield神经网络大都使用Sigmoid激活函数,主要缺点是函数在0点附近对噪声十分敏感.为克服上述缺点,引进了一种新的激活函数.新函数通过参数调节网络中各神经元对输入值的敏感区域,可以在降低对噪声的敏感度的同时,保持对信号的有效响应.仿真结果表明,在Hopfield网络中采用的新的激活函数,可以使NJPDA算法的均方根误差更接近JPDA算法,进一步提高了基于神经网络的关联算法的性能.     

基于离散Hopfield神经网络的数字识别实现

介绍了离散Hopfield神经网络的基本概念;以MATLAB为工具,根据Hopfield神经网络的相关知识,设计了一个具有联想记忆功能的离散型Hopfield神经网络,并给出了设计思路、设计步骤和测试结果。实验结果表明,通过联想记忆,对于带有一定噪声的数字点阵,Hopfield网络可以正确地进行识别,且当噪声强度为0．1时的识别效果较好。     

基于自反馈Hopfield网络的快速文本分类器

根据大规模中文文本分类的特点,提出了一种基于最大特征值选取的快速文本正交编码方法,并构造了一种具有较快收敛速度的Hopfield神经网络模型.采用神经动力学方法,对自反馈Hopfield神经网络的网络结构进行了稳定性分析.在Hopfield神经网络中引入KNN再预测机制,使进入伪状态而被拒收的样本能有效地逃离伪状态.实验结果表明,该方法应用到大规模的中文文本分类时,效果良好.     

基于在线智能优化PI控制器的电动加载系统控制方法

为抑制电动加载系统在加载的过程中受到承载系统主动运动带来的多余力矩的干扰,而经典的PI控制难以满足控制的准确性、快速性的需求,提出了基于Hopfield神经网络在线优化PI控制。研究了电动加载系统工作原理并采用机理法建立了电动加载系统的数学模型,利用Hopfield网络能够寻优的特性优化PI参数,通过选取合适的能量函数,网络从初始状态经过有限次网络反馈与迭代计算过程向着能量极小点演变,此时Hopfield神经网络趋于稳定,其输出即为最优的PI控制参数。仿真结果表明该控制方法能够更好地抑制多余力矩,加载精度高。     

Hebb-Hopfield neural networks based on one-dimensional sets of neuron states

Neural Networks (NN), which interconnection matrix is the Hebb matrix of Hopfield (HH) [2,3] are considered. Quasi-continuos sets of neuron states are being used for network matrix production. It is shown, that in this case minima of Hopfield energy are at the bottom of deep ditches, corresponding to the basic set of network activity states for the HH NN. The corresponding states can be made to be stable states of the network. When neuron threshold fatigue is introduced, depending of its recent activity state, the network activity becomes cyclic, moving with a constant rate in one of the two possible directions in the ring, depending on the initial conditions. The phenomena described present novel robust types of NN behavior, which have a high probability to be encountered in living neural systems.     

基于随机隐含层权值神经网络的瓦斯浓度预测

煤矿的安全生产一直是人们重点研究的课题之一。在众多的煤矿开采安全事故中,瓦斯引起的事故占到了大多数。对井下生产线的瓦斯浓度进行实时准确的预测,提前预知生产环境是否处于安全状态,对煤矿的安全生产来说意义重大。针对这一问题,提出了一种基于NSGA-II训练的随机隐含层神经网络(BNSGA-II NN)来进行瓦斯浓度预测的方法。一方面,NSGA-II需要设定的参数少,使用较为简单;另一方面,NSGA-II中的交叉变异机制避免了陷入局部最优解。为了证明NSGA-II训练的随机隐含权值神经网络的预测质量,通过实验与PSOGSA训练的随机隐含层神经网络(PSOGSA NN)进行了对比。实验结果表明,BNSGA-II NN的预测质量明显高于PSOGSA NN的预测质量。     

Mixed Tabu machine for portfolio optimization problem

In this paper, we introduce a novel artificial neural network (NN) to solve the portfolio optimization problem. The proposed NN is called the Mixed Tabu Machine (MTM) since its structure is similar to the Tabu Machine, but includes both discrete and continuous variables. Similar to the Hopfield network, the state of the MTM is updated to find the global minimum energy state. To escape from local minimum states of the energy in the MTM, the state transition mechanism is controlled by a Tabu search in both discrete and continuous search spaces. The experimental results for five standard benchmark data sets show that the MTM can clearly obtain good results in very small computation time.     

不确定机器人的自适应神经网络控制与学习

针对具有未知动态的电驱动机器人,研究其自适应神经网络控制与学习问题.首先,设计了稳定的自适应神经网络控制器,径向基函数(RBF)神经网络被用来逼近电驱动机器人的未知闭环系统动态,并根据李雅普诺夫稳定性理论推导了神经网络权值更新律.在对回归轨迹实现跟踪控制的过程中,闭环系统内部信号的部分持续激励(PE)条件得到满足.随着PE条件的满足,设计的自适应神经网络控制器被证明在稳定的跟踪控制过程中实现了电驱动机器人未知闭环系统动态的准确逼近.接着,使用学过的知识设计了新颖的学习控制器,实现了闭环系统稳定、改进了控制性能.最后,通过数字仿真验证了所提控制方法的正确性和有效性.     

Multi-objective PID control for non-Gaussian stochastic distribution system based on two-step intelligent models

A new method for controlling the shape of the conditional output probability density function (PDF) for general nonlinear dynamic stochastic systems is proposed based on B-spline neural network (NN) model and T-S fuzzy model. Applying NN approximation to the measured PDFs, we transform the concerned problem into the tracking of given weights. Meanwhile, the complex multi-delay T-S fuzzy model with exogenous disturbances, parametric uncertainties and state constraints is used to represent the nonlinear weigh...     

一种新颖的神经网络稳健估计方法

当神经网络应用于实际工程问题时,网络的训练数据集成或多或少都有噪声或异常值掺入其中,为了使网络具有更好的稳健性,文中根据稳健统计学原理,针对前馈神经网络（ＦＮＮ）提出了一种稳健估计（ＲＥ）函数作为新的网络目标函数。     

一种结合PSO及改进BP网络的辨识方法

当辨识神经网络的类型和结构确定后,初始权值等辨识参数直接影响到辨识效果,而依靠先验知识试凑而得的参数值往往难以达到最佳效果。针对这一问题,提出了一种结合粒子群（PSO）算法及引入动量项的改进BP网络的辨识方法,利用PSO对改进BP网络辨识的初始权值/偏置、学习率、动量系数进行寻优,并将优化后的神经网络模型用在控制系统中进行修正,进一步完善辨识模型。应用在热工系统中,仿真结果表明了该辨识方法的有效性。     

癌细胞显微图像分割与识别研究

文章采用竞争Hopfield神经网络的自动聚类分割方法从腹水脱落细胞显微图像中分割可疑细胞和可疑细胞核,提取癌细胞的15个形态特征,利用柔性BP神经网络分类器对腹水脱落癌细胞进行分类识别。通过对临床病例的检验分析,表明该方法能获得较高的诊断正确率。     

基于BP神经网络的三轴转台偏航控制

三轴飞行仿真转台系统作为一种非线性、强耦合系统,难以用精确的数学模型进行描述。文中以三轴飞行转台系统中的回转转台伺服控制系统为研究对象,在分析了回转转台的驱动机构一直流无刷电机的数学模型的基础上,对常规PID控制算法和BP神经网络PID控制算法进行了比较分析。对BP神经网络算法和计算流程进行了简介。同时对阶跃和正弦信号进行MATLAB仿真。仿真结果表明,该方法可以实现有效的控制,并且与传统PID算法相比,具有更好的自适应性和鲁棒性。     

基于RBF神经网络的热电偶信号处理新方法

针对热电偶信号处理中的非线性校正和冷端补偿等突出问题,利用径向基函数(RBF)神经网络构造双输入单输出的网络模型,并采用遗传算法对网络结构和参数进行优化训练,同时完成了热电偶测温中的非线性校正和冷端补偿。经仿真实验证明:该方法的测量误差减小至0.095%,在较大范围内提高了热电偶温度测量的精度。