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。     

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．     

Shannon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Shannon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.     

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。     

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。     

径向基函数混沌神经元系统及其应用

建立了径向基函数混沌神经网络模型以及径向基函数混沌神经元模型,分析其产生混沌后收敛的原因,通过撤销模拟退火策略使过程无法收敛,从而构建出永久保持混沌状态的混沌神经元动力系统,分析了该系统的时间序列指标,证明其永久保持混沌状态的可行性;将该系统应用于灰度图像的加密解密,阐述了其原理及算法;分析了该算法的抗穷举能力,考察了原图像与加密图像的直方图,由此说明了该算法的抗统计分析的能力。     

一种求解优化问题的新型小波混沌神经网络

基于神经元的自反馈项可产生混沌的现象,将Gauss小波函数作为混沌神经元的自反馈项。分析了Gauss小波的尺度和平移参数对神经元动力学的影响,提出了自反馈连接权和Gauss小波尺度双重模拟退火的混沌神经元。构建了混沌神经网络模型,分析了由Gauss小波函数产生的附加能量函数对网络优化能力的影响。优化问题的仿真结果表明,该网络能够以较快的速度找到优化问题的全局最优解。     

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。     

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.     

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.     

基于动态函数连接神经网络的自适应逆控制系统辨识研究

自适应逆控制将系统扰动消除和动态响应性能独立分开控制,其性能的优劣取决于系统对象、逆对象及逆控制器模型辨识精度的高低。文中提出用动态函数连接神经网络来实现自适应逆控制系统对象、逆对象的同时在线建模和逆控制器的离线建模,并将模型参数的辨识转化为空间参数寻优。针对混沌初始化对已收敛种群结构的破坏性,提出用变参数混沌粒子群优化算法对神经网络权值进行全局寻优,通过仿真实验可以看出基于动态函数连接神经网络的建模误差小,辨识精度高;与当前的参考模型自适应控制方法进行对比分析,所提方法能取得较好的扰动消除效果,并能使系统的跟踪响应性能得到提高,从而验证了方法的有效性、可行性。     

混沌神经网络及其在最优化问题中的应用

首先评述了三种混沌神经网络模型,然后提出了一种新的混沌模拟退火算法。其次将四种方法分别应用于10个城市的施行推销商问题。文中给出了每一模型神经元输出和能量函数随时间演变过程曲线。根据仿真结果,讨论了四种方法的特性与有效。其结论为：提出的模拟退火神经网络比其它网络模型更能获得全局最小解。     

Neuron-synapse IC chip-set for large-scale chaotic neural networks.

We propose a neuron-synapse integrated circuit (IC) chip-set for large-scale chaotic neural networks. We use switched-capacitor (SC) circuit techniques to implement a three-internal-state transiently-chaotic neural network model. The SC chaotic neuron chip faithfully reproduces complex chaotic dynamics in real numbers through continuous state variables of the analog circuitry. We can digitally control most of the model parameters by means of programmable capacitive arrays embedded in the SC chaotic neuron chip. Since the output of the neuron is transfered into a digital pulse according to the all-or-nothing property of an axon, we design a synapse chip with digital circuits. We propose a memory-based synapse circuit architecture to achieve a rapid calculation of a vast number of weighted summations. Both of the SC neuron and the digital synapse circuits have been fabricated as IC forms. We have tested these IC chips extensively, and confirmed the functions and performance of the chip-set. The proposed neuron-synapse IC chip-set makes it possible to construct a scalable and reconfigurable large-scale chaotic neural network with 10000 neurons and 10000/sup 2/ synaptic connections.     

Large Memory Capacity in Chaotic Artificial Neural Networks: A View of the Anti-Integrable Limit

In the literature, it was reported that the chaotic artificial neural network model with sinusoidal activation functions possesses a large memory capacity as well as a remarkable ability of retrieving the stored patterns, better than the conventional chaotic model with only monotonic activation functions such as sigmoidal functions. This paper, from the viewpoint of the anti-integrable limit, elucidates the mechanism inducing the superiority of the model with periodic activation functions that includes sinusoidal functions. Particularly, by virtue of the anti-integrable limit technique, this paper shows that any finite-dimensional neural network model with periodic activation functions and properly selected parameters has much more abundant chaotic dynamics that truly determine the model's memory capacity and pattern-retrieval ability. To some extent, this paper mathematically and numerically demonstrates that an appropriate choice of the activation functions and control scheme can lead to a large memory capacity and better pattern-retrieval ability of the artificial neural network models.