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.     

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.     

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。     

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.     

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。     

一种改进的暂态混沌神经网络多用户检测算法

分析了暂态混沌神经网络中的模拟退火函数和自反馈连接权值的敏感性,提出了一种基于模拟退火优化的自适应暂态混沌神经网络,具有较好的逃逸局部最优点的能力,并将其应用于DS/CDMA的多用户检测技术。仿真结果表明,基于模拟退火优化的自适应暂态混沌神经网络多用户检测算法,其误码率性能以及抗远近效应能力优于已有的神经网络多用户检测算法,并具有较好的信干比。     

量子小波神经网络及其在漏钢预报中的应用

针对传统神经网络收敛速度慢,收敛精度低,以及用于模式识别泛化能力差的问题。提出了将量子神经网络与小波理论相结合的量子小波神经网络模型。该模型隐层量子神经元采用小波基函数的线性叠加作为激励函数,称之为多层小波激励函数,这样隐层神经元既能表示更多的状态和量级,又能提高网络收敛精度和速度。给出了网络学习算法。并以之在漏钢预报波形识别中的应用验证了该模型和学习算法的有效性。     

混沌神经网络研究进展与展望

概述了混沌动力学的特性，回顾了近年来混沌神经元主混沌神经网络的研究进展，在此基础上，介绍了两种混沌神经网络模型，分析了其构成和特点，已有研究结果表明，混沌神经网络在联想记忆和组合优化等方面有现有网络更好的性能，最后，指出了混沌神经网络的应用与研究方向。     

一种径向基混沌神经网络分段退火策略及应用

在Chen L等人提出的暂态混沌神经网络模型基础上,采用径向基函数构成的非线性自反馈连接项,分析该网络的动力学特性,模拟退火策略采用分段式结构,合理控制网络的混沌搜索过程及收敛速度。将其应用于组合优化问题中,通过仿真实验,说明若合适调整一级、二级模拟退火参数,则该新型网络能够较好克服陷入局部极小点并较快收敛到最优解,从而验证该方案的有效性。     

Hermite混沌神经网络异步加密算法

基于最佳均方逼近,采用Hermite正交多项式做为神经网络隐层的激励函数,引入一种新型的Hermite神经网络模型．通过神经网络权值和混沌初值产生性能接近于理论值的混沌序列,从中提取与明文等长的序列进行排序,将排序结果对明文置换后即可得密文．加密与解密信息完全隐藏于神经网络产生的混沌序列中,与混沌初值无显式关系,且只需改变混沌初值,便可实现“一次一密”异步加密,其安全性取决于混沌序列的复杂性和无法预测性．理论分析和加密实例表明,该加密算法简单易行,克服了混沌同步加密的诸多缺陷,具有良好的安全性．     

基于混沌神经网络的故障暂态量选线方法研究

为了有效提取故障暂态信息,研究选取适当的小波包基函数。针对电力系统故障暂态量的特点,为了有效克服非故障暂态信号的干扰,研究选取了容错性和联想记忆功能很强的混沌神经网络实现故障选线,并采用改进的遗传算法对混沌神经网络的权值和参数同时进行训练,加快其收敛速度。根据目标模式与神经元的输出状态构造了数值型选线判据。通过实验算例验证了基于暂态量选线判据的有效性和适用性。     

基于混沌神经网络的故障暂态量选线方法研究

为了有效提取故障暂态信息,研究选取适当的小波包基函数.针对电力系统故障暂态量的特点,为了有效克服非故障暂态信号的干扰,研究选取了容错性和联想记忆功能很强的混沌神经网络实现故障选线,并采用改进的遗传算法对混沌神经网络的权值和参数同时进行训练,加快其收敛速度.根据目标模式与神经元的输出状态构造了数值型选线判据.通过实验算例验证了基于暂态量选线判据的有效性和适用性.     

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。     

非单调的多层神经网络

介绍了应用非单调函数作为隐层节点的激励函数的前馈多层神经网络的性能。并对以前神经网络中的两个难点：局部极小和收敛速度慢的问题进行分析。表明了采用非单调激励函数的神经网络能够较好地解决局部极小的问题。最后的实验结果也表明了该网络的性能要好于采用Ｓ型函数的神经网络的性能。