交通流量VNNTF神经网络模型多步预测研究

研究了VNNTF 神经网络（Volterra neural network trafficflow model,VNNTF） 交通流量混沌时间序列多步预测问题. 通过分析比较交通流量混沌时间序列相空间重构的嵌入维数和Volterra 离散模型之间的关系,给出了确定交通流量Volterra 级数模型截断阶数和截断项数的方法,并在此基础上建立了VNNTF 神经网络交通流量时间序列模型;设计了交通流量Volterra 神经网络的快速学习算法;最后,利用交通流量混沌时间序列对VNNTF 网络模型,Volterra 预测滤波器和BP 网络进行了多步预测实验,比较了多步预测结果的仿真图、绝对误差的柱状图以及归一化后的方均根;实验结果表明VNNTF 神经网络的多步预测性能明显优于Volterra 预测滤波器和BP 神经网络.     

随机需求多车辆路径问题的神经网络算法

目前国内外对随机需求多车辆路径问题的研究还很少,本文针对标准hopfield神经网络容易陷入局部极值点等问题,以总路程最短和总使用车辆数最少为目标,提出了一种基于退火策略的混沌神经网络的求解随机需求多车辆路径问题的算法,该算法既可以使混沌运动有足够长的进程以提高粗搜索性能,又可以随混沌动态的减弱使收敛速度加快。实验结果表明,该算法优化车辆路径更佳,是解决随机需求多车辆路径问题的有效方法。     

基于混沌神经网络的伪随机序列性能分析

伪随机序列在保密通信、航空航天、测距、密码学、自动控制等领域具有重要作用。本文结合神经网络和混沌映射的特点，提出了一种基于混沌神经网络和混沌映射混沌伪随机序列的设计方法，该方法可以克服有限精度效应对混沌系统的影响。从而改善混沌序列特性，用理论与计算机仿真实验相结合的方法对混沌序列的随机性、平衡性、相关性和线性复杂度等特性进行了系统的分析。分析结果表明，基于混沌神经网络和混沌映射的混沌伪随机序列具有十分理想的随机特性和相关特性，为在低成本下得到比较实用的序列密码提供了一种新的思路。     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

并行混沌神经网络建模方法应用研究

针对开关磁阻电动机的非线性特点及其现有建模方法存在初始网络权值参数随机给定和易于陷入局部最小点的缺点,提出了一种采用并行优化混沌BP神经网络的建模方法。该方法首先利用混沌系统对神经网络权值向量、阈值向量进行初始优化,然后利用BP神经网络的Levenberg-Marquardt算法进行收敛训练,如果陷入局部最小点则再次使用并行混沌搜索进一步优化模型,使模型具有精度高、速度快的特点。模型训练和开关磁阻电动机调速系统动态仿真结果表明,采用该方法建立的模型运行平稳,系统动态性能好,响应速度快。     

《混沌系统的模糊神经网络控制理论与方法》评介

由谭文教授和王耀南教授撰写的《混沌系统的模糊神经网络控制理论与方法》专著,较系统地介绍了混沌系统模糊神经网络控制的基本理论和新方法、新成果。全书12章,涵盖了混沌系统的BP神经网络控制、混沌系统的RBF神经网络控制、超混沌系统的模糊滑模控制、不确定混沌系统的模糊自适应控制、无穷维时滞混沌系统的混合模糊神经网络时间序列预测、混沌系统的复合遗传神经网络控制、不确定混沌系统的模糊神经网络自适应控制、动态神经网络的不确定混沌系统辨识与控制、基于线性矩阵不等式方法的不确定混沌系统模糊控制、不确定混沌系统的递归高阶神经网络同步控制等,具体内容如下：     

基于神经网络误差修正的混沌控制与同步

针对混沌系统非线性强、多变量耦合等特点,提出了一种基于神经网络误差修正的自适应多变量混沌系统的广义预测控制算法,用线性广义预测控制器控制混沌系统,用神经网络对模型预测误差进行修正。算法中辩识过程模型用递推最小二乘法(RLS)、神经网络权值用Davidon最小二乘法(DLS)训练。这种算法对被控混沌系统的先验知识要求较少,无需知道被控系统的精确模型,数值仿真显示可实现混沌系统的宽范围控制与同步。     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法.进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型.利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表明基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性.     

基于三维的多混沌JPEG图像加密算法

描述了基于三维的多混沌系统的图像加密算法。该算法利用多种混沌加密系统把图像切分成三维矩阵系统,在三维空间里对图像置乱变换,然后由多个混沌系统输出的三维混沌序列分别实现空域彩色图像三基色逐像素替代变换。研究结果表明,该算法具有良好的像素值混淆、扩散性能和较大的抵抗强力攻击的密钥空间,加密图像像素值具有类随机均匀分布特性,且相邻像素的值具有零相关特性,证明了所提出方案具有较高的安全性。     

基于Legendre多项式混沌神经网络的异步保密通信

提出一种基于Legendre多项式混沌神经网络的异步保密通信系统。在发送方,系统以Legendre多项式混沌神经网络模型作为Logistic混沌序列辨识器,利用混沌序列与明文序列进行异或运算实现"一次一密"异步加密;接收方将混沌初值输入保密的Legendre多项式混沌神经网络,产生与发送方相同的混沌序列,与密文进行异或运算实现异步解密。加密与解密信息完全隐藏于混沌序列中,其安全性取决于Logistic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,Legendre多项式混沌神经网络产生的序列具有良好的自相关性和互相关性,且算法简单易行,克服了混沌同步通信的诸多缺限,具有良好的安全性。     

内连式复值双向联想记忆模型及性能分析

Lee的复域多值双向联想记忆模型(complex domain bidirectional associative memory,简称CDBAM)不仅将Kosko的实域BAM(bidirectional associative memory)推广至复域,而且推广至多值情形,以利于多值模式(如灰级图像等)间的联想.在此基础上,提出了一个新的推广模型:复域内连式多值双向联想记忆模型(intraconnected CDBAM,简称ICDBAM),通过定义的能量函数证明了它在同步与异步更新方式下的稳定性,从而保证所有训练样本对成为其稳定点,克服了CDBAM所存在的补码问题.计算机模拟证明了该模型比CDBAM具有更高的存储容量和更好的纠错性能.     

时变容错域的感知联想记忆模型及其实现算法

提出并用软件实现了一种时变容错域的感知联想记忆模型．该模型有以下特点：（1）模拟了大脑联想记忆的容错域随时间变化的特点．模型可以根据记忆样本的重要性，为记忆样本在不同时间设计适当的容错域;（2）实现了”维到m维空间的无穷值模式非线性联想，而且该模型的样本容错域充满整个实空间R^n，模型没有伪吸引子；（3）联想记忆速度快．     

非线性连续联想记忆神经网络的分析和优化设计

研究非线性连续联想记忆神经网络的渐近稳定性,得出几个定理.在此基础上,提出了一 种优化设计方法,并给出了理论证明.目前已有的若干结论是本文所得定理的特例.     

语音词汇网单词联想记忆

语音联想记忆是一种高效的记忆方法。为了给学习者提供语音联想的素材,引导学习者进行语音联想,熟悉读音规则,加深对单词拼写和发音的记忆,帮助学习者建立字母组合与相关发音间的双向认知,提出一种基于语音的词汇网。语音词汇网是基于常见字母组合和单词读音之间的差异构建的,因此其中既包含了语音近似度信息,也包含了一定的单词结构信息。利用该网络,学习系统不但可以实现语音联想功能,还能提供语音方面的相关统计信息。语音词汇网的引入能进一步完善单词学习系统的联想记忆功能。     

The modulation of learning state in a biological associative memory: an in vitro,in vivo,and in computo study of object recognition in mammalian olfactory cortex

During learning of overlapping input patterns in an associative memory, recall of previously stored patterns can interfere with the learning of new patterns. Most associative memory models avoid this difficulty by ignoring the effect of previously modified connections during learning, by clamping network activity to the patterns to be learned. Through the interaction of experimental and modeling techniques, we now have evidence to suggest that a somewhat analogous approach may have been taken by biology within the olfactory cerebral cortex. Specifically we have recently discovered that the naturally occurring neuromodulator acetylcholine produces a variety of effects on cortical cells and circuits which, when taken together, can prevent memory interference in a biologically realistic memory model. Further, it has been demonstrated that these biological mechanisms can actually improve the memory storage performance of previously published abstract neural network associative memory models.     

基于模式关联的一对多联想记忆方法

在现有的多模块一对多联想记忆模型中,由于所处理的记忆模式集合本身的特点以及记忆模式之间的关联被忽视,使得构造出来的模型结构复杂,难以实际应用.针对这一不足,提出一种基于模式关联的实现方法.以该方法构造出的多模块一对多联想记忆模型结构简单,易于硬件实现,使得多模块一对多联想记忆模型具有了实际应用的可能.     

基于突出特征的联想记忆神经网络

本文讨论基于突出特征的联想记忆模型，它是理解式记忆联想模型中不可缺少的子网络。理论分析表明，文中建立的模型可用于解决同类样本集的联想记忆问题。与聚类分析网络组合起来，可实现类比推理和分层递阶技术。     

约束最小平方联想存储器及性能比较

鉴于Ｋｏｈｏｎｅｎ的最佳联想存储器对带噪输入会产生难以接受的联想误差，文中试图通过在Ｋｏｈｏｎｅｎ模型中引入对连接权阵的某种约束并进而优化，使修改后的Ｋｏｈｏｎｅｎ模型（ＣＬＳＡＭ）对带噪输入具有最小误差的联想．借助奇异值分解（ＳＶＤ）理论的分析和计算机模拟证实了ＣＬＳＡＭ的性能优越性．     

Distance-Based Sparse Associative Memory Neural Network Algorithm for Pattern Recognition

A sparse two-Dimension distance weighted approach for improving the performance of exponential correlation associative memory (ECAM) and modified exponential correlation associative memory (MECAM) is presented in this paper. The approach is inspired by biological visual perception mechanism and extensively existing sparse small-world network phenomenon. By means of the approach, the two new associative memory neural networks, i.e., distance-based sparse ECAM (DBS-ECAM) and distance-based sparse MECAM (DBS-MECAM), are induced by introducing both the decaying two-Dimension distance factor and small-world architecture into ECAM and MECAM’s evolution rule for image processing application. Such a new configuration can reduce the connection complexity of conventional fully connected associative memories so that makes AM’ VLSI implementation easier. More importantly, the experiments performed on the binary visual images show DBS-ECAM and DBS-MECAM can learn and recognize patterns more effectively than ECAM and MECAM, respectively.     

双向联想记忆学习与回忆的研究

本文对双向联想记忆(BAM)的学习与回忆过程进行了详细的分析。在学习过程中,先是运用自适应非对称BAM算法进行学习,进而采用设置印象门限的反复记忆算法进行学习,本文从理论上证明了印象门限与样本吸引域之间的关系,指出反复记忆方法的理论依据。回忆过程中,采用非零阈值函数的运行方程,提出了阈值学习方法,并且从理论上证明了非零阈值函数的运行方程的采用,可进一步扩大吸引域。为了进一步扩大网络的信息存储量,本文引入了并联的BAM结构。本文方法的采纳,使得BAM网络的信息存储量、误差校正能力等得到很大程度的提高。