基于混沌神经网络的移动通信信道分配方法研究

该文应用混沌神经网络求解信道分配问题，给出了信道分配的能量函数表达式和混沌神经网络模型，研究了判别混沌神经网络混沌特性的Lyapunov指数法，讨论了网络模型参数对网络混沌特性的影响，提出了基于混沌神经网络的信道分配算法。仿真结果表明，混沌神经网络具有复杂的瞬态混沌特性，它比Hopfield网络具有更强的搜索全局最优解的能力，和更快的收敛速度。     

基于退火策略的暂态混沌神经网络算法及其在FDP中的应用

影片递送问题（简称FDP）是组合优化的一个新问题，它比旅行商问题（TSP）复杂的多，它可以推广到一大娄路径和排序问题，文章给出了一种解FDP问题的混沌神经网络算法，该算法首先将FDP问题转换成TSP 问题，然后利用神经元的自抑制反馈产生混沌动态，构造具有暂态混沌特性的神经网络算法（TCNN）。由于混沌的遍历性和随机搜索性有效地克服了Hopfield神经网络（HNN）极易陷入局部极小的缺陷；同时利用一时变参数控制混沌行为，使网络在经过一个短暂的倍周期倒分岔后逐渐趋于一般的神经网络，从而收敛到一个最优或近似最优的稳定平衡点，仿真表明，该算法具有更强的全局搜索能力和更高的搜索效率。     

一种空间分割信号源方向估计器的神经网络实现

本文在介绍了空间分割信号源方向估计方法后，提出了一种空间分割信号源方向估计器的神经网络实现方法。所提出的这种网络具有许多优良特性，即暂态混沌特性和平稳收敛特性，能有效地避免传统Ｈｏｐｆｉｅｌｄ神经网络极易陷入局部极值的缺陷。它通过短暂的倒分叉过程，能很快进入稳定收敛状态。稳定状态时网络的输出给出了空间信号源方向的最优估计。所给出的数值仿真实验都证明了本文方法的有效性。     

基于神经网络的混沌信号源的设计及同步

该文应用具有全局最优的BP改进算法和精神网络的强大学习能力，逼近任意非线性能力和权值调整的灵活性来优化混沌信号源的设计，采用非线性负反馈实现了神经网络混沌信号源之间的同步。计算机仿真结果表明，由于该模型充分利用了逼近任意非线性能力和网络权值调整的灵活性，比单一混沌映射能产生更多的，具有良好相关性能的混沌信号，且易于同步。     

一种基于改进暂态混沌神经网络的信道分配算法

该文针对暂态混沌神经网络(TCNN)求解信道分配问题(CAP),分析混沌神经网络模型及其混沌性态,依据其按自反馈连接权值的减小,由混沌态通过逆分岔而收敛到稳定状态的特性,提出了一种对暂态混沌神经网络进行分段退火的策略,即依据混沌神经网络运行过程中,对应Lyaponov指数的变化特性而确定分段点,使网络能有效地利用混沌态进行全局搜索和加快收敛;在7小区的信道分配中,网络收敛速度提升了30%左右,在25小区的Kunz基准测试程序的仿真中,收敛速度也提升了近15%;仿真结果表明其有效减少了网络运算的迭代步数,提高了网络的搜索效率;通过相应理论和仿真结果的分析,对网络的搜索性能、参数的选择与设置进行了进一步的讨论.     

解框形约束最小二乘问题的神经网络

将Ｈｏｐｆｉｅｌｄ神经网络用于解最优化问题，给出了一个解框形约束小二乘问题的离散形神经网络，当这一网络达到其稳定状态，即其能量函数为最小时，由网络的输出可以获得问题的最优解。     

暂态混沌神经网络及其在优化问题中的应用研究

为了分析研究暂态混沌神经网络特性及其优化机制,在分析与研究暂态混沌神经元模型基础上,通过在Matlab软件中编程仿真分析,比较神经网络的动力学特性及各参数对于网络的寻优过程影响.暂态混沌神经网络模型利用混沌所固有的随机性和轨道遍历性,在大范围内按其自身规律进行搜索,搜索过程按混沌轨道遍历,不受目标函数限制,从而具有克服陷入局部极,1、的能力可有效地解决一系列组合优化问题.这里根据网络动力学特性合理选择控制网络参数,通过仿真很好地解决了非线性函数优化问题和10个城市的TSP问题.相对于传统参数选择依靠经验使优化结果更具说服力,优化结果令人满意.从而有利于这种混沌神经网络在优化问题中的推广.     

基于混沌神经网络的多用户检测器

提出一种基于增广Lagrange乘子——暂态混沌神经网络的码分多址（Code Division Multiple Access，CDMA）多用户检测新技术。该技术将混沌模拟退火算法与增广Lagrange乘子相结合，具有良好的逃逸局部最小点的能力和较快的收敛速度，同时能有效克服惩罚函数的缺点。仿真实验结果表明，基于增广Lagrange乘子——暂态混沌神经网络的多用户检测器，其误码率性能优于Hopfield神经网络及未改进的暂态混沌神经网络等多用户检测器。     

时延不对称Hopfield神经网络的稳定条件及其应用

本文对具有时延的不对称Ｈｏｐｆｉｅｌｄ型神经网络平衡点的稳定性进行了分析，得到了网络平衡点全局渐近稳定的一些充分条件，最后我们说明了分析结果在网络设计和参数选择中的应用。     

一种新的混沌扩频序列产生方法

本文提出了一种新的混沌扩频序列产生方法。该方法基于神经网络的强大学习能力和副近非线性函数能力,应用具有全局最优的ＢＰ改进算法通过训练学习建立起具有混沌性态的优化神经网络模型,利用网络权值调整的灵活性来产生混沌扩频序列。计算机仿真结果表明,该模型产生的混沌扩频序列调整更容易,比基于单一混沌映射能产生更多符合扩频通信要求的扩频序列。     

A Neural Network Approach for Signal Detection in Digital Communications

In this paper, we propose a new approach for signal detection in wireless digital communications based on the neural network with transient chaos and time-varying gain (NNTCTG), and give a concrete model of the signal detector after appropriate transformations and mappings. It is well known that the problem of the maximum likelihood signal detection can be described as a complex optimization problem that has so many local optima that conventional Hopfield-type neural networks fail to solve. By refraining from the serious local optima problem of Hopfield-type neural networks, the NNTCTG makes use of the time-varying parameters of the recurrent neural network to control the evolving behavior of the network so that the network undergoes the transition from chaotic behavior to gradient convergence. It has richer and more flexible dynamics rather than conventional neural networks only with point attractors, so that it can be expected to have much ability to search for globally optimal or near-optimal solutions. After going through a transiently inverse-bifurcation process, the NNTCTG can approach the global optimum or the neighborhood of global optimum of our problem. Simulation experiments have been performed to show the effectiveness and validation of the proposed neural network based method for the signal detection in digital communications.     

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,表日周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。     

一种新的基于混沌神经网络的动态路由选择算法

针对通信网的路由选择问题,提出了一种动态路由选择的混沌神经网络实现方法。所提出的此方法具有许多优良特性,即暂态混沌特性和平稳收敛特性,能有效地避免传统Hopfield神经网络极易陷入局部极值的缺陷。它通过短暂的倒分叉过程,能很快进入稳定收敛状态。实验证明了本算法能实时、有效地实现通信网的路由选择,并且当通信网中的业务量发生变化时,算法能自动调整最短路径和负载平衡之间的关系。     

量子细胞神经网络超混沌系统同步及在保密通信中的应用

研究了六阶量子细胞神经网络超混沌系统的同步方法,提出了一种基于量子细胞神经网络超混沌同步系统的保密通信系统,应用MATLAB对六阶量子细胞神经网络超混沌系统进行了数值模拟,结果证明利用线性反馈法可实现该高维系统的混沌同步,利用混沌掩盖可实现保密通信.     

Adaptive neural network output feedback robust control of electromechanical servo system with backlash compensation and disturbance rejection

In this paper, the high-performance tracking control of electromechanical servo systems is concerned. A novel neural network state observer is designed to observe the unknown states. Compared with existing neural network observers, the proposed observer has higher observation accuracy and better robustness. The addition of a fixed-weight single-node neural network can effectively improve the approximation ability of the double-layer neural network without adding a huge amount of calculation. With the addition of the new gain adjustment terms, the observer can still achieve high observation accuracy when the neural network approximation performance is poor, and the observation error can be kept arbitrarily small. To cope with the inherent explosion of the complexity problem in the classical backstepping method in controller design, a command filter is utilized. Compared with other results, the command filtering error has also been considered, and compensating signals are designed to eliminate it. The Lyapunov function is used to show the stability of the controller. Extensive comparative simulations and experimental results verify the effectiveness and advancement of the proposed control strategy compared with other controllers.     

带白噪声的混沌神经网络的能量函数分析

为研究混沌神经网络抗噪声的能力,在陈的混沌神经网络模型中引入噪声函数,研究带白噪声的混沌神经网络模型,给出混沌神经元的倒分岔图和Lyapunov指数图,分析其动力学特性。基于该混沌神经元模型,构造带白噪声的混沌神经网络,并进行能量函数分析,验证其稳定性。结果表明,只要适当的调节噪声系数,系统仍将具有良好的稳定性,系统具有一定的抗噪声干扰能力。在实际应用环境中可以通过调节噪声系数为适当的负值,从而使系统具有更好的优化能力。     

基于混沌退火的参数扰动递归神经网络极值 搜索算法及其应用研究

 针对一类输出函数具有多个极值点的极值搜索对象,当采用传统极值搜索算法时,系统的输出值将无法准确和平滑地收敛至全局极值点的问题,提出了一种利用基于混沌退火的参数扰动递归神经网络构建极值搜索算法的新方法.利用混沌的遍历性以及参数扰动策略,该极值搜索算法可使系统输出值在混沌退火和参数扰动的粗搜索中运动至它的全局极值点附近;然后利用递归神经网络的精搜索使之能够平滑和准确地收敛至全局极值点.同时,详细分析了此方法的收敛性条件、解的最优性条件以及全局极值搜索的能力,仿真结果验证了这种分阶段的搜索方法有助于提高极值搜索算法的全局极值搜索能力.     

基于海杂波混沌模型用神经网络预测器实现小目标检测

介绍了高分辨率雷达海杂波的混沌特性和混沌动态过程，阐述了根据神经网络函数逼近理论，选择径向基函数前馈网络实现杂波混沌过程的重建，并利用杂波回波设计神经网络智能预测器实现杂波混沌过程的准最佳预测，完成强杂波背景下掠海小目标的检测任务。     

Reconstruction of chaotic signals with application to channel equalization in chaos‐based communication systems

A number of schemes have been proposed for communication using chaos over the past years. Regardless of the exact modulation method used, the transmitted signal must go through a physical channel which undesirably introduces distortion to the signal and adds noise to it. The problem is particularly serious when coherent‐based demodulation is used because the necessary process of chaos synchronization is difficult to implement in practice. This paper addresses the channel distortion problem and proposes a technique for channel equalization in chaos‐based communication systems. The proposed equalization is realized by a modified recurrent neural network (RNN) incorporating a specific training (equalizing) algorithm. Computer simulations are used to demonstrate the performance of the proposed equalizer in chaos‐based communication systems. The Hénon map and Chua's circuit are used to generate chaotic signals. It is shown that the proposed RNN‐based equalizer outperforms conventional equalizers as well as those based on feedforward neural networks for noisy, distorted linear and non‐linear channels. Copyright © 2004 John Wiley & Sons, Ltd.     

混沌时间序列预测与目标检测

首先介绍了混沌的基本特性，然后利用混沌时间序列对RBF（Radial Basis Function）神经网络进行训练，用训练好的神经网络预测未来的混沌序列的值，最后分别对淹没在混沌杂波及混沌杂波加一定强度的白噪声中的目标进行检测。仿真结果表明，这种方法具有较好的目标检测能力。