HNN的并行稳定性

本文证明了在权矩阵(记忆矩阵)W 非负定的条件下,Hopfield 神经网络(HNN)具有并行稳定性,并且证明了由 Hebb 学习算法得到的权矩阵具有非负定性.进而利用计算机对 Hopfield 神经网络进行了模拟,发现对用近似正交的训练样本由 Hebb 学习算法得到的权矩阵 W,其相应的 Hopfield 神经网络对被噪声干扰或不完全样本差不多经过一二次并行处理就可以稳定(收敛)到原样本.     

基于克隆选择算法的Hopfield网络容量提升方法

Hopfield网络容量大小对网络模式识别正确率有重要影响。为进一步提升Hopfield的网络容量,提出了一种基于克隆选择算法优化Hopfield网络容量的方法。首先将克隆选择算法引入到Hopfield网络中,以Hopfield网络的初始输入作为克隆选择算法中的抗原;然后随机产生权值矩阵作为克隆选择算法的初始抗体;最后依据克隆选择算法对初始抗体进行克隆、交叉、变异,根据亲和力的大小选择出网络的优化权值,以提升Hopfield网络容量。将上述方法应用于含噪声的样本识别,实验结果表明:与传统的Hopfield网络相比,所提出的方法能有效地提升Hopfield网络的容量。为提高Hopfield神经网络的记忆容量提供了一种新的思路。     

通信网络中缩减的Hopfield神经网络路由算法

为保证神经网络收敛于全局最优点,采用模拟退火算法研究了Hopfield神经网络的局部稳定问题,针对Hopfield神经网络路由算法需要神经元数目众多、计算量大的缺点,提出规模缩小化的Hopfield神经网络路由算法.采用减少神经元数量的方法,减小神经网络规模,提高路由运算能力和神经网络的适应性.比较了原路由算法和改进算法的迭代次数、运算速度和稳定状态能量函数,分析在通信网络和神经网络各参数变化情况下,迭代算法的收敛特性和稳定性的变化规律,总结神经网络路由计算3种约束系数之间的关系.结果表明,缩减的Hopfield神经网络路由计算较原算法具有更高的有效性、可靠性和应用适应性.     

基于Hopfield的DWT数字图像水印新算法

为了保证数字图像水印的鲁棒性和安全性,结合Hopfield神经网络的联想记忆功能,本文提出了一种基于Hopfield神经网络的离散小波变换域数字图像水印新算法。该算法首先对数字图像进行二尺度的离散小波变换,然后再使用Hopfield神经网络对提取的水印进行多级处理和恢复,从而明显地提高了水印图像提取的质量,增强了水印算法的鲁棒性。仿真实验表明:该算法能很好地抵抗噪声污染J、PEG压缩和剪切等攻击。     

基于DHNN的高校教师工程实践能力评价研究

为客观评价高校教师工程实践能力,引入离散型Hopfield神经网络(DHNN)算法对高校教师工程实践能力的19个指标进行评价,评价过程直观、可靠,且减少了计算工作量,增加了评价结果的可解释性。     

联想记忆离散Hopfield神经网络的样本容量和吸引域

对用于联想记忆的外积型设计离散Hopfield神经网络,给出了记忆样本容量与样本间Hamming距离以及神经元数目的具体关系,并论证了其在实际应用中的合理性。同时给出了样本的吸引域半径与样本的具体关系。特别地,对于样本正交的情况得到了两个推论。     

基于连续型Hopfield网络的最优控制方法

为克服应用离散型Hopfield网络解决动态最优控制问题时,计算量随着系统维数和控制时域的增加而指数增大的不足,提出了一种基于连续型Hopfield网络解决线性离散系统二次型最优控制问题的方法.该方法将线性二次型性能指标转化为连续型Hopfield网络的能量函数,控制序列转化为连续型Hopfield网络神经元的输出向量,从而将线性二次型动态优化问题的求解过程转化为相应的连续型Hopfield网络从初态向终态的运行过程,网络稳态输出反映了最优控制序列.该方法计算量小,实时性好,便于在线优化控制.     

时滞中立型神经网络全局渐近稳定性

针对具有时变时滞的中立型Hopfield神经网络,在对时变时滞的合理假设下,文中通过构造适当的Lyapunov泛函,提出了一种新的方法判定时变时滞中立型Hopfield神经网络系统的全局一致渐近稳定性。所得判据是建立在一个代数Riccati方程及其对应离散Lyapunov方程存在对称正定解之上的,并得出了易于计算机仿真实现的线性矩阵不等式的判据形式,仿真验证了结果的有效性。     

基于Hopfield神经网络的状态观测器设计

基于神经优化计算原理，给出了线性定常系统的状态观测器的设计方法。将观测器设计问题转化为约束非线规划问题，利用Hopfield神经网络在线的计算观测器的增益矩阵和输入矩阵，能够保证观测器输入信号的平均幅值接近最小。数字仿真结果表明了该方法的有效性。     

一种具有迁移学习的MF和DNN的组合推荐算法

为解决单一推荐算法应用具有局限性和用户行为数据具有稀疏性的问题,将迁移学习方法应用到组合推荐算法.该算法首先分别利用矩阵分解(MF)推荐算法和深度神经网络(DNN)推荐算法对用户行为数据进行预测,然后利用迁移学习方法将训练出来的特征数据作为组合推荐算法的输入,并进行再次训练,获得预测评分,实现对目标用户的推荐.实验结果表明,具有迁移学习的基于矩阵分解和深度神经网络的组合推荐算法能够有效地提升推荐质量.     

神经网络在采煤沉陷区水系治理方案中的应用

在采煤沉陷区水系治理方案优选中,采用Hopfield神经网络求解优化问题原理,将方案优选问题映射到Hopfield神经网络,建立能量函数模型,求解能量达到最小值时的置换矩阵,由置换矩阵得到方案优选排序,决策者参考方案优选排序结果确定拟采用的水系治理方法。     

延迟离散Hopfield型网络的异步收剑性

延迟离散Hopfield型网络是离散Hopfield网络的一种推广,研究了非对称的延迟离散Hopfield型神经网络的异步收剑性,并给出了相应的收剑性定理,所获结果推广了已有的结论。     

K-L变换在BP网络初始权值优化中的应用

提出了一种新的神经网络初始权值的优化方法,该方法首先对样本做K-L变换,将所得到的变换矩阵作为BP网络输入层到隐层的初始权值,然后开始BP算法对多层感知器的训练学习,以缩短样本学习时间.最后分别选取线性可分的样本和非线性可分的样本在MATLAB中进行了仿真,仿真结果证明,该权值优化方法是合理的.     

联想记忆离散Hopfield神经网络的样本容量和吸引域

对用于联想记忆的外积型设计离散Hopfield神经网络，给出了记忆样本容量与样本问Hamming距离以及神经元数目的具体关系．并论证了其在实际应用中的合理性。同时给出样本的吸引域半径与样本的具体关系。特别地．对于样本正交的情况得到了两个推论。     

K—L变换在BP网络初始权值优化中的应用

提出了一种新的神经网络初始权值的优化方法，该方法首先对样本做K—L变换，将所得到的变换矩阵作为BP网络输入层到隐层的初始权值，然后开始BP算法对多层感知器的训练学习，以缩短样本学习时间．最后分别选取线性可分的样本和非线性可分的样本在MATLAB中进行了仿真，仿真结果证明，该权值优化方法是合理的．     

基于鉴别流形的不相关稀疏投影非负矩阵分解

基于流形学习、稀疏表示和鉴别分析理论,提出一种基于鉴别流形的统计不相关稀疏投影非负矩阵分解(discriminative manifold—based uncorrelated sparse projective NMF, DMUPNMF)算法。该方法继承了线性投影NMF优点,充分利用了数据集的局部和非局部几何鉴别信息,能够从数据集中抽取不相关鉴别特征,且分解结果具有良好的数据局部表示和稀疏性;给出多乘更新规则求解优化算法并证明其收敛性,还给出投影梯度优化算法以提高收敛速度。为解决大规模数据处理中计算量和存储空间过大问题,提出一种从训练集选取少量代表性样本学习DMUPNMF方法。大量的实验表明,该算法优于现有的改进NMF算法。     

基于信息扩散和BP神经网络的水资源预测

将信息扩散原理和BP神经网络相结合,提出了一种新的水资源预测方法.用因素状态空间上信息扩散的方法对不完备的历史资料进行优化处理,把处理过的结果作为神经网络训练样本的输入和输出因素,并利用BP算法进行网络训练,当计算达到要求的精度后即完成训练.经训练所得的神经网络即可用于水资源预测.结果表明,该方法能较好地解决水资源系统中实测样本少和存在矛盾样本之不足,提高了水资源系统预测的精度和水平.     

应用神经网络粒子群算法的多用户检测

为了减少最优多有户检测器的计算复杂度,提出了一种融合粒子群优化算法和神经网络的神经网络粒子群优化算法,并设计了一种解决CDMA通信系统的多用户检测问题的新方法。该方法是把神经网络嵌入到粒子群优化算法的每一代中以改进算法性能。通过混合神经网络到PSO中,还可以加快PSO的收敛速度,减少计算复杂度。仿真结果证明了所设计的检测器无论抗多址干扰能力和抗远近效应能力都优于应用Hopfield神经网络、遗传算法和粒子群算法的多用户检测器。     

一种改进的时滞电力系统特征值高效计算方法

为高效分析大规模时滞电力系统的小干扰稳定性,基于现有的部分谱离散化时滞电力系统特征值计算方法,提出一种改进的特征值计算方法。针对现有部分谱离散化时滞电力系统特征值计算方法存在矩阵LU分解计算量大和离散化特征方程存在冗余的问题,通过矩阵初等变换对无穷小生成元离散化矩阵的结构进行优化,解决子矩阵奇异的问题,并消除其中的冗余变量。改进方法能够充分利用优化后的无穷小生成元离散化矩阵的稀疏结构,提高大规模时滞电力系统的关键特征值的计算效率。四机两区域系统、山东电网和华北-华中特高压互联电网的计算结果验证了改进方法的准确性和高效性。     

张量典型相关分析及其在人脸识别中的应用

针对源数据向量化常导致很高的数据维数,易使向量型学习算法陷入维数灾难和样本个数远小于特征维数的小样本问题,提出了一种新的张量典型相关分析算法,能直接对张量数据进行典型相关分析,由于其特征值分解的协方差矩阵维数大幅度减少,能有效降低计算复杂度和协方差矩阵奇异的问题。在Yale、ORL人脸数据库上验证了本文方法的有效性。