一种基于遗传Hopfield神经网络求解TSP问题的算法

针对Hopfield网络求解TSP问题时出现无效解和收敛性能差的问题,对约束条件能量函数进行改进,构造了一种求解TSP问题的遗传Hopfield神经网络算法,并与经典Hopfield神经网络求解TSP方法进行对比.实验结果表明,本文算法具有更好的整体求解性能.     

求解超大规模旅行商问题的纵深遗传算法

很多演化算法对初始参数设计都敏感,针对于不同的旅行商问题(Traveling Salesman Problem,TSP)实例需要进行相应的初始参数调整。并且,在求解超大规模TSP问题时容易陷于局部最优解。提出了一种纵深遗传算法的TSP问题求解方案,以及新的改良函数、变异函数和交叉函数。对pr1002(259269.09)、pla85900(152394182.43)和brd14051(489842.93)等实例都获得了比较好的优化解。实验表明该方案在求解TSP问题方面具有优势。     

基于连续Hopfield网络求解TSP的新方法

当连续Hopfield网络及其能量函数同时具有自反馈或不具有自反馈时,称之为一致连续Hopfield网络．在分析了一致连续Hopfield网络能量稳定性的基础上,进一步研究了当网络有自反馈,而其能量函数无自反馈的情况下,网络能量变化的性质,分别给出了使能量函数上升、下降和不变的条件．利用这一理论,可以克服由于梯度下降法所导致的网络能量函数总是下降,从而使网络陷入局部极小值或不可行解的现象．最后在这个理论的基础上我们给出了一种新的求解TSP(traveling salesman problem)的方法,仿真研究表明此方法对于求解TSP问题是很有效的．     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

一种求解TSP问题的演化算法

针对IGT算法在求解旅行商问题(TSP)中存在的求解规模较小、求解成功概率较低等问题,通过改进原有映射算子及Inver-over算子并引入求异算子,提出一种新的求解TSP问题的演化算法。方差对比及T-test结果表明,与IGT算法相比,该算法可以求得概率较高的最优解,且稳定性也更好。     

求解TSP问题的社会演化算法

将社会演化算法和蚁群算法相结合,以蚁群算法作为认知主体的推理过程,再以范式的学习和更新方式获得最优解,提出一种求解TSP问题的社会演化算法。最后通过两个算例实验仿真与TSP已知最优解进行对比分析,结果表明,社会演化算法在种群规模较小,迭代次数较少的情况下也可获得TSP最优解。     

基于遗传算法的TSP优化问题

TSP问题是一个典型的组合优化问题,并且也是一个NP难题,其可能的路径总数与城市数目n成指数型增长,一般很难精确地求出其最优解。这里对BP问题提出了一种改进的遗传算法,通过对遗传算法的评估函数、交叉和变异方法以及参数选择等方面的分析和修改,构造了一种自适应函数以及交叉、变异方法。通过对CHN144的测试,实验结果证明此处提出的方法能更有效的求解TSP问题。     

用随机神经网络优化求解改进算法的研究

随机神经网络是一种仿照实际的生物神经网络的生理机制而定义的网络，其网络结构及应用具有自身的特点。在详细讨论了动态随机神经网络求解典型NP优化问题TSP的算法的同时，特别提出了一种有效改进算法，使得参数在简单选取的情况下保证能量函数的下降，在组合优化问题上具有普遍意义，并且在10城市TSP对改进算法进行验证，指出RNN是解决TSP问题的有效途径。     

基于精确罚函数的神经网络优化方法求解TSP问题

利用精确罚函数方法结合神经网络来求解最优化问题,重点求解的是组合优化问题的TSP经典问题,重点讲述的是Hopfield神经网络基于精确罚函数求解组合优化问题TSP,在用Hopfield神经网络求解TSP问题时,人工神经网络的初始态对应着无约束优化问题的初始解,人工神经网络系统的稳态对应着无约束问题的优化解。在求解TSP问题中是利用能量函数来构造的。当人工神经网络系统达到稳定状态时的一个极小点也就是TSP问题的最优解。     

C919机载数据实时处理系统设计

对于无人机在输电线路杆塔精细化巡视的路径规划问题,提出了对杆塔巡视路径和杆塔间避障路径的两阶段优化策略。针对利用传统旅行商问题(TSP)求解杆塔巡视路径,在多项式时间无法求得全局最优解问题,研究了基于双调欧几里得TSP求解杆塔最优巡视路径的优化数学模型,以及基于动态规划算法的求解方法。在此基础上,进一步基于人工势场法建立了避开巡视路径障碍最优路径的优化模型及其求解方法。仿真结果表明,利用双调欧几里得TSP确定的巡视路径具有偏转角小、最优路径求解时间短的特点,利用所提两阶段优化策略确定的巡视路径长度较短且能有效避开障碍,有利于实现无人机安全高效巡视杆塔的目标。     

An on-line adaptive neural network for speech recognition

In this paper, we present an on-line learning neural network model, Dynamic Recognition Neural Network (DRNN), for real-time speech recognition. The property of accumulative learning of the DRNN makes it very suitable for real-time speech recognition with on-line learning. A comparison between the DRNN and Hidden Markov Model (HMM) shows that the computational complexity of the former is lower than that of the latter in both training and recognition. Encouraging results are obtained when the DRNN is tested on a BUPT digit database (Mandarin) and on the on-line learning of twenty isolated English computer command words.     

A Symmetric Probabilistic Encryption Scheme Based On CHNN Without Data Expansion

In 1999, Guo et al. proposed a new probabilistic symmetric probabilistic encryption scheme based on chaotic attractors of neural networks. The scheme is based on chaotic properties of the Overstoraged Hopfield Neural Network (OHNN). The approach bridges the relationship between neural network and cryptography. However, there are some problems in their scheme: (1) exhaustive search is needed to find all the attractors; (2) the data expansion in the paper is wrongly derived; (3) problem exists on creating the synaptic weight matrix. In this letter, we propose a symmetric probabilistic encryption scheme based on Clipped Hopfield Neural Network (CHNN), which solves the above mentioned problems. Furthermore, it keeps the length of the ciphertext equals to that of the plaintext.     

基于动态递归神经网络模型的混沌时间序列预测

提出了一种动态递归神经网络模型进行混沌时间序列预测，以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数，并按预测相点步进动态递归的生成训练数据，利用混沌特性处理样本及优化网络结构，用递归神经网络映射混沌相空间相点演化的非线性关系，提高了预测精度和稳定性。将该模型应用于Lorenz系统数据仿真以及沪市股票综合指数预测，其结果与已有网络模型预测的结果相比较，精度有很大提高。因此，证明了该预测模型在实际混沌时间序列预测领域的有效性和实用性。     

Web Page Recommendation Using Distributional Recurrent Neural Network

In the data retrieval process of the Data recommendation system, the matching prediction and similarity identification take place a major role in the ontology. In that, there are several methods to improve the retrieving process with improved accuracy and to reduce the searching time. Since, in the data recommendation system, this type of data searching becomes complex to search for the best matching for given query data and fails in the accuracy of the query recommendation process. To improve the performance of data validation, this paper proposed a novel model of data similarity estimation and clustering method to retrieve the relevant data with the best matching in the big data processing. In this paper advanced model of the Logarithmic Directionality Texture Pattern (LDTP) method with a Metaheuristic Pattern Searching (MPS) system was used to estimate the similarity between the query data in the entire database. The overall work was implemented for the application of the data recommendation process. These are all indexed and grouped as a cluster to form a paged format of database structure which can reduce the computation time while at the searching period. Also, with the help of a neural network, the relevancies of feature attributes in the database are predicted, and the matching index was sorted to provide the recommended data for given query data. This was achieved by using the Distributional Recurrent Neural Network (DRNN). This is an enhanced model of Neural Network technology to find the relevancy based on the correlation factor of the feature set. The training process of the DRNN classifier was carried out by estimating the correlation factor of the attributes of the dataset. These are formed as clusters and paged with proper indexing based on the MPS parameter of similarity metric. The overall performance of the proposed work can be evaluated by varying the size of the training database by 60%, 70%, and 80%. The parameters that are considered for performance analysis are Precision, Recall, F1-score and the accuracy of data retrieval, the query recommendation output, and comparison with other state-of-art methods.     

融合STN和DenseNet的深度学习网络及其应用

图像识别是计算机视觉的重要分支之一，具有重要的理论和实践意义。近年来，以深度卷积神经网络为代表的图像分类方法被成功地应用到各个领域。针对神经网络对输入数据敏感、训练时间长等问题，结合空间映射网络（Spatial Transform Network，STN）和密集神经网络（Dense Neural Network，DenseNet）两者的特性，提出一种新型网络结构ST-DenseNet。该网络能够对输入图片作不变性归一化处理，解决数据敏感问题的同时提高图像识别效果。在树种叶片公开数据集Leafsnap上实现了90.43%的识别准确率、87.75%的召回率和89.07%的F-Measure的实验结果，模型ST-DenseNet明显优于其他网络模型。     

基于分段线性插值的过程神经网络训练

过程神经元网络的输入为时变连续函数,不能直接输入离散样本。针对该问题,提出一种基于分段线性插值函数的过程神经网络训练方法。将样本函数、过程神经元权函数的离散化数据插值为分段表示的线性函数,计算样本函数与权值函数乘积在给定采样区间上的积分,将此积分值提交给网络的隐层过程神经元,并计算网络输出。实验结果证明了该方法的有效性。     

DRNN在倒立摆摆起控制中的研究

针对小车一级倒立摆的起摆控制,以DRNN神经网络作为辨识器,在线自适应调整PD控制器的两项参数。在起摆范围相同的情况下,DRNN神经网络控制的倒立摆系统其模型参数变化范围为-50%～30%,传统PD控制倒立摆系统其参数变化范围为-40%～20%。结果表明,基于DRNN神经网络的PD控制器比传统的PD控制器具有较强的抗干扰能力和自适应能力,系统鲁棒性增强,效果明显优于传统的PD控制器。     

基于连续Hopf ield 网络的多变量时变系统最优控制

针对多变量时变系统提出了一种基于连续Hop fie ld网络的最优控制系统设计方法.该方法不仅从理论上建立了移动时域上的LQ性能指标与连续Hop fie ld网络能量函数间的等价关系,并在此基础上设计出可求解LQ最优控制问题的连续Hop fie ld网络,而且将滚动优化控制策略引入控制系统,形成了包括连续Hop fie ld网络在内的闭环控制结构,实现了多变量时变系统无限域上的动态最优控制.仿真结果验证了该设计方法的有效性.     

停车诱导系统中车位预测模型的研究

研究城市停车诱导系统的停车车位占有率预测问题.首先提出基于BP神经网络的车位占有预测模型,同时将自适应学习速率调整法和加入动量项方法用于改善基本BP神经网络,优化了学习速率,减少了训练过程的震荡趋势,改善了网络的收敛性.以此为基础实现了停车位的智能预测.最后,进行了多种方法比对实验.