基于混沌粒子群算法和Hopfield网络求解TSP问题

针对Hopfield网络求解TSP问题经常出现局部最优解,该文将混沌粒子群算法(PSO)与之结合,提出一种基于混沌粒子群的Hopfield神经网络方法。通过实验将其与文献[5,8]以及"PSO+HNN"策略比较,验证了该文算法不仅能够以更大概率收敛到全局最优,而且耗时更少。     

基于混沌粒子群算法和Hopfield网络求解TSP问题

针对Hopfield网络求解TSP问题经常出现局部最优解,该文将混沌粒子群算法（PSO）与之结合,提出一种基于混沌粒子群的Hopfield神经网络方法。通过实验将其与文献[5,8]以及“PSO＋HNN”策略比较,验证了该文算法不仅能够以更大概率收敛到全局最优,而且耗时更少。     

一种可寻得全局最优解的改进变异算子

文献[1]分析了典型遗传算法不成熟收敛的起因,据此提出了一种改进的遗传变异算子,计算机仿真实验证明改进后的遗传算法能有效地克服不成熟收敛,进而搜索到全局最优解。     

基于优化RBF网络的提升机故障诊断方法

传统径向基神经网络在全局搜索能力和收敛速度上存在不足,本文将遗传算法和模拟退火算法相结合,利用构造的GA-SA混合算法优化RBF网络结构和权值参数,通过对兖州矿业集团济三煤矿提升机故障数据进行的仿真结果表明,优化网络在有效防止传统网络陷入局部最优的同时显著提高了网络收敛速度和搜索效率,网络故障诊断速度和精度均得到显著提高,为矿井提升机故障诊断提供了一种新方法。     

改进暂态混沌神经网络在信道分配中的应用

研究信道分配优化问题,由于传统迭代过程中存在收敛率低,易于陷入局部最优解等缺点。为改善算法收敛速率和信道分配效果,采用改进的暂态混沌神经网络(MTCNN)。在混沌神经网络的动态特性中采用时变增益,在退火过程中采取分段的退火机制,使得混沌搜索阶段保持较长时间的混沌态,利于进行全局搜索,稳定收敛阶段能够迅速收敛于最优解,提高收敛率。仿真结果表明,改进后的算法能很好地解决信道分配问题。和暂态混沌神经网络及仅分段的暂态神经网络相比,最优解率得到很大的提高,网络收敛速度提高了12%以上。最后,给出了模型参数对网络性能影响的一些结论。     

基函数神经网络逼近能力探讨及全局收敛性分析

构建一类新型基函数神经网络.依据梯度下降法思想,给出该神经网络的权值迭代公式,证明迭代序列能全局收敛到网络的最优权值,并由此推导出基于伪逆的最优权值一步计算公式--简称为权值直接确定法.理论分析表明,该新型神经网络具有最佳均方逼近能力和全局收敛性质,其权值直接确定法避免了冗长迭代计算、易陷于局部极小点、学习丰难选取等传统BP神经网络难以解决的难题,仿真验证显示其相时BP神经网络的各种改进算法具有运算速度快、计算精度高等优势,且对于噪声有良好的滤除特性.     

求解函数优化问题的一种高效混合演化算法

在郭涛算法的基础上设计出了一种求解函数优化问题的高效混合演化算法。新算法的主要特点有两个:一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间。高斯变异算子对群体作正态分布微调,防止早熟;引入自适应搜索子空间使群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的。测试函数表明,该算法正确高效,求解精度极高,指正了文献[3]中的错误,所求函数全局最小值优于文献[3]记录的最好结果。     

基于局部进化的Hopfield神经网络的优化计算方法

提出一种基于局部进化的Hopfield神经网络优化计算方法，该方法将遗传算法和Hopfield神经网络结合在一起，克服了Hopfield神经网络易收敛到局部最优值的缺点，以及遗传算法收敛速度慢的缺点。该方法首先由Hopfield神经网络进行状态方程的迭代计算降低网络能量，收敛后的Hopfield神经网络在局部范围内进行遗传算法寻优，以跳出可能的局部最优值陷阱，再由Hopfield神经网络进一步迭代优化。这种局部进化的Hopfield神经网络优化计算方法尤其适合于大规模的优化问题，对图像分割问题和规模较大的200城市旅行商问题的优化计算结果表明，其全局收敛率和收敛速度明显提高。     

基于瞬态混沌神经网络的动态路径诱导路由技术

将最短路径问题映射到混沌神经网络提出了一种基于瞬态混沌神经网络的动态路径诱导路由技术.仿真研究表明:将混沌神经网络应用于动态路径诱导系统中求解最佳路径,总能保证网络收敛到全局最优,具有很高的搜索效率.对于单个和多个分组请求均能快速地找到最短路径.     

Pi-sigma神经网络混合学习算法及收敛性分析

将一种解决函数优化问题的混合遗传算法用于Pi-sigma神经网络的训练。这种混合算法充分利用遗传算法算法的全局搜索能力,又利用了单纯型法的局部搜索能力,因此该混合遗传算法可以使Pi-sigma神经网络更快的收敛到全局最优解,而且收敛速度比遗传算法更快。实验证明了这种算法的优越性。最后还证明了该算法可以以概率1收敛到全局最优解。     

k-着色问题及其均场退火求解算法

均场退火方法既可以看作是一种新的神经网络计算模型,又可视为是对模拟退火的重大改进.该文把具有相邻约束的多层通孔最小化问题转换为更具广泛意义的k-着色问题,并提出了k-着色问题的均场退火求解算法.算法在线段相交图模型的基础上,提出了相邻矩阵和交叠矩阵等概念,并利用换位矩阵,将问题映射为相应的神经网络,再构造了该问题的能量函数.能量函数中的目标项、违背交叠约束的惩罚项、违背相邻约束的惩罚项和神经元归一化处理保证了网络能够求解到一个合法解.实验结果表明,这是一个有效的算法.     

粒子群优化算法求解地图四色问题

针对地图四色问题,重新定义了粒子群优化算法中粒子的位置、速度及其运算规则,并融入了遗传算法的变异思想,在传统粒子群优化算法的基础上增加了变异算子。将改进后的粒子群优化算法在湖南省地图上进行仿真实验,结果表明改进后的算法在全局寻优能力方面有较大的提高,求解速度和稳定性方面也都取得了较为满意的效果。     

基于神经网络的异构网络向量化表示方法

当网络中存在不同类型的对象时,对象与对象之间的关系会变得多种多样,网络的结构也会变得更为复杂。针对网络的异构化问题,提出了一种基于神经网络的异构网络向量化表示方法。针对具有图片和文本两种类型对象的异构网络,采用多层次的卷积网络将图片映射到一个潜在的特征空间,采用全连接的神经网络将文本对象也映射到相同的特征空间。在该特征空间内,图片与图片、文本与文本以及图片和文本之间的相似性采用相同的距离计算方法。在实验中,应用提出的方法进行异构网络的多种应用测试,结果表明提出的方法是有效的。     

基于注意力卷积模块的深度神经网络图像识别

对于在深度神经网络的中间层分支进行深度融合，产生潜在可以共享有用信息的基础网络，从而优化信息流动，提升深度神经网络的性能，是近期的深度神经网络研究的挑战。对此提出一种基于注意力卷积模块的深度神经网络的图像识别方法。改进的模块主要分为树干分支与软分支两部分，在树干分支上，由两组残差模块组成，使该模块适用于其他深度神经网络；在软分支上，将给定的中间特征图沿着两个维度（空间与通道）获取注意力特征图，对输入中间特征图进行调整，强化有用信息抑制无用信息。改进的卷积残差模块既能解决输入与输出的尺寸不一致的问题，也能强化图像的关键信息与有效促进网络的信息流动。通过对cifar-10、cifar-100、ck+、AVEC2017数据集进行实验，实验结果表明了提出的方法应用于ResNet-50网络上对比Hu提出的方法在训练耗时相差不到0.3%的情况下，识别图像准确率有0.9%~1.2%的提高。     

Weighted centroid neural network for edge preserving imagecompression

An edge preserving image compression algorithm based on an unsupervised competitive neural network is proposed. The proposed neural network, the called weighted centroid neural network (WCNN), utilizes the characteristics of image blocks from edge areas. The mean/residual vector quantization (M/RVQ) scheme is utilized in this proposed approach as the framework of the proposed algorithm. The edge strength of image block data is utilized as a tool to allocate the proper code vectors in the proposed WCNN. The WCNN successfully allocates more code vectors to the image block data from edge area while it allocates less code vectors to the image black data from shade or non-edge area when compared to conventional neural networks based on VQ algorithm. As a result, a simple application of WCNN to an image compression problem gives improved edge characteristics in reconstructed images over conventional neural network based on VQ algorithms such as self-organizing map (SOM) and adaptive SOM.     

Learning long-term dependencies in NARX recurrent neural networks

It has previously been shown that gradient-descent learning algorithms for recurrent neural networks can perform poorly on tasks that involve long-term dependencies, i.e. those problems for which the desired output depends on inputs presented at times far in the past. We show that the long-term dependencies problem is lessened for a class of architectures called nonlinear autoregressive models with exogenous (NARX) recurrent neural networks, which have powerful representational capabilities. We have previously reported that gradient descent learning can be more effective in NARX networks than in recurrent neural network architectures that have "hidden states" on problems including grammatical inference and nonlinear system identification. Typically, the network converges much faster and generalizes better than other networks. The results in this paper are consistent with this phenomenon. We present some experimental results which show that NARX networks can often retain information for two to three times as long as conventional recurrent neural networks. We show that although NARX networks do not circumvent the problem of long-term dependencies, they can greatly improve performance on long-term dependency problems. We also describe in detail some of the assumptions regarding what it means to latch information robustly and suggest possible ways to loosen these assumptions.     

用神经网络求解时间驱动的宏单元布局问题

文中提出了一个宏单元布局的均场退火网络求解方法,算法用一个三维二值换位矩阵将问题映射为神经网络,建立包含时延约束,重叠约束和优化目标的能量函数,再用均场退火方程迭代求解。每个单元只能放置在布局平面一个位置上的约束用神经元归一化的方法解决。     

Evaluation of unsupervised feature extraction neural networks for face recognition

In this paper, new appearances based on neural networks (NN) algorithms are presented for face recognition. Face recognition is subdivided into two main stages: feature extraction and classifier. The suggested NN algorithms are the unsupervised Sanger principal component neural network (Sanger PCNN) and the self-organizing feature map (SOFM), which will be applied for features extraction of the frontal view of a face image. It is of interest to compare the unsupervised network with the traditional Eigenfaces technique. This paper presents an experimental comparison of the statistical Eigenfaces method for feature extraction and the unsupervised neural networks in order to evaluate the classification accuracies as comparison criteria. The classifier is done by the multilayer perceptron (MLP) neural network. Overcoming of the problem of the finite number of training samples per person is discussed. Experimental results are implemented on the Olivetti Research Laboratory database that contains variability in expression, pose, and facial details. The results show that the proposed method SOFM/MLP neural network is more efficient and robust than the Sanger PCNN/MLP and the Eigenfaces/MLP, when used a few number of training samples per person. As a result, it would be more applicable to utilize the SOFM/MLP NN in order to accomplish a higher level of accuracy within a recognition system.     

A hybrid radial basis function and data envelopment analysis neural network for classification

We propose a hybrid radial basis function network-data envelopment analysis (RBFN-DEA) neural network for classification problems. The procedure uses the radial basis function to map low dimensional input data from input space ℜ to a high dimensional ℜ⁺ feature space where DEA can be used to learn the classification function. Using simulated datasets for a non-linearly separable binary classification problem, we illustrate how the RBFN-DEA neural network can be used to solve it. We also show how asymmetric misclassification costs can be incorporated in the hybrid RBFN-DEA model. Our preliminary experiments comparing the RBFN-DEA with feed forward and probabilistic neural networks show that the RBFN-DEA fares very well.     

基于级联卷积神经网络的复杂花色布匹瑕疵检测算法

当布匹的背景信息复杂多变时,复杂花色布匹的瑕疵定位与分类较为困难.针对这一问题,文中提出基于级联卷积神经网络的复杂花色布匹瑕疵检测算法.首先,使用双路残差的骨干特征提取网络,在缺陷图和模板图上提取并融合特征.然后,设计密度聚类边框生产器,指导框架中区域候选网络的预检测框设计.最后,通过级联回归方法完成瑕疵的精确定位和分类.采用工业现场采集的布匹图像数据进行训练与预测,结果表明,文中算法的精准率和召回率较高.