用前馈神经网络检验小数据量时间序列的混沌

利用BP神经网络的非线性函数逼近能力,对小数据,有噪声的时间序列计算最大李亚谱诺夫指数,从而判断该序列是否存在混沌现象,并将这一算法应用到深圳证券市场的深证综合的日收益率序列中,结果表明,深证综合的日收益序列不存在混沌现象。     

基于小波混沌神经网络的语音识别*

基于语音信号的时变特性,提出了一种新型神经网络语音识别方法——小波混沌神经网络方法,即把小波变换和混沌特性引入到神经元,构成小波混沌神经网络,将这种神经网络用于语音识别,并与常用的BP神经网络识别方法进行了比较。实验结果表明,小波混沌神经网络的平均识别率要高于同等条件下常用的神经网络方法的识别率。     

基于神经网络的软件无线电信号的调制识别

对接收信号的调制类型进行自动识别,对于软件无线电这类多模式通信系统非常重要。它使得系统可以自动切换到合适的软件解调程序,从而能使系统更具灵活性和适应能力。提出了一种基于神经网络方法的分类算法来解决此问题。实验结果表明,在信噪比为5db时,正确的识别率不低于98％。     

基于语义层软件理解的形式化格局识别技术

目前国内外学者在软件理解的研究上多注重于程序的词法层和语法层技术的探索,相应的有程序切片、程序类跟随踪、程序依赖性分析、反汇编与反编译等。但对程序的语义层理解方法进行研究的甚少。该文正是基于上述分析研究了一种软件理解新认识水平——形式化格局识别技术,以行为层状结构的变换来表述程序的语义,进而采用近人类的思维方式来理解并抽取软件的设计决策与体系结构。     

基于RBF神经网络的混沌时间序列预测

本文提出将径向基函数(RBF)神经网络应用于混沌时间序列的预测,设计了一个三层RBF网络结构.对于三个典型的混沌系统,在不同的噪声水平下,采用RBF网络模型分别进行了预测研究.仿真结果表明,采用RBF网络进行混沌时间序列的预测能够取得比现有其它方法更好的效果.     

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。     

基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该神经网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

混沌噪声的神经网络建模应用于参数估计问题中

提出了基于神经网络预测器的参数估计算法，该算法将神经网络拟合非线性函数的能力和功率谱分析技术相结合．文中介绍了相空间重建技术和神经网络的原理，对于神经网络预测模型，给出了所提算法的原理和步骤，针对具体应用问题，用计算机仿真实验验证了该算法提取混沌噪声中信号参数的有效性,给出了实验结果和必要的分析．     

一种基于混沌的软件水印算法框架及实现

针对现有软件水印算法中存在的一些不足,将反逆向工程技术和混沌系统与Easter Egg软件水印的思想相结合,提出了一个基于混沌的软件水印算法框架.该框架通过引入混沌系统,把水印信息散列编码到整个代码当中,以保护全部代码;通过引入反逆向工程技术来抵抗逆向工程攻击,算法框架与软硬件平台无关.在i386体系结构Windows平台下实现了该算法框架,并以该实现为例分析了水印的鲁棒性,讨论了水印的嵌入对程序性能的影响.分析表明,该算法可以有效地抵抗各种语义保持变换攻击,对逆向工程攻击具有较好的抵抗性,鲁棒性较高.     

嗅觉混沌神经网络的研究和应用

Freeman对生物嗅觉神经系统建立了一套新型的混沌神经网络模型-K系列模型,与传统的人工神经网络相比,该网络不仅能很好的模拟生物嗅觉神经系统产生的混沌信号,而且提出了一种全新的信息处理和模式识别的概念和理论,是一种更接近生物系统的神经网络模型. 我们对该混沌神经网络进行了模拟研究,同时应用该网络对简单的图像模式和手写体数字进行了模式识别的探索,实验结果验证了KIII网络的模式识别能力,为这种新方法的进一步发展和应用打下了基础.     

基于自适应神经网络的不确定混沌系统控制

针对不确定非线性混沌系统,提出一种基于动态神经网络建模的控制新方法.基于Lyapunov稳定性理论,推导出了神经网络权值在线学习规律,保证了系统的全局稳定性.在混沌建模阶段,神经网络用于学习不确定混沌系统,然后在所建模型的基础上,设计控制器将混沌状态引导到期望目标位置;并且对系统的稳定性能进行了严格的数学分析.把该方法应用到Logistic映射和Hénon 映射建模和控制,数值仿真表明该方法的有效性.     

基于正则前馈神经网络的股票时间序列数据库的知识发现

将正则最小二乘前馈网络学习算法应用干时间序列的知识发现。正则最小二乘算法将正则化网络和节点删除算法结合起来，大大提高了前馈网络的泛化性能。将其应用于股票时间序列数据库的暂态规则的知识发现．发现过程包括时间序列数据库预处理和数据挖掘(规则发现)两部分。实验结果表明预测效果良好。     

神经网络在软件失效预测中的性能比较和研究

在软件开发的早期预测有失效倾向的软件模块,能够极大地提高软件的质量.软件失效预测中的一个普遍问题是数据中噪声的存在.神经网络具有鲁棒性而且对噪声有很强的抑制能力.不同结构的神经网络在训练算法和应用领域都有差异.该文主要就软件失效预测这个应用领域叙述几种适用的网络,并比较这几种网络在训练结果和性能上的差异.上述方法在SDH通信软件的失效预测中得到了成功的应用.试验结果显示虽然MLP、PNN、LVQ网络都能解决这类模式分类问题,但是只有MLP网络训练结果比较稳定,在不同的数据集上训练出的网络都有很好的预测效果.     

基于卷积神经网络的三维目标检测研究综述

深度学习尤其卷积神经网络为精确目标检测提供可能,推动三维目标检测在自动驾驶、机器人等领域发挥重要作用.文中综述基于卷积神经网络的三维目标检测研究进展.首先总结三维目标检测的应用价值、基本流程及存在的挑战.再介绍卷积神经网络基本原理、典型的二维目标检测网络结构、常用的开源数据集及点云表示形式等相关基础知识.然后介绍卷积神经网络在三维目标检测中的应用进展,根据不同数据模态及方法共性对方法进行梳理.最后对当前三维目标检测研究存在的问题进行论述,对未来的研究发展趋势进行展望.     

基于精确罚函数的一类广义非线性神经网络模型

针对一般的非线性优化问题定义了一种2次非线性罚函数,证明了在一定条件下对应的罚优化问题的精确罚定理,由此引进了一种广义非线性神经网络模型,并证明了这种网络的平衡点与能量函数之间的联系,在一定条件下对应的平衡点收敛到原问题的最优解.这种神经网络模型对于求解许多优化问题具有重要的作用.     

基于惩罚函数约束优化的多眉感知器分层训练算法

本文提出的算法是利用凸函数共轭性质中的Young不等式构造优化目标函数，这个优化目标函数对于权值和隐层输出来说为凸函数，不存在局部最小。首先把隐层输出做为变量进行优化更新，然后快速计算出隐层前后的权值。数值实验表明：此算法简单，收敛速度快，泛化能力强，并能大大降低学习误差。     

一种基于Hopfield网络的异常检测方法

目前的入侵检测系统缺乏从先前所观察到的进攻进行概括并检测已知攻击的细微变化的能力。本文描述了一种基于最小二乘估计（LS）模型的入侵检测算法，该算法利用神经网络的特点，具有从先前观测到的行为追行概括进而判断将来可能发生的行为的能力。本文在前人工作的基础上提出了一种在异常检测中用反馈神经网络构建程序行为的特征轮廓的思想，给出了神经网络算法的选择和应用神经网络的设计方案。实验表明在异常检测中用反馈神经网络构建程序行为的特征轮廓，能够大大提高检测系统对偶然事件和入侵变异的自适应性和异常检测的速度。     

离散过程神经网络和CGA相融合的边缘检测

针对图像处理中的边缘检测问题,提出一种基于离散过程神经网络(DNPP)与混沌遗传算法(CGA)相融合的模型和算法。DNPP的输入可以直接为数据矩阵,实现二维图像关联信息网格化的整体输入和处理。以图像网格灰度值作为DPNN处理数据集合,利用Sobel算子检测的技术原理和DPNN的判别能力,实现图像边界线的自动辨识和追踪。文中给出基于混沌遗传搜索的DNPP求解算法,以油田地震数据体切片中砂体的识别和追踪为例,实际资料处理结果验证了检测模型和算法的有效性。     

在逆向工程中用神经网络实现点云数据分区

点云的数据分区问题是逆向工程中的一个瓶颈问题。论文在传统的自组织特征映射(SOFM)神经网络的基础上,用多层自组织特征映射(MLSOFM)神经网络实现逆向工程中点云的数据分区,克服了SOFM用于数据分区的局限性,不需预先指定分区的数目,实例运行结果验证了此方法的可行性。     

一种基于高斯核的RBF神经网络学习算法

RBF神经网络中心等参数确定得是否合理将直接影响到RBF神经网络的学习性能。通过有监督学习的方法来确定RBF神经网络的中心等参数是最一般化的方法。在这种方法中,参数的初始化问题是关键问题。文章在分析RBF神经网络映射性能的基础上,提出了中心等参数初始化的一种方法,并借助于梯度下降法给出了RBF神经网络的学习算法。多种实例表明,所给出的学习算法是有效的。该研究为RBF神经网络的广泛应用提供了一定的技术保障。