近线性神经元和非线性神经元

人工神经网络（ＡＮＮ）中普遍采用的神经元模型具有单调有界的Ｉ／Ｏ特性,该文称其为近线性神经元（ＡＬＮ,ａｐｐｒｏｘｉｍａｔｅ－ｌｉｎｅ ｎｅｕｒｏｎ）,ＡＬＮ既简化了网络和复杂性,也是限制ＡＮＮ能力的一个瓶径。通过比较Ｈｏｐｒｉｅｌｄ;神经网络的稳定性和Ｃｏｎｗａｙ生命游戏的复杂行为,该文提出了非线性神经元（ＮＬＮ〉ｎｏｎ－ｌｉｅｎｅｒ ｎｅｕｒｏｎ）的概念,其Ｉ／Ｏ特性是完全线性的。ＡＬＮ可以进     

面向神经元的程序设计

在文〔O中,我们提出了大神经元(即神经网络)原理.大神经元原理指出,神经元、神经网络均是一个特殊的对象,也具有对象的所有性质如抽象、封装、继承和多态.为明确起见,我们在这里扩展有关神经元、神经网络的定义.     

基于同构神经元簇的局域神经网络模型研究

该文在分析神经元离子通道及生物连接方式的基础上,提出同构神经元簇的概念,介绍了它的特点及采用同构神经元簇对外界特征表达的优势。在仔细分析单个神经元的非线性动力学特性之后,以时空整合的方法,构建了一个更符合同构神经元簇发放机制的非线形动力学方程,并结合离子通道放电特性提出阈值变化率的概念。最后对基于同构神经元簇局域神经网络的动力学模型仿真结果进行了分析,认为采用同构神经元簇构成的异构网络具有更符合人脑工作机制的发放特性。     

LON技术中神经元芯片的并口I/O模式及其应用

Lonworks技术中的核心是神经元芯片，本文祥述了神经元芯片的一种I／O应用模式——并行口I／O模式，并介绍了基于此I／O模式设计开发的Lonworks协议与RS——232标准转换的互连适配器。     

ANN构造性设计中基于GA优选神经元激活函数类型

构造性设计是ANN设计的发展方向之一。全面的高质量的ANN学习应包括神经元激活函数类型的自动优化。该文在构造性设计的框架内讨论了如何实现典型前馈网络的包括神经元激活函数类型在内的全面学习。首先,提出了典型前馈网络的一种构造性设计方法的原理和算法框架,把整个网络的设计分解成了一个个单个神经元的设计问题;然后提出了基于GA的能实现激活函数类型优选的单个神经元的设计方法。大量函数拟合的仿真实验显示:与其它几种激活函数类型不优选的常见ANN设计方法相比,该文提出的方法更有效,能用较小的网络结构获得较好的泛化性能。     

神经元芯片

神经元芯片（neuron chip）是由美国埃施朗（Echelon）公司在90年代初研制、美国Motorola公司和日本Toshiba公司生产销售的一种集网络通信、应用程序处理和多种I/O模式于一体的高级VLSI器件,被有关专家视为第三代单片机。目前在国际上已有2000多家大、中型公司与企业采用该器件,安装了100多万个基于神经元芯片的控制节点。表1给出三代单片机的比较。     

一种基于改进遗传算法的单神经元控制方法

为实现在实际的炉群多变量燃烧系统中,对各个燃烧的子系统的控制参数进行优化,提出了一种基于改进适应度函数的遗传单神经元控制算法,该算法克服了采用神经网络方法收敛速度慢、在求解过程中陷入局部极小点等缺点,利用遗传算法的全局寻优特性和神经网络对非线性函数较强的逼近能力,将改进的遗传算法和单神经元控制相结合,实现对一类非线性系统的参数进行优化。模拟实验和真实结果验证了这种方法是可行的。     

非线性时滞反馈实现离散神经元网络的去同步化

采用非线性时滞反馈实现离散神经元网络的去同步化控制．对于由映射神经元模型构建的神经网络，调节神经元之间的连接强度可以实现网络的混沌簇放电同步．在神经元的快变量中施加非线性时滞反馈信号可以实现网络的完全去同步化，且不改变神经元本身的放电特性．与线性时滞反馈相比，非线性时滞反馈能够实现强连接神经网络的去同步化，且对于参数的变化具有鲁棒性．     

非线性CC神经元模型的原理及其学习算法

1 M-P神经元模型的工作原理和几何意义 1943年,MoCulloch和Pitts根据神经元传递规律,第一次提出了神经元的数学模型。M-P神经元模型一直沿用至今,它对神经网络的发展起到了奠基性的作用。每个神经元的状态由M-P方程决定:S=f(∑W_iX_i-θ),θ为阈值,f为激励函数,一般取符号函数。令:它代表了n维空间中,以X为坐标变量,以W为坐标系数,θ为常数项的一个超平面。当 I(X)=sum from i=1 to n W_iX_i-θ=0样本点X落入超平面的正半区,即I(X)>0时,有f(I)=1;当样本点X落入超平面的负半区,即I(X)<0时,有f(I)=0。从分类的角度看,一个神经元按输入将     

基于ANN的非线性系统GPC算法及仿真研究

将神经网络（ANN）技术应用于常规GPC算法，设计了基于ANN的非线性系统GPC结构方案，并对其控制原理和控制算法进行研究,基于ANN高度非线性映射等特性，运用数字仿真方法，对所设计的控制结构方案进行仿真研究,仿真结果显示，基于ANN的非线性系统GPC结构方案合理可行，并取得了满意的控制效果．     

基于模式识别的一种新型结构型神经网络

提出了一种新型的结构型神经网络 ,采用了遗传算法训练网络神经元 ,使网络明显提高了解决非线性模式识别问题的能力 .提出了两个定理证明了网络的有效性 .从 MATL AB仿真结果可以看出 ,新模型结构简单 ,非线性识别能力较高     

基于最优控制的ANN驾驶员模型与仿真分析

在分析驾驶员行为特性和行为操纵的基础上 ,根据预测跟随理论 ,建立了驾驶员预测控制神经网络 (ANN)模型 ;提出了用最优控制方法确定ANN模型参数的计算方法 ,采用遗传算法 (GA)进行全局优化保证参数的收敛 .对飞机俯仰角操纵进行仿真计算 .结果表明 ,所建立的驾驶员模型考虑了系统的非线性因素 ,实现了多输入多输出功能 ,具有智能特点 .     

迟滞混沌神经网络及应用

提出了一种同时具有迟滞和混沌特性的神经元模型,并利用该模型构造出神经网络,用于求解优化计算等问题.通过在神经元中引入自反馈,使得神经元具有混沌特性.将神经元的激励函数改为具有上升分支和下降分支的迟滞函数,从而将迟滞特性引入神经元和神经网络中.结合模拟退火机制,在优化计算初期,利用混沌特性可提高网络的遍历寻优能力,利用迟滞特性可在一定程度上克服假饱和现象,提高网络的寻优速度:在优化计算末期,网络蜕变为普通的Hopfiled型神经网络,按照梯度寻优方式收敛到某局部最优解.可通过构造能量函数的方法,将图像识别中的特征点匹配等问题转化为优化计算问题,从而可采用该神经网络进行问题求解.仿真结果验证了该方法的有效性.     

强核连续时延神经网络模型分岔的频域分析

1.引言神经网络是一个复杂的大规模非线性动力学系统。为了研究所产生的动力学现象,通常需对其简化,建立模型。对简化模型进行研究,并推广到大规模系统。如文[7]提出了离散和连续时延的一个神经元模型:     

LonWorks-USB互联适配器的设计开发

LonWorks技术的核心是神经元芯片,介绍了神经元芯片的一种I/O应用模式——并行口I/O模式,并介绍了基于此I/O模式设计开发的LonWorks协议与USB标准的互联适配器。     

一种水下机器人运动的过程神经元控制

过程神经网络是传统神经网络的拓展, 增加了一个对于时间的聚合算子, 从而更好地模拟了生物神经元的信息处理机制. 这是由于水下机器人运动控制系统的输入、输出均是随时间连续变化的过程量. 结合S函数和预先规划思想, 建立水下机器人过程神经元的运动控制模型. 仿真试验证明,该新型控制模型, 对于水下机器人的运动非线性控制器具有设计简单、响应速度快、超调小、鲁棒性好等优点.     

基于快速密度聚类的RBF神经网络设计

针对径向基函数（radial basis function,RBF）神经网络隐含层结构难以确定的问题,提出一种基于快速密度聚类的网络结构设计算法。该算法将快速密度聚类算法良好的聚类特性用于RBF神经网络结构设计中,通过寻找密度最大的点并将其作为隐含层神经元,进而确定隐含层神经元个数和初始参数;同时,引入高斯函数的特性,保证了每个隐含层神经元的活性;最后,用一种改进的二阶算法对神经网络进行训练,提高了神经网络的收敛速度和泛化能力。利用典型非线性函数逼近和非线性动态系统辨识实验进行仿真验证,结果表明,基于快速密度聚类设计的RBF神经网络具有紧凑的网络结构、快速的学习能力和良好的泛化能力。     

非线性系统的PID控制器的研究与设计

研究工业过程控制,非线性系统难以建立其精确的数学模型,常规PID算法难以实现其控制.对此,将神经网络算法和PID算法结合起来,为提高性能和响应速度,设计了针对非线性系统的自适应PID控制器,PID控制器采用单神经元来实现自适应调整.分别采用了三种学习算法来实现单神经元PID控制器参数的调整,即基于二次型性能指标的学习算法、基于BP神经网络辨识的学习算法和基于RBF神经网络辨识的学习算法.三种算法的仿真结果表明,都实现了PID控制器的自适应调整的目的,实现对非线性系统的有效控制,证明三种方案的可行性.     

脑皮层神经网络的线性时滞反馈控制

神经元的病态同步放电会破坏大脑的正常功能, 导致癫痫和帕金森等生理疾病. 本文采用神经元二维映射模型构建一个脑皮层神经网络, 当神经元之间的耦合强度超过某一阈值时, 网络中所有神经元同步放电. 通过施加线性时滞反馈控制, 可以有效的消除这种同步状态, 且不改变神经元本身的放电特性. 仿真结果表明线性时滞反馈 可以实现对脑皮层神经网络的去同步化控制, 且对刺激参数的变化具有鲁棒性.     

一种新型高效共享的并行I/O系统

如何有效地解决I／O瓶颈问题，一直是高性能并行计算机有待解决的关键技术。该文提出了一种高效共享的并行I／O系统——HPPIO，该系统基于CC-NUMA并行系统结构，采用了一系列高效共享、并行I／O技术。该文对其分布与集中相结合的高效共享并行I／O系统结构、基于PCI Express的高性能I／O控制器设计等进行了介绍。