Performance evaluation of a routing algorithm based on Hopfield Neural Network for network-on-chip

Network on chip (NoC) has emerged as a solution to overcome the system on chip growing complexity and design challenges. A proper routing algorithm is a key issue of an NoC design. An appropriate routing method balances load across the network channels and keeps path length as short as possible. This survey investigates the performance of a routing algorithm based on Hopfield Neural Network. It is a dynamic programming to provide optimal path and network monitoring in real time. The aim of this article is to analyse the possibility of using a neural network as a router. The algorithm takes into account the path with the lowest delay (cost) form source to destination. In other words, the path a message takes from source to destination depends on network traffic situation at the time and it is the fastest one. The simulation results show that the proposed approach improves average delay, throughput and network congestion efficiently. At the same time, the increase in power consumption is almost negligible.     

Global exponential stability of neutral high-order stochastic Hopfield neural networks with Markovian jump parameters and mixed time delays

In this paper, a class of neutral high-order stochastic Hopfield neural networks with Markovian jump parameters and mixed time delays is investigated. The jumping parameters are modeled as a continuous-time finite-state Markov chain. At first, the existence of equilibrium point for the addressed neural networks is studied. By utilizing the Lyapunov stability theory, stochastic analysis theory and linear matrix inequality (LMI) technique, new delay-dependent stability criteria are presented in terms of linear matrix inequalities to guarantee the neural networks to be globally exponentially stable in the mean square. Numerical simulations are carried out to illustrate the main results.     

基于目标跟踪及神经优化的运动特征点对应

将目标跟踪及神经优化技术应用特征点对应之中。根据图像序列的特点,用目标跟踪技术得到特征点的顶测位置,然后通过Hopfield网络最小化特征点间的费用函数使帧间特征点取得正确的对应,由于本方法没有涉及任何刚体运动约束,所以适用于各种非刚体运动的特征点对应。     

TSP的混合遗传算法一人工神经网络模型

电网规划问题的优化模型可以经过适当的加工简化最终归结为TSP类型问题。遗传算法和人工神经网络作为对自然界生物进化和人脑思维结构进行模拟抽象的两个仿真过程,随着各种软硬件技术和计算机并行处理 能力的提高,已获得广泛的重视,并取得了较好的实用效果。本文对人工神经网络和遗传算法进行了大量分析,将二者结合起来用于组合优化问题的典型代表TSP的求解,提出了基于混合ANN和GAs的TSP问题模型,该模型具有收敛快,计算过程简单,同时可提供几个较优解以供参考的特点。     

基于人工智能方法的无源光网络优化规划

使用人工智能方法对PON网络拓扑结构进行优化,以富士通FPX－1000无源光网络系统为例进行了仿真实验,并对遗传算法,增添算法和Hopfield网络方法进行比较,仿真结果表明遗传算法明显优于增添算法和Hopfield网络方法,遗传算法可使网络建设代价最小化,它非常好地解决了PON规划问题。     

四种水质综合评价方法的比较

将人工神经网络技术运用于水质评价,建立了地面水环境质量综合评价的ＢＰ网络模型和Ｈｏｐｆｉｅｌｄ网络模型,并与水质综合评价方法中经典的模糊综合指数法和灰色聚类法进行了比较,结果表明,ＢＰ网络是四种方法中的首选。     

时滞Hopfield神经网络的随机稳定性分析

T-S模型提供了一种通过模糊集和模糊推理将复杂的非线性系统表示为线性子模型的方法。研究了时滞Hopfield神经网络的随机稳定性（SFVDHNNs）。首先描述了SFVDHNNs模型,然后用Lyapunov方法研究了SFVDHNNs全局均方指数稳定性,通过可以被一些标准的数值分析方法求解的线性矩阵不等式（LMIs）得出了稳定性标准。     

基于神经网络的降阶VLSI／WSI阵列重构算法

提出了一个基于Hopfield网络的可降阶VLSI／WSI阵列重构算法,根据阵列中缺陷单元分布的二分图模型,将问题映射为相应的神经网络,有效地解决了阵列的重构问题。实验结果表明,与启发式搜索方法相比,所提出的神经网络方法是一种快速、高效的方法。     

延迟离散Hopfield神经网络的动态行为

主要研究带有延迟项的离散Hopfield神经网络动态演化行为. 给出了延迟网络并行收敛于周期小于等于2的极限环的一些条件. 同时,得到了延迟网络收敛于周期为2的极限环的条件. 而且对所获结果通过例子进行了验证. 这些结果为延迟离散Hopfield神经网络的进一步分析和应用提供了一定的理论基础.     

用多层Hopfield神经网络构造分组密码

本文引入了多层Hopfield神经网络,用它的输入、输出关系构造分组加密变换,并分析了所得到的分组密码的安全性。