具有参数摄动的时滞Hopfield神经网络的鲁棒稳定性分析及吸引域的估计

研究一类具有参数摄动的时滞Hopfield神经网络模型的鲁棒稳定性.应用Lyapunov泛函法,给出了平衡点渐近稳定的充分条件.利用矩阵范数的性质及线性矩阵不等式(LMI)理论,又得到了两个便于计算和验证的推论.提供了一种估计网络渐近稳定平衡点吸引域的方法,并详尽地分析了吸引域对神经网络实现联想记忆的影响.数值例子进一步证明了结论的有效性.     

一种高速通信网络中多限制路由选择的新方法

对Hopfield神经网络(HNN)模型提出了一个新的能量函数,用以解决多限制路由(MCP)问题。提出利用寻找一个函数的最小问题代替多个约束限制条件,避免了多个限制条件中需要仔细选择多个参数的困难。对6节点和20节点的计算机模拟表明,采用新的能量函数的HNN的收敛速率在10^-3s量级,考虑到硬件实现,这种神经网络可以用于实时的多限路由选择。     

低仰角对流层折射修正快速算法

大气的折射效应引起电波传播延迟和路径弯曲,测量数据对流层修正的精度直接影响到飞行目标轨（弹）道确定的精度。考虑到对流层折射修正的精度和效率以及5°以下低仰角数据传统修正方法具有较大的误差,通常不对测量数据进行实时对流层折射修正,这使得实时定位的精度受到较大影响。研究设计了一种能够应用于实时数据处理快速有效的对流层折射修正迭代算法。经大量外场实测数据验证,该算法能够有效地消除低仰角对流层折射偏差,对高仰角测量数据的对流层折射修正亦具有较高的精度。     

巨型浮吊船电力系统动态响应的联想记忆识别

巨型浮吊海洋工程船的作业依赖于船舶电力系统的稳定运行。这类船上大功率变频器、大功率交流电机等设备的大量应用,使得控制系统受干扰影响严重,检测到的动态响应常常含有干扰成分,给电力自动化设备的反馈控制带来了困难。联想记忆具有按信息内容检索的功能,可以模仿人脑进行联想,处理缺损和不确定的信息,具有容错功能。根据联想记忆原理,运用Hopfield网络结构,对Hebb学习规则进行了改进,构建了自联想离散Hopfield网络。该网络通过对动态响应标准样本进行学习,得到了稳定模式,在受干扰污染、信息缺损的巨型浮吊船电力系统动态响应的识别中表现出了良好的滤除干扰的能力。     

分次谐波的一种精确检测方法

本文将Hopfield神经网络理论引入分次谐波的检测之中,推导分次谐波检测模型,并对神经网络模型中的积分参数设置方法进行了讨论。仿真结果表明该方法能够精确检测分次谐波,系统的动态特性只与积分参数的设置有关。     

复数离散Hopfield网络盲检测64QAM信号

针对复数多电平QAM信号的盲检测问题,该文提出了一个新的复数离散多电平Hopfield神经网络。该网络的实部、虚部各含一个多电平离散激励实函数。该文分析了经典两电平离散Hopfield神经网络能量函数的局限性,构造了一个新的复数多电平神经网的能量函数,并用此能量函数讨论了神经网的稳定性。当该神经网的权矩阵借助接收数据补投影算子构成时,该复数离散多电平Hopfield网络可有效地求解带整数约束的二次规划问题,从而实现QAM信号盲检测。仿真试验表明:该算法所需接收数据较短,就可到达全局真平衡点,计算难度大大降低,具有良好的快速性。     

用全局稳定FCHNN在CIELab色彩空间进行图像分割

在张星明等人所做工作的基础上,进一步从李雅普诺夫稳定性原理出发,改进性地设计了具有全局渐进稳定性和全局指数稳定性的模糊竞争Hopfield神经网络（简称GS-FCHNN）,用GS-FCHNN进行彩色图像分割,从彩色图像在CIELab空间的色彩分布图获得具有明显色差的色彩值,取该值作为模糊核,从而为神经元建立基于最大隶属度原则的状态函数,实现彩色图像的模糊聚类,达到图像目标分割的目的。实验结果表明：较FCHNN算法,运算时间有明显加快,分割效果不受色彩分布的复杂度的影响,对高斯噪声的自适应能力得到进一步加强。     

Hopfield神经网络在有限元求解中的应用

计算机本身固有的计算与存储之间是一对很难解决的矛盾,许多工程力学问题因计算规模大等原因还没有突破性进展,因此,需要发展新的理论与计算方法。通过对有限元求解方法和Hopfield神经网络的深入研究,在对Hopfield神经网络适当改造后,得到了有限元的神经网络计算方法,在电路实现中避免了采用高增益传递函数的假设,进而在理论上实现了有限元神经网络计算的无误差求解。     

基于Hopfield自联想神经网络的天幕靶信号识别技术

为了提高天幕靶系统测试精度和可靠性,探索测试产生各种干扰噪声如弹头激波、弹底激波、蚊虫飞鸟、振动等干扰因素的影响规律,利用Hopfield自联想神经网络的方法,识别并剔除典型因素干扰。通过对实弹射击试验得到的数据进行分析,充分验证了天幕靶系统的准确性和可靠性。分析结果表明：与电平信号识别相比,在射频为5发/min、口径为23 mm的炮弹测试中,自联想神经网络信号识别率提高了17.2%;在弹型为穿甲弹,口径为23 mm的测试中,Hopfield自联想神经网络信号识别率提高了46.7%;对于射频为7 500发/min的天幕靶连发弹丸信号测试条件下,正确信号识别率均达到了93%以上。在复杂环境条件下,Hopfield神经网络算法识别率远远高于传统的电平识别,提高了信号的识别率,能够适应一定区域内的复杂环境因素。     

应用Hopfield神经网络和小波域隐Markov树模型的图像复原

为了解决传统的Hopfield神经网络图像复原算法对噪声抑制和图像细节保护不能很好兼顾的问题,提出了一种基于改进的连续Hopfield神经网络和小波域隐Markov树(HMT)模型的复原算法。将小波域HMT模型作为图像小波系数统计关系的先验知识,并以正则化项的形式引入到神经网络模型中,最终利用Hopfield神经网络的能量收敛特性完成图像复原。同时,提出了一种高度并行的网络权值矩阵计算方法,通过对模板图像进行算子操作,分批求取网络权值,避免了大型矩阵的乘法运算。实验结果表明,无论是对真实图像还是人工生成图像,算法复原结果的视觉效果均有明显改善,提高信噪比(ISNR)较传统同类算法增加0.3dB以上,达到了同时抑制噪声和保护图像细节的目的。