能量极小化的一种启发式遗传算法

Chakradhar et.al(1988,1990)将组合电路表示为Hopfield神经网络,将测试生成问题转化为一个组合优化问题。本文在传统遗传算法的基础上,结合电路的拓扑信息,提出了一种用于组合电路神经网络模型能量极小化的启发式遗传算法。     

基于神经网络方法的可变分数延迟FIR滤波器设计

本文提出了设计可变分数延迟FIR滤波器的一种神经网络优化方法。首先建立一个连续Hopfield神经网络模型,通过选择网络的Lyapunov能量函数与优化目标问题的最小均方误差函数相一致的关系得到系统的最优解。仿真结果表明,在计算代价略有增加的情况下,其性能优于加权最小二乘方法。     

中保财险数据集中系统的设计与实现技术

论述了基于触发器、日志表和可靠远程复制数据算法实现的数据集中系统,系统由数据捕获和数据复制两部分组成。可以在UNIX下可靠、高效地运行。该系统与应用取向基本无关,可以集中各种应用系统的数据,并能够自动检测网络连通性,且具有较强的容错机制。     

流式Mallat塔式分解与事件检测

在Miallat塔式分解算法基础上，提出流式Mallat塔式分解算法，该算法克服了Mallat塔式分解由于采用逐级二次抽样造成定位检测误差的缺点。根据数据流信号的特点，选择适当的共轭镜像滤波器对流式分解的每一级都能准确跟踪数据流中的每一点。计算机仿真实验对比结果表明，流式Mallat分解算法用于事件检测、局部分析等方面比原Mallat分解算法更具优越性。     

离散时间点格神经网络的开关电流电路实现

本文将原连续时间电压域点格神经网络（CNN）模型[1]映射到离散时间电流域，并采用开关电流（SI）技术来进行离散时间CNN的VLSI设计。给出了基本积木块的实现电路，并进行了连通片检测方面的简单应用研究。计算机仿真与理论结果相吻合，所得电路非常适合于用标准CMOS工艺集成，具有潜在的应用前景。     

切比雪夫函数型连接神经网络在信道均衡中的应用

本文提出一种基于切比雪夫函数型连接神经网络(CFLNN)的信道均衡方法。传统的前馈神经网络虽然能有效地解决信道均衡的问题,但具有计算复杂度过高,收敛速度慢等缺点。函数型连接神经网络通过对输入模式进行非线性扩展,可以不必使用隐层而不降低整体性能,从而极大简化了网络结构。同时,神经网络的学习方法得以简化,提高了收敛速度。本文采用可变尺度共扼梯度下降法(SCG)对该函数型连接网络进行训练。仿真结果表明了用切比雪夫函数型连接神经网络解决信道均衡问题的有效性。     

一种快速复值自适应滤波算法

本文提出了一种基于欧几里德方向集方法的复值快速自适应滤波算法，它的计算复杂度为 Ｏ（Ｎ），并在理论上证明了该算法的稳定性。它的性能通过将其应用于自适应ＦＩＲ滤波中来加以说明，计算机仿真结果表明了该算法具有较快的收敛速度，这为自适应复值滤波提供了一种新方法。     

基于模糊神经网络的规则学习

运用模糊神经网络 ,分别采取两种学习方法来对模糊控制器的规则样本进行学习优化 ,结果表明 ,运用聚类的思想 ,将模糊集合重新分组 ,先粗学后细学的方法比直接学习更先进 ,不仅能大大降低网络的复杂性 ,而且收敛速度更快 ,不易陷入局部极小。因此大大缩短了学习的时间。     

复数FIR DF设计的神经网络优化方法

本文基于人工神经网络（ＡＮＮ）能量函数优化理论，提出了一种ＦＩＲ数字滤波器（ＤＦ）神经网络优化设计（ＮＮＯ）方法的理论框架。该理论将实数与复数ＦＩＲ ＤＦ设计工作统一起来。表征设计质量的加权均方误差被当作ＡＮＮ能量函数，以此导出ＦＩＲ－ＮＮＯ的Ｌｙａｐｕｎｏｖ方程，文中说明了算法实现的基本原则，并给出了两个实数线位和一个复数非线性相位ＦＩＲ ＤＦ设计实例。通过与其它几种方法的比较证明了该方法的有效     

非对称模板点格神经网络的动态特性研究

本文利用了矩阵Ｏｓｔｒｏｗｓｋｉ与ｂＲＡＵＥＲ对角占优之条件得到了点格神经网络平衡点存在的充分必要条件，然后利用Ｏｓｔｒｏｗｓｋｉ圆盘定理与Ｂｒａｕｅｒ卵形定理得到了点格神经网络的完全稳定性条件，这为非对称 模板的点格神经网络提出一和中新的研究方法。