基于Hopfield—Tank模型的神经网络的变参数方法

本文分析了Ｈｏｐｆｉｅｌ－Ｔａｎｋ模型在收敛性，稳健性，优化率以及计算速度方面存在的问题。之后根据外部惩罚函数的基本思想提出了一种新的方法基于Ｈｏｐｆｉｅｌｄ－Ｔａｎｋ模型的神经网络的变参方法。本文还对ＴＳＰ的能量函数进行了改进，并对我国３１个城市的ＴＳＰ进行了软件模拟，得出了１５６４０公里的最短路径，在收敛性，稳健性，优化率以及计算速度方面的结果都十分满意。     

IPA模型对Hopfield模型神经网络的改进

考虑Ｈｏｐｆｉｅｌｄ模型中假态之间的布尔逻辑关系，提出利用ＩＰＡ模型对神经网络中的假态进行抑制，并和原网络的性能进行了比较，结果表明：改进后的网络性能比Ｈｏｐｆｉｅｌｄ模型和ＩＰＡ模型均有较大提高。     

基于Hopfield神经网络的最短路径路由算法

主要探讨人工神经网络在最优化领域,特别是组合优化领域的应用。作为一个具有代表性的NP完全问题,旅行推销商问题（TSP）一直是众多学者的研究对象。计算复杂性理论表明,不能用任何已知的多项式算法求解这种问题。Hop-field人工神经网络为解决NP问题提供了一种有效的途径。文章以求解TSP为例,给出了采用Hopfield神经网络求解组合优化问题的一般方法。     

基于Hopfield／Tank网络模型求解TSP的两种网络结构的一致性分析

本文从分析网络模型的连接矩阵的特征值和特征子空间这一统一的理论观点出发，对用两种能量函数构造出的两种网络模型在求解ＴＳＰ时所表现出的一致性进行了分析。同时给出参数则。     

基于Hopfield网解决TSP问题

利用神经网络解决组合优化问题是神经网络应用的一个重要方面。组合优化问题,就是在给定约束条件下,使目标函数极小(或极大)的变量组合问题。首先介绍了Hopfield神经网络的工作原理,然后具体介绍了TSP问题,然后给出了Hopfield神经网络解决TSP问题的实例,最后的结果表明利用Hopfield神经网络解决TSP问题可以求得问题最优解的次优解。     

基于遗传算法和Hopfield神经网络的字符识别方法

分析了Hopfield神经网络和遗传算法的基本原理,探讨了Hopfield神经网络在字符识别中的应用,针对Hop-field神经网络易陷入局部最优的问题,提出了基于遗传算法的Hopfield神经网络的字符识别方法,利用遗传算法的全局搜索能力来弥补Hopfield网络易陷入局部最优解的缺点。并进行了仿真验证。实验结果证明...     

离散Hopfield神经网络的稳定性研究

离散Hopfield神经网络的稳定性是网络应用的基础.文中主要研究非对称离散Hopfield神经网络的异步、同步、部分同步演化方式的稳定性,并给出了一些新的稳定性条件,所获结果推广了一些已有的结论.     

基于可变步长的Hopfield神经网络盲检测算法

使用了一种新的激活函数,来提高Hopfield神经网络(Hopfield Neural Network,HNN)的抗干扰性能。为解决采用新激活函数后收敛速度较慢的问题,设计了一种基于可变步长的Hopfield神经网络(Variable Step Hopfield Neural Network,VSHNN)盲检测算法。仿真实验表明,与传统盲检测算法相比,VSHNN盲检测算法加快了能量函数收敛速度,提高了算法的抗干扰性能。     

基于Hopfield神经网络车辆路径的优化研究

针对车辆路径的优化问题，借鉴旅行商路径问题的解决，利用Hopfield神经网络，结合电子地图和交通路况的一些人为因素（禁行、单行道等），提出了车辆行驶接近最优路径的算法和参数的学习方法。     

基于Hopfield网络模型的A/D转换器设计

在我校电气信息类专业的课程教学中,结合A/D转换器的设计这一内容,研究了一种基于连续型Hopfield神经网络设计A/D转换器的方法。鉴于Hopfield网络收敛于其能量函数的极小值,本文中给出了A/D转换器的优化设计方案,并利用Hopfield网络设计了一个逐位比较的A/D转换电路。教学结果表明,将科研意识引入到课堂教学中,能够提高学生的学习积极性,扩展知识面,并增强他们的创新意识和创新能力。     

基于协同粒子群优化的GTD模型参数估计方法

针对雷达目标散射中心GTD(Geometric Theory of Diffraction)模型最大似然估计中存在的高维、非线性、混合参数估计问题,提出一种基于协同粒子群优化算法的参数估计方法.该方法能够同时估计得到散射中心的类型、幅度和位置参数,且对初始值不敏感,与基于RELAX的估计方法相比,不需要反复迭代估计,降低了计算复杂度.仿真实验结果表明,该算法能够较准确地估计得到GTD模型的散射中心参数.     

基于神经网络模型的矩量法

本文利用增加了匹配点数目的扩展点匹配方法,将广义的电路方程变为一适宜用具有高度集群、并行特性的Hopfield神经网络求解的超定方程。此法如用模拟电路实现,计算过程即可在纳秒量级完成,且计算时间与变量个数无关,因而理论上可用相同时间获得任意的高精度。     

基于磁偶极子模型的目标定位和参数估计

在分析了目标的磁偶极子模型之后,指出该模型是两个函数的组合,目标参数包含在两个函数的参数里.提出了函数组合法,能够将这两个函数分离,求出目标的位置及磁矩.进行了仿真计算.文章进一步分析了函数组合法的实质,因而可将它扩展到解一类定位和参数估计问题.     

基于安全问题描述的网络安全模型

过去人们对网络安全问题的研究主要集中在技术方面，而网络安全问题不是单纯依靠技术手段能解决的，安全管理也是解决网络安全问题很重要的手段。因此文章首先给出网络安全问题的一种描述方法，综合技术和管理两方面的内容，采取层次化的设计方法，提出了一种混合的安全模型，为今后研究和实施网络安全系统提供参照。     

基于参数模板的雷达辐射源模糊识别方法

针对当前辐射源识别存在的模糊性和不确定性特点，引入了基于参数模板的模糊识别方法，为解决这类问题提供了一个有效途径，阐述了雷达辐射源识别的基本思想，详细描述了算法的实现过程，最后介绍了算法的仿真设计和软件实现，并对仿真结果进行了分析。     

基于神经网络的S参数估计法

该文讨论了神经网络用于微波电路的一种新的训练算法,是基于误差反传算法与模拟退火算法相结合的。本算法可以解决BP网的局部最小问题。并且不用对神经网络模型的结构作任何改动。通过一个具体算例的计算验证了这种算法。     

基于网络模式学习方法的研究

基于网络模式学习方法的基本特征和具体特点进行系统地分析,探讨了授课者与学习者的角色定位和专研型学习策略、个性化学习策略、加盟式学习策略的模式策略。深入地研究了网络模式中的教与学的关系。提出了主动独立学习法、开放创新学习法。     

一种分布式网络环境下基于挑战-响应模型的可信评估方法

运用信任模型进行可信评估是解决分布式网络安全问题的重要手段。然而,目前大部分研究工作把研究重点放在如何收集更完整的信任证据,以及如何利用一些新手段如机器学习、区块链等评估节点信任值,很少对如何获取节点可靠的初始信任值进行研究。实际上,针对分布式网络提出的很多信任模型都依赖于历史信任证据,而初次对网络进行可信评估时并不具备相关历史信息。基于此,该文面向分布式网络环境的安全问题,提出了基于挑战-响应模型的可信评估方法。首先利用挑战-响应模型获取节点可靠的初始信任值,并利用此初始信任值对网络中的节点进行分簇,在簇内进行信任值计算和信任值更新,完成分布式网络环境下完整的可信评估流程。仿真结果表明,相较于统一设置初始信任值的方式,该文所提方法能对恶意节点、自私节点的信任值有较准确的预测,同时对恶意节点的检测率也更高。     

一种基于梯度法的Kriging参数优化算法

相关函数参数的确定是Kriging模型构造的关键,针对传统模式搜索方法不够精确的缺点,文中提出用投影梯度法求解Kriging模型中空间相关函数参数θ的算法,对目标函数求解关于θ的一阶梯度,同时在单步求解中保持回归系数β不变。数值实验结果表明,这种方法能够得到更为精确的结果。     

一种基于传感器网络的认知蜂窝网模型

文中针对未来的蜂窝通信服务提出了一种具体的基于传感器网络的认知蜂窝网模型，并对网络各部分的功能进行了深入分析．该模型能充分的利用现有蜂窝网的基础设施并发挥认知无线电解决频谱资源紧张的特点，具有广泛的应用价值．