一种新的混沌神经网络及其应用

提出了一种新的混沌神经元模型,该神经元的激励函数由Gauss和Sigmoid两种函数加和组成的非单调函数构成.通过分岔图及Lyapunov指数的计算,分析了其动力学特性.基于该模型,构造了一种新的具有暂态混沌特性的神经网络,该网络在寻优过程中同时衰减两种退火机制实现混沌退火.通过将特征点匹配问题转化为优化问题,该网络可以实现对目标识别问题的求解.仿真实验验证了该算法的有用性和有效性.     

差异进化算法初始化的小波神经网络盲均衡

利用小波神经网络实现盲均衡最大的难题之一就是网络参数的初始化问题,文中提出了一种采用差异进化算法进行网络参数初始化方法.结合常数模盲均衡算法设置适应度函数,并将尺度因子和平移因子以及网络连接权值进行实数编码,以接收数据对网络进行优化设计,获得一组渐近最优的网络初始化参数,在此基础上以传统梯度下降算法对信号进行均衡接收.计算机仿真证明基于差异进化算法初始化的小波神经网络盲均衡有效提高了均衡性能.     

基于混沌神经网络的移动通信信道分配方法研究

该文应用混沌神经网络求解信道分配问题,给出了信道分配的能量函数表达式和混沌神经网络模型,研究了判别混沌神经网络混沌特性的Lyapunov指数法,讨论了网络模型参数对网络混沌特性的影响,提出了基于混沌神经网络的信道分配算法.仿真结果表明,混沌神经网络具有复杂的瞬态混沌特性,它比Hopfield网络具有更强的搜索全局最优解的能力,和更快的收敛速度.     

一种基于CGA的改进BP神经网络模型

针对BP神经网络存在的收敛速度慢和可能产生冗余结构等问题,采用混沌及其在遗传算法中应用的相关理论,设计了利用混沌遗传(CGA)算法对BP网络的初始权值和阈值进行全局寻优的改进措施,提出了一种基于混沌遗传的混合BP神经网络模型.经过实验分析,验证了算法的有效性.     

双模式神经网络盲均衡算法研究

文中以前馈神经网络作为盲均衡器,根据CMA盲均衡算法及决策指向性算法(DD)提出了两种神经网络学习目标函数,并在对两种目标函数下神经网络盲均衡算法性能分析的基础上,给出了依据移动窗剩余误差理论确定切换门限的方法,提出了双模式神经网络盲均衡算法,并以短数据样本重用确定网络的初始权重.仿真表明文中提出的双模式神经网络盲均衡算法能够克服在单一目标函数下神经网络盲均衡算法的缺陷,且收敛速度快,有效的提高了均衡性能.     

基于神经网络和维纳滤波的半盲离焦图像复原

本文提出了一种基于小波神经网络和维纳(Wiener)滤波的半盲离焦图像复原算法,首先提取训练图像的小波域特点参数向量,将该参数用来训练小波神经网络,利用训练好的网络估计图像离焦模糊参数.由离焦模糊参数获得点扩展函数,然后用Wiener滤波完成图像的复原.实验结果表明:该方法能有效地估计离焦模糊参数和复原模糊图像.     

基于改进的小波神经网络的汽车电控汽油机故障诊断

针对现有BP网络在汽车电控汽油机故障诊断中存在的问题,提出将小波函数与神经网络结合构成小波网络,代替BP网络用于故障诊断。并对小波神经网络提出了两个方面的改进。首先是对输出层函数进行了改进,其次是用熵函数代替均方误差函数作为网络的代价函数。仿真结果表明此改进的小波神经网络算法进行汽车电控汽油机的故障是有效的,而且与传统的BP神经网络相比,该改进的小波神经网络具有更强的逼近能力,更快的网络学习收敛速度和能有效避免局部最小值问题。     

暂态混沌神经网络及其在优化问题中的应用研究

为了分析研究暂态混沌神经网络特性及其优化机制,在分析与研究暂态混沌神经元模型基础上,通过在Matlab软件中编程仿真分析,比较神经网络的动力学特性及各参数对于网络的寻优过程影响.暂态混沌神经网络模型利用混沌所固有的随机性和轨道遍历性,在大范围内按其自身规律进行搜索,搜索过程按混沌轨道遍历,不受目标函数限制,从而具有克服陷入局部极,1、的能力可有效地解决一系列组合优化问题.这里根据网络动力学特性合理选择控制网络参数,通过仿真很好地解决了非线性函数优化问题和10个城市的TSP问题.相对于传统参数选择依靠经验使优化结果更具说服力,优化结果令人满意.从而有利于这种混沌神经网络在优化问题中的推广.     

模糊神经网络控制的混合小波神经网络盲均衡算法

针对传统恒模算法(CMA)收敛速度与均方误差之间的矛盾,提出了模糊神经网络控制的混合小波神经网络(FHWNN)盲均衡算法.该算法在小波神经网络输入层之前级联一个横向滤波器,将横向滤波器的节点输出分为实部和虚部两路经过小波神经网络后再合成为一路复数信号;利用模糊神经网络(FNN)设计的模糊规则控制小波函数的尺度因子和平移...     

基于神经网络预测器的混沌海杂波弱信号检测

针对海杂波中的弱信号检测问题，借鉴杂波的混沌动态建模思想，重点讨论非线性混沌序列的神经网络建模、预测及信号检测方案。基于神经网络拟合非线性函数的能力．提出神经网络预测混沌时间序列的算法和信号检测方案。介绍了所提算法的原理和步骤，针对具体应用问题，用计算机仿真和实测数据试验验证了所提算法检测混沌噪声中弱小的暂态信号的有效性。     

基于正交小波变换的前馈神经网络盲均衡算法

针对前馈神经网络（FNN）盲均衡算法收敛速度慢、均方误差大的缺点,在分析FNN盲均衡算法和正交小波变换（OWT）理论的基础上,提出了基于正交小波变换的FNN盲均衡算法。该算法利用正交小波变换良好的去相关性,对FNN均衡器输入信号进行预处理后,降低了输入信号的自相关性,从而加快了收敛速度和减小了均方误差。水声信道盲均衡的仿真结果表明,该算法在收敛速度与均方误差方面的性能比FNN盲均衡算法优越。     

基于连续Hopfield型神经网络的QAM信号盲检测

该文利用连续Hopfield网络本身特点,提出基于连续复Hopfield网络的多值方形/非方形QAM信号的直接盲检测方法。首先完成多值信号盲检测的优化问题构造和能量函数的映射,设计了一个适用于该问题的激活函数。然后给出能量函数的设计与分析、盲检测信号权矩阵的配置方法及其神经元数目选择的一般规律。最后通过对方形QAM和非方形QAM信号的仿真现象展示和分析,验证了所提方法的有效性和鲁棒性。     

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。     

一种基于ABC的量子神经网络训练算法

传统的量子神经网络的训练方法容易使得算法陷入局部极小值,将Artificial Bee Colony(ABC)算法引入到原训练算法中,并且对人工蜂群算法进行改进.利用改进后的人工蜂群算法来优化传统量子神经网络,使优化后的量子神经网络具有结构简单、参数少、收敛速度快和可跳出局部极小值等优点.实验结果表明,相比原训练算法该优化算法提高了量子神经网络收敛解的精度.     

复数Hopfield神经网络盲均衡QAM信号

为了解决复数多值信号的盲均衡问题,本文提出了基于复数Hopfield神经网络盲均衡多值信号的方法:将基于Hopfield神经网络的盲均衡算法从实数域推广到复数域.在复数域成功构造了复数Hopfield神经网络,重点针对16QAM信号进行盲均衡.并验证了此系统可以处理非统计量字符,即处理16QAM信号的Hopfield神...     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法.该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置.最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持.     

遗传小波神经网络的非线性模拟电路故障诊断方法

提出了一种将遗传算法(GA)、神经网络与小波变换相结合对非线性模拟电路进行故障诊断的方法;分析了传统BP型神经网络在非线性模拟电路故障诊断中存在的缺陷;提出了一种新的解决方法--利用小波变换对非线性电路故障信号进行预处理,对故障信号中的冗余信息进行剔除,然后利用遗传算法优化BP网络参数,如网络权值、阈值等.利用该方法对非线性电路进行故障诊断,有利于提高神经网络对电路故障诊断的智能性及识别故障类别的能力,提高故障诊断的精度与速度.实验结果表明,该方法是可行的.     

A novel intrusion detection mode based on understandable neural network trees

Several data mining techniques such as Hidden Markov Model （HMM）, artificial neural network, statistical techniques and expert systems are used to model network packets in the field of intrusion detection. In this paper a novel intrusion detection mode based on understandable Neural Network Tree （NNTree） is presented. NNTree is a modular neural network with the overall structure being a Decision Tree （DT）, and each non-terminal node being an Expert Neural Network （ENN）. One crucial advantage of using NNTrees is that they keep the non-symbolic model ENN＇s capability of learning in changing environments. Another potential advantage of using NNTrees is that they are actually ＂gray boxes＂ as they can be interpreted easily if the number of inputs for each ENN is limited. We showed through experiments that the trained NNTree achieved a simple ENN at each non-terminal node as well as a satisfying recognition rate of the network packets dataset. We also compared the performance with that of a three-layer backpropagation neural network. Experimental results indicated that the NNTree based intrusion detection model achieved better performance than the neural network based intrusion detection model.     

基于QPSO-WNN和模糊理论的电力系统短期负荷预测方法

电力系统的短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济的供电。针对负荷预测方法的多样性,在小波神经网络用于负荷预测的基础上,提出基于量子粒子群优化算法（QPSO）优化神经网络权值,并运用模糊理论进行修正。某电网负荷的拟合数据表明QPSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也比较高。