基于离散Hopfield神经网络的数字识别实现

介绍了离散Hopfield神经网络的基本概念;以MATLAB为工具,根据Hopfield神经网络的相关知识,设计了一个具有联想记忆功能的离散型Hopfield神经网络,并给出了设计思路、设计步骤和测试结果。实验结果表明,通过联想记忆,对于带有一定噪声的数字点阵,Hopfield网络可以正确地进行识别,且当噪声强度为0．1时的识别效果较好。     

基于CS的Hopfield神经网络数字识别应用

介绍了布谷鸟搜索(cuckoo search, CS)和Hopfield神经网络的基本原理,研究了基于Hopfield神经网络的数字识别应用。针对Hopfield网络权值在数字识别时易陷入局部最优,提出将CS引入Hopfield神经网络的解决方法。利用CS对复杂、多峰、非线性极不可微函数的全局搜索能力,使Hopfield网络在较高噪信比的情况下仍保持较高的联想成功率,并进行了仿真。仿真结果表明,该方法识别数字的效果更佳。     

基于离散Hopfield神经网络的噪声数字识别

在Hebb学习规则的基础上,运用离散Hopficld神经网络的联想记忆能力,对含有噪声而产生畸变的0~9数字进行了识别。通过改进神经网络的记忆样本,即先对记忆样本做正交化处理,再对改进后的记忆样本进行学习,得到相应的权值矩阵,然后利用改进后的离散Hopfield神经网络根据待识别噪声数字的信息联想已记忆的数字。实验结果表明,改进后的神经网络对噪声数字有较好的识别效果,提高了记忆能力和识别的正确率。     

基于Hopfield神经网络的交叉线识别算法

提出了一种利用Ｈｏｐｆｉｅｌｄ神经网络进行交叉线识别的算法。在本算法中，一个含有交叉线的图象被映射到Ｈｏｐｆｉｅｌｄ神经网络之上，每一个象素与一个神经元相对应，神经元间的权重由其对应的象素间的关系（包括距离、斜率等）所决定。在Ｈｏｐｆｉｅｌｄ神经网络的收敛过程中，神经元的状态根据一定的规则不断地被调整直到收敛；同时随着神经元状态的确定，交叉线段也被识别出来。在实验模拟中，此算法显示了优越的性能。     

离散Hopfield神经网络的稳定性分析

主要研究非对称离散Hopfield神经网络并行演化方式的动力学行为，同时给出了网络的一些新的稳定性条件，所获结果不仅推广了一些已有的结论，而且为该网络的应用提供了一定的理论基础。     

离散Hopfield神经网络的稳定性研究

推广了前人关于离散Hopfield神经网络的稳定性定理及周期为2极限环的存在定理,并从理论上给出了新的严格的证明.进一步,提出了关于部分变元稳定和部分变元为极限环的新概念,并给出了判别定理.最后给出了几个有趣的例子,揭示这类网络渐近行为的复杂性.     

基于Hopfield神经网络的交通标志识别

Hopfield神经网络是经典的人工神经网络之一,本文利用离散型Hopfield神经网络来对各种道路交通标志进行识别,并讨论在加噪、旋转等条件下对交通标志识别率的影响。同时,对图像的复杂度、识别率、图像识别前后的信噪比进行了讨论与分析。     

基于离散Hopfield网络的测井曲线交叉线识别算法

在石油测井工程图纸的曲线矢量化过程中,由于背景网格与曲线、曲线与曲线存在大量交织,致使曲线跟踪中断,需要人工判断走向,难于实现自动跟踪。提出一种基于离散型Hopfield神经网络(DHNN)的测井曲线交叉线识别方法。这个方法先设置8个标准方向样本,对网络进行训练。在曲线跟踪的过程中,当遇到交叉点,就进入交叉线识别,通过训练好的网络进行分支匹配,再结合宽度匹配正确判断曲线走向。理论研究和实验分析表明,采用该方法提高了交叉线识别的正确率,抗干扰效果较好。     

基于小波变换Hopfield神经网络的手写体数字识别

手写数字识别是模式识别的一个分支,手写数字识别的方法很容易推广到其他一些相关问题,因此在模式识别领域中占有重要地位.虽然数字只有十种且笔划简单,但由于不同人书写习惯不同,上下文联系较小,要获得较高的识别率并不容易.本文提出了一种基于小波和Hopfield神经网络的手写体数字识别方法.该方法首先提取字符的小波特征,以它们作为神经网络的输入向量,然后用Hopfield网络进行识别.对字符样本的识别结果显示,此方法在识别错误率和识别效率等方面均有较好效果.     

延迟离散Hopfield型神经网络异步收敛性

离散Ｈｏｐｆｉｅｌｄ型神经网络的一个重要性质是异步运动方式下总能收敛到稳定态。同步运行方式下总能收敛到周期不超过２的极限环,它是该模型可以用于联想记忆设计,组合设计计算的理论基础,文中给出了延迟离散Ｈｏｐｆｉｅｌｄ型网络的收敛性定理,在异步运动方式下,证明了对称连接权阵的收敛性定理,推广了已有的离散Ｈｏｐｆｉｅｌｄ型网络的收敛性结果,给出了能量函数极大值点与延迟离散Ｈｏｐｆｉｅｌｄ型网络的稳定态的     

基于Hopfield神经网络的双线性离散系统最优控制

将基于二次型性能指标的离散双线性系统最优控制问题转化为动态规划问题，并用Hopfield神经网络（HNN）求解．该方法具有结构简单、易于硬件实现、求解速度快且能求得精确最优解等特点．在复杂系统的实时优化与控制等方面具有广阔的应用前景．     

延迟离散Hopfield网络的动态特征分析

神经网络的稳定性被认为是神经网络各种应用的基础．主要利用网络的状态转移方程和能量函数来研究带有延迟项的离散Hopfield神经网络动力学行为．给出了延迟离散Hopfield神经网络收敛于周期小于等于2的极限环的一些充分条件．给出了延迟网络收敛于周期为2和4的特殊极限环的一些充分条件．同时，得到了网络不存在任何稳定点的一些必要条件．所获结果不仅推广了一些已有的结论，而且为网络的应用提供了一定的理论基础．     

一种基于离散Hopfield神经网络的RTOS功耗优化方法

RTOS(Real-Time Operating System,实时操作系统)是SoC(System-on-a-Chip,系统芯片或片上系统)的一个重要组成部分,其功耗一般约占整个系统功耗30～40%的比例,而基于软/硬件划分的RTOS功耗优化方法(简称RTOS-Power划分)能够明显地减少SoC的功耗.因此,文中首先引入了RTOS-Power划分问题的一个新模型,这有助于理解RTOS-Power划分的本质.然后,提出了一种基于离散Hopfield神经网络的RTOS-Power划分方法,重新定义了神经网络的神经元表示、能量函数、运行方程和系数.最后,对该方法进行了仿真实验,并同遗传算法和蚂蚁算法进行了性能比较.实验结果表明:该文提出的方法能够以相对较小的代价(FPGA开销小于4K个可编程逻辑块)取得高达60%的功耗节省,同时,与纯软件实现的RTOS相比,系统性能也得到了相应的提高.     

基于Hopfield神经网络多用户检测技术的研究

最优多用户检测器的优化问题可以映射为Hopfield神经网络的能量函数的最小化问题。本文对基于典型Hopfield神经网络多用户检测器和基于随机Hopfield神经网络多用户检测器进行了性能分析,计算机仿真表明这两种多用户检测器均具有抗多址干扰和抗远近效应的能力强、运算量小、实时性好等优点。     

基于Hopfield神经网络的盲检测数字水印

提出了一种基于Hopfield神经网络的盲检测数字水印算法。基于噪声可见函数实现了水印的自适应嵌入,利用Hopfield神经网络记忆宿主图像以及原始水印信息。在水印检测时,通过神经网络从嵌入水印的图像中联想出宿主图像和水印嵌入信息,再利用嵌水印图像和联想出的宿主图像提取出水印,实现了水印的盲检测。     

基于Hopfield神经网络多用户检测技术的研究

多用户检测中的MMSE算法随着用户数增加而受到限制,MMSE的优化问题可以转化为Hopfield神经网络的能量函数的最小化问题。针对基于Hopfield神经网络多用户检测算法进行仿真和分析,仿真表明Hopfield神经网络多用户检测算法在抗多址干扰和远近效应上有所提高。     

TSP及其基于Hopfield网络优化的研究

Ｈｏｐｆｉｅｌｄ网络（ＨＮＮ）是一种有效的优化模型,但存在易收敛到非法解或局部极小以及对模型参数与初值依赖性强的缺点。旅行商问题（ＴＳＰ）是研究算法性能的典型算例,通过对其进行计算机仿真优化,分析归纳了ＨＮＮ模型存在缺点的原因,总结并提出若干改进方法与思想。同时,针对ＴＳＰ问题的工程背景提出了若干发展性研究内容与方法。