嗅觉混沌神经网络的研究和应用

Freeman对生物嗅觉神经系统建立了一套新型的混沌神经网络模型-K系列模型,与传统的人工神经网络相比,该网络不仅能很好的模拟生物嗅觉神经系统产生的混沌信号,而且提出了一种全新的信息处理和模式识别的概念和理论,是一种更接近生物系统的神经网络模型. 我们对该混沌神经网络进行了模拟研究,同时应用该网络对简单的图像模式和手写体数字进行了模式识别的探索,实验结果验证了KIII网络的模式识别能力,为这种新方法的进一步发展和应用打下了基础.     

神经网络的混沌特性及其在加密通信中的应用

首先概括了能实现混沌动力学特点的主要神经网络模型及其产生混沌同步，混沌序列和混沌吸引子等复杂性的基本原理，介绍了如何利用混沌同步，混沌轨迹序列和混沌吸引子等复杂性特点实现通信加密算法，最后总结有关神经网络的混沌特性及其加密通信应用中需要进一步研究的一些课题。     

基于模糊混沌神经网络的人脸识别算法

利用混沌对初值的极端敏感依赖性,可以对仅有微小差别的模式进行识别。提出一种基于模糊混沌神经网络的算法,并应用到人脸识别中。由于引入了混沌噪声,可使网络具有很强的抗干扰能力,能有效避免人脸图像光照、姿态等因素对人脸识别的影响,也避免了复杂的特征提取工作。利用ORL人脸图像数据库进行了仿真实验,结果表明,混沌神经网络算法精度高、迭代步骤少、收敛快,混沌神经网络应用于人脸识别是有效的,能提高识别率。     

迟滞混沌神经网络及应用

提出了一种同时具有迟滞和混沌特性的神经元模型,并利用该模型构造出神经网络,用于求解优化计算等问题.通过在神经元中引入自反馈,使得神经元具有混沌特性.将神经元的激励函数改为具有上升分支和下降分支的迟滞函数,从而将迟滞特性引入神经元和神经网络中.结合模拟退火机制,在优化计算初期,利用混沌特性可提高网络的遍历寻优能力,利用迟滞特性可在一定程度上克服假饱和现象,提高网络的寻优速度:在优化计算末期,网络蜕变为普通的Hopfiled型神经网络,按照梯度寻优方式收敛到某局部最优解.可通过构造能量函数的方法,将图像识别中的特征点匹配等问题转化为优化计算问题,从而可采用该神经网络进行问题求解.仿真结果验证了该方法的有效性.     

混沌神经网络在数字图像加密中的应用

提出了混沌神经网络加密数字图像的算法。根据混沌系统产生的二进制序列,设定神经网络的权值和阈值,对每一个像素进行加密和解密运算。本算法具有以下特征：计算复杂度大、实现无失真加密、较高的安全性。仿真试验结果表明,该算法能得到令人满意的结果。     

基于混沌和神经网络的图像加密研究

目前,网络安全问题是社会关注的热点问题,为了确保传送信息的安全性和可靠性,可对传输数据进行加密。信息安全的主要核心技术是密码学,高密度特性的神经网络和密码学当中的加密功能十分重要,可利用神经网络构造出更加安全的密码体制。基于此,笔者重点研究了基于混沌性的神经网络在图像加密中的应用,和传统的加密相比,混沌序列加密在随机统计、线性复杂度和序列周期方面均有优势。     

一个新四翼超混沌系统及其在图像加密中应用

提出了一个新的四翼超混沌系统,并将该系统应用于图像加密中。分析新系统的相图、平衡点、Lyapunov指数谱及分岔图等基本动力学特性,着重对系统参数变化引起的Lyapunov指数谱及分岔图详细分析,并设计该系统的模拟电路,电路实验结果与理论分析结果一致,验证了系统的超混沌行为。最后将此四翼超混沌系统应用于图像加密中,分析加密前后图像的直方图和相邻像素间相关性等,验证该系统应用于图像加密的效果良好。     

基于混沌神经网络的彩色图像加密算法研究

为了更加系统了解基于混沌神经网络的图像加密技术,进行了简单研究。神经网络实现了混沌和扩散函数,利用混沌映射作为神经层的传递函数,设计在同一加密周期内对大量相邻图像像素进行混淆和扩散的CNN网络。其中,混沌神经元层实现数据扩散,线性神经元层实现数据混淆,两层重复多次增强密码,且解密过程与加密过程对称。与现有图像加密方法相比,该加密方法旨在减少相邻图像像素之间的冗余,获得更高的感知安全性。理论分析和实验结果表明,分组密码具有良好的计算安全性,更适合于图像加密。     

离散神经网络中的变复制脉冲方法控制混沌研究

本文研究一类离散神经网络中的混沌及控制混沌问题,对一类神经元对中的混沌给出春吸收域划分的规律,研究了周期比例脉冲方法（ＧＭ方法）控制混沌的离散神经网络中的应用,提出了一种改进的控制方法,即变辐值脉冲方法,数值实验证明,此ＧＭ方法有明显的优点。     

浅谈BP神经网络在模式识别中的应用

模式识别技术在各行各业都有广泛的应用。在工业检测、医疗仪器的样本检查分析、军事卫星侦察、人工智能方面有着举足轻重的作用。该文介绍基于BP神经网络的模式识别方法。运用一种基于BP神经网络的改进算法,将基于学习的思想引入到模式识别中,对样本数据进行学习和训练,形成良好的网络,最后对与已训练好的网络进行检验的整个过程,由于达到了一定的准确度,避开了传统方法计算属性权重的问题。     

基于无监督神经网络的故障模式识别

无监督学习的竞争式神经网络是一种数据聚类方法,能保持输入空间的拓扑关系不变,借助于一维或二维输出平面的一组有序的向量,实现高维数据的聚类和可视化;探讨了一种无监督神经网络--SOFM网络原理、思想和算法步骤,研究了无监督网络在模式识别中的应用,提出了基于SOFM网络的故障模式识别和状态监测方法;通过实例研究了SOFM网络在机械设备故障模式识别和状态监测中的应用.     

基于仿生模式识别理论的高阶神经网络说话人识别方法

根据一种全新的仿生模式识别理论,提出了采用神经网络实现并完成说话人识别的新方法。该方法利用高阶神经网络形成的复杂包络在特征空间中构造不同说话人的覆盖区域达到识别目的。相关实验证明,这种新的说话人识别方法只要通过少量样本的训练即可达到比传统方法更高的识别率。     

模糊神经网络在阿胶模式识别中的应用

介绍采用模糊神经网络法对动物药阿胶进行模式识别,识别效果令人满意,由于其有模糊性,对于一些杂皮胶或混胶,也能识别出相应的隶属度。     

基于MATLAB神经网络工具箱的字母模式识别

以设计识别26个英文字母的神经网络为例,介绍了利用MATLAB神经网络工具箱进行模式识别的基本步骤,并对训练的结果进行了分析,说明了在解决此类问题时要充分考虑噪声对辨识率的影响。     

基于BP人工神经网络的手写体数字识别

手写体数字识别是模式识别研究领域多年来的热点,BP人工神经网络是目前应用最广泛的神经网络模型之一。将两者融合并结合Matlab软件,提出了一种简单的基于BP神经网络数字识别的方法,仿真实验结果表明,该方法识别效果良好,准确率高,有一定实用性。     

一种适用于模式识别的新型神经网络

提出了一种适用于模式识别的新型神经网络模型——局部有监督特征映射网络,描述了该网络的拓扑结构和学习算法,研究了网络的基本性能,最后将其应用到了质量控制图的模式识别中。理论研究和仿真实验表明,该网络结构简单、算法简洁,收敛速度快、识别精度高,适用于需要大样本训练、随机干扰严重的复杂模式的分类与识别。     

Hopfield神经网络在车牌照字符识别中的应用

介绍了Hopfield神经网络识别车牌照字符的方法,用Matlab完成了对车牌照数字识别的模拟,最后给出实验结果。     

一种模块化神经网络结构用于模式识别

在模式识别中,通常直接用神经网络来处理复杂的多类分类问题,其识别的误判率较大。该文基于任务分解与模块整合的思想,提出了一个模块化Kohonen神经网络(KTD)结构用于模式分类,给出了其学习方法并做了模拟仿真,模拟仿真表明KTD能够获得较高的识别率且误判率较小。     

模糊 RBF 神经网络在语音识别中的应用

常规RBF神经网络的隐层一般采用高斯函数,然而任意输入对于中心点的隶属程度并不总是服从高斯分布,将模糊理论引入常规的RBF神经网络对其进行改进,用任意输入模式与各类中心的隶属度来替代原有的径向基函数输出。实验结果表明改进后的模糊RBF神经网络识别率得到了提高。