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。     

基于遗传BP算法的手写体识别

神经网络具有模拟人类的大脑活动、良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力.本文阐述了BP神经网络基本原理以及BP网络手写体识别模型,研究分析了BP神经网络手写体识别模型的缺陷并提出了优化策略.在此基础上,提出一种基于改进结构的BP神经网络来实现手写体数字识别方案,除了改进BP网的结构外,还对网络学习算法进行了改进,采用了BP和GA相结合的算法,提高了网络的学习训练速度和识别效果.     

Hopfield神经网络在字符识别中的应用

文章介绍了离散Hopfield神经网络的基本概念及其原理,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。首先提取照片的像素值,通过对照片的灰度处理,得到灰度像素矩阵。由于对单个字符进行识别的效果比多个字符整体识别的效果好,故对不同的字符进行分割,然后运用OSTU算法求得最佳阈值,通过数据替换得到该字符的二值矩阵。用原图片的二值矩阵作为训练样本,生成Hopfield神经网络。然后分别在不同噪声强度的情况下,以噪声图像的二值矩阵作为测试样本,观察网络的输出效果,并计算出相应的识别率。通过测试发现,噪声强度在较小范围0.1左右时,该网络可达到很好的识别效果,此时识别率接近1;随着噪声强度的增大,识别效果变差;当噪声强度达到0.4时,该网络已无法进行识别。     

基于离散Hopfield神经网络的字母识别研究

基于离散Hopfield神经网络理论,对带噪声的字母识别进行研究。根据神经网络的联想记忆功能,在考虑实际情况的条件下进行模型建立,通过MATLAB软件进行函数创建与设计实现,并对结果进行分析,同时提出应用扩展。     

基于差别特征的神经网络人脸识别

根据视觉识别的差别特征分辨特性,该文对自联想神经网络进行了改进,提出了基于差别特征的识别方法。文中采用ＯＲＬ人脸图象库进行的对比识别实验表明,改进后的差别特征神经网络对原人脸图象和加斯噪声的人脸图象,都较自联想神经网络识别高,证实了差别特征的有效性。     

基于异联想记忆Hopfield网络的强化学习

针对自主机器人的动态避障问题,借鉴异联想记忆Hopfield神经网络对样本模式的记忆能力和强化学习解决问题的突出能力提出了一种新的融合学习方法即异联想记忆神经网络--强化学习方法.通过在强化学习中引入记忆来增强学习方法的能力,可以使自主机器人快速和适应的学习,从而实现机器人的动态避障.仿真结果表明了该避障方法的有效性.     

Hopfield神经网络在二维码污损复原中的应用

针对传统Hopfield神经网络记忆功能的局限性,以Hopfield神经网络的理论知识为依据,提出了一种改进的Hopfield神经网络.在学习阶段,通过对连接关系矩阵的修正来提高网络的记忆能力.运用Matlab为工具,设计了一个可以对信息进行联想记忆的网络,实现了不同污损程度二维码的复原.对改进前后网络的复原结果进行了比较分析,结果表明:改进后的Hopfield神经网络对污损二维码的复原较好.     

尺度空间的联想记忆网络在灰度图中的应用

形态联想记忆网络具有十分优越的抗膨胀噪声或者腐蚀噪声的能力,但抗混合噪声的能力很弱,而在实际中,随机噪声往往是混合型的,既有膨胀噪声又有腐蚀噪声.将形态学尺度空间和形态联想记忆网络相结合,得到了一种新的联想记忆网络,它也具有优越的抗膨胀噪声或者腐蚀噪声的能力,同时它对随机噪声有一定的鲁棒性.通过对含有随机噪声的灰度图像进行自联想记忆和识别处理实验,取得了较为理想的结果,验证了其具有良好的性能.     

基于改进BP神经网络的手写体数字识别

数字识别在许多领域有广泛的应用。通过对人工神经网络的研究与学习,运用改进的BP神经网络对无约束手写体数字识别过程中的数字样本进行识别。实验证明,该方法具有很强的抗干扰性,克服了传统BP算法的局限性,其识别率和准确率都有很大提高。     

视觉导航自动车辆用BP神经网络数字识别方法的研究

为了满足视觉导航自动车辆AGV对阿拉伯数字准确、快速识别的要求,该文提出了基于BP神经网络的数字识别方法。为满足对数字识别实时性、准确性的要求,研究改进了数字识别的算法,考察了隐层节点数对收敛速度、数字识别效果的影响以及学习率η对收敛速度的影响,并选取了较好的学习率对阿拉伯数字进行了网络训练,得到了网络收敛后的权值和阈值矩阵。在有噪声的条件下,进行了实验检验,实验结果表明该方法能够实现对阿拉伯数字的准确、快速识别。     

一种非线性可自学习的联想记忆神经网络

醉庆生物神经突触特性的基础上,提出了非线性神经突触神经元的概念,并以此为根据构造了一种可自学习的联想记忆神经网络模型。这种模型可以按照Hebb规则进行学习,学习机制由网络本身完成。在此模型中,由于非线性权重的引入,使此神经网络模型能以简单的结构实现网络的自学习功能。文中对网络的记忆容量和此种网络在以特定的学习方式学习后与Hopfield网络的等效性方面进行了讨论。试验表明,此种网络模型结构是有效的。     

基于混沌神经网络的电机故障诊断

采用全局耦合混沌神经网络模型，每个神经元的动力学行为由反对称立方映像表示。采用Hebb算法设计网络的连接权值矩阵．将记忆模式的回忆过程转化为耦合系统中参数演变的过程，从而实现了混沌神经网络的联想记忆。根据提出的能量击穿规则，扩大了样表的吸引域。在此基础上，应用该混沌神经网络对异步电机转子断条故障进行诊断。结果表明，该种方法有助于故障模式的记忆和重现。     

NDRAM: nonlinear dynamic recurrent associative memory for learning bipolar and nonbipolar correlated patterns

This paper presents a new unsupervised attractor neural network, which, contrary to optimal linear associative memory models, is able to develop nonbipolar attractors as well as bipolar attractors. Moreover, the model is able to develop less spurious attractors and has a better recall performance under random noise than any other Hopfield type neural network. Those performances are obtained by a simple Hebbian/anti-Hebbian online learning rule that directly incorporates feedback from a specific nonlinear transmission rule. Several computer simulations show the model's distinguishing properties.     

Quaternionic multistate Hopfield neural network with extended projection rule

The aim of this paper is to investigate storing and recalling performances of embedded patterns on associative memory. The associative memory is composed of quaternionic multistate Hopfield neural network. The state of a neuron in the network is described by three kinds of discretized phase with fixed amplitude. These phases are set to discrete values with arbitrary divide size. Hebbian rule and projection rule are used for storing patterns to the network. Recalling performance is evaluated through storing random patterns with changing the divide size of the phases in a neuron. Color images are also embedded and their noise tolerance is explored.     

基于新型的竞争型神经网络的Web日志挖掘

提出了一种基于竞争的自激励神经网络学习算法SIN，该算法综合了自适应谐振理论和竞争型神经网络的特点，并在隐含层采用了Hebb学习规则，既能保证原有记忆不受影响，又能对新的信息加以记忆，同时又克服了ART网络对噪音敏感的缺点，学习速度快，分类性能好，具有在线学习的功能．将该算法应用于Web日志挖掘能够有效地剔除噪音，得到很好的用户聚类和页面聚类的结果，为网站的管理者设计个性化的商务网站提供了有效的决策依据．     

A Boolean Hebb rule for binary associative memory design

A binary associative memory design procedure that gives a Hopfield network with a symmetric binary weight matrix is introduced in this paper. The proposed method is based on introducing the memory vectors as maximal independent sets to an undirected graph, which is constructed by Boolean operations analogous to the conventional Hebb rule. The parameters of the resulting network is then determined via the adjacency matrix of this graph in order to rind a maximal independent set whose characteristic vector is close to the given distorted vector. We show that the method provides attractiveness for each memory vector and avoids spurious memories whenever the set of given memory vectors satisfy certain compatibility conditions, which implicitly imply sparsity. The applicability of the design method is finally investigated by a quantitative analysis of the compatibility conditions.     

Associative Memories in Infinite Dimensional Spaces

A generalization of the Little–Hopfield neural network model for associative memories is presented that considers the case of a continuum of processing units. The state space corresponds to an infinite dimensional euclidean space. A dynamics is proposed that minimizes an energy functional that is a natural extension of the discrete case. The case in which the synaptic weight operator is defined through the autocorrelation rule (Hebb rule) with orthogonal memories is analyzed. We also consider the case of memories that are not orthogonal. Finally, we discuss the generalization of the non deterministic, finite temperature dynamics.     

基于堆栈滤波器和Hopfield神经网络的边界检测法

提出了一种基于堆栈滤波器和Ｈｏｐｆｉｅｌｄ神经网络的边界检测法,采用较小滤波窗口的堆栈滤波器优化估计的图象象素点之间的灰度梯度,再根据这些灰度梯度的优化估计值计算及确定Ｈｏｐｆｉｅｌｄ神经网络的权重矢量,Ｈｏｐｆｉｅｌｄ神经网络收剑时输出图象的边界。相对于基于堆栈滤波器边界检测法,该方法对堆栈滤波器的优化训练速度大大提高,所需内存大为减少,而相对于基于Ｈｏｐｆｉｅｌｄ神经网络的边界检测法,该方法又     

基于阈值自适应忆阻器Hopfield神经网络的关联规则挖掘算法

针对基于Hopfield神经网络的最大频繁项集挖掘（HNNMFI）算法存在的挖掘结果不准确的问题,提出基于电流阈值自适应忆阻器（TEAM）模型的Hopfield神经网络的改进关联规则挖掘算法。首先,使用TEAM模型设计实现突触,利用阈值忆阻器的忆阻值随方波电压连续变化的能力来设定和更新突触权值,自适应关联规则挖掘算法的输入。其次,改进原算法的能量函数以对齐标准能量函数,并用忆阻值表示权值,放大权值和偏置。最后,设计由最大频繁项集生成关联规则的算法。使用10组大小在30以内的随机事务集进行1000次仿真实验,实验结果表明,与HNNMFI算法相比,所提算法在关联挖掘结果准确率上提高33.9个百分点以上,说明忆阻器能够有效提高Hopfield神经网络在关联规则挖掘中的结果准确率。