基于自适应模拟退火的变频正弦混沌神经网络

针对变频正弦混沌神经网络寻优精度与收敛速度无法兼顾的问题,通过分析暂态混沌神经网络的优化机制和现有的退火策略,提出了一种基于自适应模拟退火策略的变频正弦混沌神经网络模型.该模型可以根据混沌神经元的Lyapunov指数来确定合适的自反馈连接权值.给出了混沌神经元的倒分岔图、Lyapunov指数及不同退火函数的时间演化图,证明了自适应模拟退火策略能够自主选择合适的退火速度,更有效的利用混沌全局搜索能力,并加快非混沌态的演化时间.为了证明该模型的有效性,将其应用于函数优化和组合优化问题中.仿真实验表明：（1）对于该模型退火速度的选择,自适应模拟退火策略比现有的几种退火方法更具有灵活性和适应性;（2）该模型在寻优精度和速度上比暂态混沌神经网络及其他改进模型具有更好的兼顾性.     

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.     

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.     

具有时延的神经元模型耦合系统的混沌同步

该文研究了一个由有混沌现象的具有时延的简单神经元模型构成的耦台系统的混沌同步,具有时延的神经元模型混沌系统,对时延的初始值具有敏感性,对于任意激活函数,用解析分析方法得到了耦合系统达到强同步的一般化条件。     

基于双Sigmoid小波混沌神经网络的盲检测算法*1

接要:针对在盲检测环境中暂态混沌神经网络的缺陷,提出了基于双Sigmoid小波混沌神经网络的盲检测算法,构建了新网络的模型和能量函数,并分别在同步和异步更新模式下证明了该网络的稳定性.新网络的设计思想体现在:采用墨西哥帽小波函数和Sigmoid函数的组合作为网络的激励函数,再为每个神经元加一个激活函数构成双Sigmoid.仿真表明:由于小波函数较强的逼近能力以及双Sigmoid快速收敛的特性,提出的算法显著地提高了网络的全局寻优能力和寻优精度.     

基于混沌神经网络的并行哈希函数

结合陈氏混沌系统和神经网络的特点,提出一种新的带密钥单向哈希函数的构造方法。该方法利用陈氏混沌系统复杂的动力学特性及神经网络良好的压缩性,构造一种具有并行特性的消息哈希函数。结果表明,新方法具有较好的数据处理能力,很好的单向性、初值敏感性和较高的效率。     

基于混沌蚁群算法的BP神经网络训练研究

针对BP学习算法依赖于初始权值的选择和只能处理具有求导或者梯度特性目标函数,导致函数逼近误差较大的缺点,基于适值理论,建立了混沌蚁群算法模型.采用实值编码,把BP神经网络的权值和偏值作为混沌蚁群算法搜索的蚂蚁空间位置;设置合适的适值函数,对BP神经网络权值进行训练,并将其应用于曲线拟和.分别用混沌蚁群算法对不包含噪声的BP神经网络和包含噪声的BP神经网络进行了训练仿真,对仿真结果进行分析,取得了很好的效果.     

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.     

混沌时间序列预测与目标检测

首先介绍了混沌的基本特性,然后利用混沌时间序列对RBF（Radial Basis Function）神经网络进行训练,用训练好的神经网络预测未来的混沌序列的值,最后分别对淹没在混沌杂波及混沌杂波加一定强度的白噪声中的目标进行检测。仿真结果表明,这种方法具有较好的目标检测能力。     

直扩信号抗多径能力分析

以二径模型为例,对直扩系统抗多径能力进行了分析。对几种实用扩频码序列特性进行了介绍,并对各种序列的自相关函数及加信息调制后扩频码序列与之的相关函数进行了仿真。最后得出结论:直扩系统中对多径信号的抑制能力小于系统的处理增益。从系统多址能力、抗白噪声能力及抗多径干扰能力综合考虑,对单址系统、多址系统伪码码型的选取提出了建议。     

基于Logistic序列的UWB系统Rake接收机性能分析

依据混沌序列码元丰富,抗干扰能力强,优良的相关特性和白噪声统计特性,采用改进型Logistic映射迭代产生的混沌序列作为扩频序列,提出了多径信道下混沌UWB通信系统。针对该系统Rake接收机的性能进行分析,重点仿真了不同信道、不同支路、不同扩频码情况下的Rake接收机性能,由分析和仿真可知,系统性能得到了改善,抗干扰能力增强。     

Identification and control of continuous-time nonlinear systems via dynamic neural networks

In this paper, we present an algorithm for the online identification and adaptive control of a class of continuous-time nonlinear systems via dynamic neural networks. The plant considered is an unknown multi-input/multi-output continuous-time higher order nonlinear system. The control scheme includes two parts: a dynamic neural network is employed to perform system identification and a controller based on the proposed dynamic neural network is developed to track a reference trajectory. Stability analysis for the identification and the tracking errors is performed by means of Lyapunov stability criterion. Finally, we illustrate the effectiveness of these methods by computer simulations of the Duffing chaotic system and one-link rigid robot manipulator. The simulation results demonstrate that the model-based dynamic neural network control scheme is appropriate for control of unknown continuous-time nonlinear systems with output disturbance noise.     

基于CP神经网络的边缘检测

边缘检测是图像分析识别必不可少的环节，是一种重要的图像预处理技术。虽然传统的算子算法对边缘的检测速度快，但其得到的往往是断续的，不完整的边缘信息，且这类检测方法对噪声比较敏感，在检测噪声污染图像时会得到许多虚假的边缘。利用CP神经网络对灰度图像的边缘进行检测，但考虑到神经网络训练量过大的问题，先利用传统算子对图像进行边缘处理，将处理后的图像做为神经网络的输入。实验结果表明，该方法得到的边缘图像边界封闭性好，具有较好的抗噪特点。     

带有均衡因子的反相对称调制法的研究

在对实际通信系统中窄带噪声相关性分析的基础上,介绍了反相对称调制法的系统模型,该模型中信号在两路近似的信道中传输,并在其中一路信道中引入增益因子。论证了该模型中增益因子、两路噪声功率比以及两路噪声相关性这三者的关系,从理论上得出了这三者关系的数学表达式。最后利用MATALAB仿真工具强大的数学仿真功能对这三者的数学表达式进行仿真,从图像上便可直观地验证出反相对称调制法能有效提高信噪比、具有优越抗噪声性能的结论。     

混沌背景中微弱信号检测的回声状态网络方法

对复杂非线性系统的相空间重构理论进行了研究分析,提出了混沌背景中微弱信号检测的回声状态网络方法。针对回声状态网络模型参数选取困难这一问题,采用遗传算法对其模型参数进行优化。将回声状态网络模型参数作为遗传算法的个体,混沌时间序列预测均方根误差的倒数作为适应度函数,通过选择、交叉、变异等操作获得适合数据特点的最优模型参数。根据回声状态网络强大的学习和非线性处理能力,利用得到的回声状态网络模型最优参数建立混沌背景噪声的单步预测模型,将淹没在混沌背景噪声中的微弱瞬态信号和周期信号从预测误差中检测出来。以Lorenz系统和实测的海杂波数据作为混沌背景噪声进行仿真实验,仿真结果表明,本文所提方法在预测精度和训练速度方面均优于支持向量机和神经网络模型,能够有效地检测出混沌背景噪声中的微弱目标信号,且具有较小的预测误差。      

基于CMAC的卡尔曼滤波技术在组合导航系统中的应用

经典卡尔曼滤波器要求假设系统的动态模型和观测模型的噪声统计特性已知,而组合导航系统的噪声具有非先验性。为了解决这一问题,提出小脑模型神经网络（CMAC）辅助卡尔曼滤波器。仿真试验结果表明,该辅助算法的精度与经典卡尔曼滤波算法相比提高了2倍,收敛时间缩短近200 s,并有效地克服了传统神经网络学习速度慢,泛化能力弱的缺点,使系统具有自适应能力,以应付动态环境的扰动。     

基于Hopfield神经网络噪声数字的识别

噪声数字的识别具有很好的应用前景,也是后期处理的基础。基于离散Hopfield神经网络的联想记忆能力,通过改进神经网络的记忆样本,再利用Hebb规则对改进的记忆样本进行学习,得到权值矩阵,根据待识别的噪声数字的信息联想起记忆的数字。利用改进后的离散Hopfield神经网络对噪声数字进行了识别的实验。实验结果表明,该方法提高了传统网络的记忆能力和识别的正确率。     

高精度数字式高斯白噪声发生器的FPGA实现

高斯随机白噪声是一种常用的信号形式,在信号分析和信号处理中具有重要价值.文中介绍了一种基于混沌映射法的高精度数字式高斯白噪声发生器的设计方案,它改进了传统的蒙特卡洛方法,利用映射函数方法实现均匀分布噪声到高斯分布噪声的快速转换,最大限度地降低运算量,是一种较理想的噪声信号产生方法.该噪声发生器可以快速产生周期长、性能稳定、噪声统计特性好的高斯宽带白噪声,具有很大的实用价值.文中给出了原理分析、系统设计及实际应用结果.     

一种改进的一维模糊熵图像分割算法

传统的一维最大模糊熵图像分割算法对于图像的局部信息干扰噪声处理能力存在不足。文中研究实数编码混沌量子遗传算法（RCQGA）与一维模糊熵算法相结合的新算法。该算法将图像的空间信息和像素信息引入到一维模糊熵图像分割算法中,并运用实数编码混沌量子遗传算法对一维最大模糊熵图像分割算法进行改进,从而提高了一维最大模糊熵分割精度。研究结果表明,该算法分割效果明显优于传统一维模糊熵图像分割算法,并具有较强的抗噪性能。