Hopfield网的初等关联分析及仿真试验

关于Ｈｏｐｆｉｅｌｄ网的输出转移轨迹、吸引子、吸引域和如何逃离局部极小点等问题，尤其是对具有一般的权系数和偏置的网络，一直没有得到很好的解决。本文首先定义了Ｈｏｐｆｉｅｌｄ网的初等关联网络，分析了初等关联网络的性质，找出了具有关联关系的网络输出转移轨迹之间存在的关联关系和规律，使得如果已知了一个网络的输出转移轨迹，利用这一规律可以很容易地得出与其相关联的网络的输出转移轨迹，并给出了它们的吸引子之间关系的结论，为Ｈｏｎｆｉｌｅｄ网络的局部极小点的逃离、最不容错网络的判断提供了方法，对网络的进一步分析和设计提供了一种新的方法和途径。所进行的大量计算机仿真实验验证了这一规律的存在。     

Hopdfield网的初等关联分析及仿真试验

关于Ｈｏｐｆｉｅｌｄ网的输转移轨迹、吸引子、吸引域和如何逃离局极小点等问题，尤其是具有一般的权系数和偏置的网络，一直没有得到很好的解决。所进行的大量计算机仿真实验验证了这一规律的存在。     

移动通信网络位置群体关联用户挖掘

当前用户网络关系分析主要是研究用户之间的关联关系或群体关系,对于网络中用户与群体之间关联关系的研究相对较少。鉴于移动通信网络用户之间存在多样的特征关联,用户与群体之间也存在多样的关联关系。基于移动通信网络中具有一定通信相关性和位置规律相似性的特定群体,将位置预测引入位置项相关性度量,建立用户位置轨迹相关性度量标准,并提出了特定群体位置关联用户挖掘算法。仿真结果表明,所提出的方法能够实现对用户与群体之间关联关系的度量,能够利用位置相关性发现与特定群体具有潜在关联的用户。     

基于自反馈Hopfield网络的快速文本分类器

根据大规模中文文本分类的特点,提出了一种基于最大特征值选取的快速文本正交编码方法,并构造了一种具有较快收敛速度的Hopfield神经网络模型.采用神经动力学方法,对自反馈Hopfield神经网络的网络结构进行了稳定性分析.在Hopfield神经网络中引入KNN再预测机制,使进入伪状态而被拒收的样本能有效地逃离伪状态.实验结果表明,该方法应用到大规模的中文文本分类时,效果良好.     

基于协作Hopfield网络的迭代立体匹配算法

针对立体匹配算法中求解能量函数全局最小问题,提出一种基于协作Hopfield网络的迭代立体匹配算法.它采用两个具有相似结构的Hopfield神经网络协作求解匹配问题,两个网络的不同之处是匹配过程中所采用的基准图不同.然后根据左右一致性约束实现两个Hopfield网络之间的协作,从而避免落入局部最小.为加快收敛速度,该算法将视差图的最优搜索问题转换为二值神经网络的迭代收敛过程.利用局部匹配算法的结果预标记初始视差,以设定神经网络初始权重.并根据局部匹配算法中隐含的假定条件,提出了局部匹配算法视差结果的评估准则,以确定各像素的视差搜索范围,从而减少各次迭代过程中状态待确定的神经元个数.实验表明该方法在性能和收敛速度上都要优于传统的Boltzmann机方法.     

用改进的差分式Hopfield网络实现线性二次型最优控制

为解决差分式Hopfield网络能量函数的局部极小问题,本文对之改进得到一种具有迭代学习功能的线性差分式Hopfield网络.理论分析表明,该网络具有稳定性,且稳定状态使其能量函数达到唯一极小值.基于线性差分式Hopfield网络稳定性与其能量函数收敛特性的关系,本文将该网络用于求解多变量时变系统的线性二次型最优控制问题.网络的理论设计方法表明,网络的稳态输出就是欲求的最优控制向量.数字仿真取得了与理论分析一致的实验结果.     

神经网络在多机动目标跟踪中的应用

为解决多目标跟踪中数据关联与状态估计的问题引入神经网络方法.针对联合概率数据关联(JPDA)存在的计算组合爆炸问题,利用Hopfield网络解决TSP问题的思路找到神经网络联合概率数据关联(NJPDA)方法,并对其进行一定的改进解决其参数确定问题.基于以上关联方法得到的关联概率,利用简化的信息融合自适应滤波算法,实现对目标轨迹的状态滤波与预测.以上综合方法充分利用了神经网络的优点,保证了多目标的跟踪精度及实时性.     

基于复杂网络理论的计算机网络拓扑分析

复杂网络是指具有无标度、小世界、吸引子、自相似、自组织中部分或者所有性质的网络。在现实世界中,许多复杂的系统基本上都能以网络来进行描述,而现实中的那些复杂的系统则可以以“复杂网络”来称之,比如社会网、交通网、电力网、万维网、因特网等等都可以称之为复杂网络。本文主要通过对复杂网络理论的介绍,从而对计算机Intemet网进行分析,对Intemet网这一复杂系统进行探究,揭示Intemet拓扑现象的特性、规律及动因。     

非对称Hopfield网络稳定性分析

Hopfield神经网络是迄今得到最广泛应用的神经网络模型之一，而这些应用极大地依赖于神经网络的动态特性。对于对称Hopfield网络，已有很多成熟的判定其稳定性的方法。对非对称Hopfield神经网络，提出了一种有效的方法来研究这种网络的全局稳定性，并又给出了其稳定性条件。应用所提供的方法很容易对非对称Hopfield神经网络的局部稳定性进行分析。     

一种局部化的反向传播网络

常规的反向传播网络（ＢＰ）是一种内部呈完全联结的全局性网络，它对非平滑系统的学习能力较弱。参考局部性网络的设计思想，本文提出一种由多个既独立了关联的同构子网络构成的局部化反向传播网络（ＬＢＰ）。子网络之间的相对独立性和相互关联性，使得ＬＢＰ对平滑和非平滑系统都具有较强的学习能力。     

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     

The Object Perceptron Learning Algorithm on Generalised Hopfield Networks for Associative Memory

We present a study of generalised Hopfield networks for associative memory. By analysing the radius of attraction of a stable state, the Object Perceptron Learning Algorithm (OPLA) and OPLA scheme are proposed to store a set of sample patterns (vectors) in a generalised Hopfield network with their radii of attraction as large as we require. OPLA modifies a set of weights and a threshold in a way similar to the perceptron learning algorithm. The simulation results show that the OPLA scheme is more effective for associative memory than both the sum-of-outer produce scheme with a Hopfield network and the weighted sum-of-outer product scheme with an asymmetric Hopfield network.     

离散时间反馈神经网络的渐近行为研究

Hopfield神经网络是一类应用非常成功的人工神经网络模型，它是研究这个反馈神经网络的基础．该文主要研究离散时间、连续状态的反馈神经网络，它是Hopfield神经网络的推广．众所周知，研究反馈神经网络的稳定性不仅被认为是神经网络最基本、最主要的问题之一，同时也是神经网络各种应用的基础．文中主要研究离散时间反馈神经网络的稳定性，给出了连接权矩阵非对称的并且输入-输出函数是一般的S-函数的新的渐近收敛性条件及相应的收敛性结论．所获结果不仅推广了一些已有的结论，而且为反馈神经网络的应用提供了一定的理论基础．     

神经网络在汽车牌照字符识别中的应用

分析了反传学习神经网络和Hopfield神经网络的基本原理,探讨了神经网络在汽车牌照字符识别中的应用.结合神经网络和汽车牌照的特点,研究了学习速率,误差精度与隐含层节点数之间的关系,最终提出了一种Hopfield神经网络和反传学习神经网络相结合用于汽车牌照字符识别的方案.Matlab仿真结果表明,所设计的汽车牌照字符识别系统可以获得较为满意的高分辨率.     

基于局部进化的Hopfield神经网络的优化计算方法

提出一种基于局部进化的Hopfield神经网络优化计算方法，该方法将遗传算法和Hopfield神经网络结合在一起，克服了Hopfield神经网络易收敛到局部最优值的缺点，以及遗传算法收敛速度慢的缺点。该方法首先由Hopfield神经网络进行状态方程的迭代计算降低网络能量，收敛后的Hopfield神经网络在局部范围内进行遗传算法寻优，以跳出可能的局部最优值陷阱，再由Hopfield神经网络进一步迭代优化。这种局部进化的Hopfield神经网络优化计算方法尤其适合于大规模的优化问题，对图像分割问题和规模较大的200城市旅行商问题的优化计算结果表明，其全局收敛率和收敛速度明显提高。     

An artificial neural network approach for routing in distributed computer networks

This paper presents a new approach based on the Hopfield model of artificial neural networks to solve the routing problem in a context of computer network design. The computer networks considered are packet switching networks, modeled as non-oriented graphs where nodes represent servers, hosts or switches, while bi-directional and symmetric arcs represent full duplex communication links. The proposed method is based on a network representation enabling to match each network configuration with a Hopfield neural network in order to find the best path between any node pair by minimizing an energy function. The results show that the time delay derived from flow assignment carried out by this approach is, in most cases, better than those determined using conventional routing heuristics. Therefore, this neural-network approach is suitable to be integrated into an overall topological design process of moderate-speed and high-speed networks subject to quality of service constraints as well as to changes in configuration and link costs.     

A Symmetric Probabilistic Encryption Scheme Based On CHNN Without Data Expansion

In 1999, Guo et al. proposed a new probabilistic symmetric probabilistic encryption scheme based on chaotic attractors of neural networks. The scheme is based on chaotic properties of the Overstoraged Hopfield Neural Network (OHNN). The approach bridges the relationship between neural network and cryptography. However, there are some problems in their scheme: (1) exhaustive search is needed to find all the attractors; (2) the data expansion in the paper is wrongly derived; (3) problem exists on creating the synaptic weight matrix. In this letter, we propose a symmetric probabilistic encryption scheme based on Clipped Hopfield Neural Network (CHNN), which solves the above mentioned problems. Furthermore, it keeps the length of the ciphertext equals to that of the plaintext.     

Robust network structures for conserving total activity in Boolean networks

One of the typical properties of biological systems is the law of conservation of mass, that is, the property that the mass must remain constant over time in a closed chemical reaction system. However, it is known that Boolean networks, which are a promising model of biological networks, do not always represent the conservation law. This paper thus addresses a kind of conservation law as a generic property of Boolean networks. In particular, we consider the problem of finding network structures on which, for any Boolean operation on nodes, the number of active nodes, i.e., nodes whose state is one, is constant over time. As a solution to the problem, we focus on the strongly-connected network structures and present a necessary and sufficient condition.