基于混沌神经网络的发电机定子绕组匝间短路故障诊断

本文采用耦合的混沌振荡子作为单个混沌神经元构造混沌神经网络模型，用改进Hebb算法设计网络的连接权值。在此基础上，实现了混沌神经网络的动态联想记忆并应用该混沌神经网络模型对发电机定子绕组匝间短路故障进行诊断。结果表明，该种方法有助于故障模式的记     

基于径向基函数神经网络的混沌干扰信号检测

为提高强混沌背景下谐波信号的检测能力,提高系统的信噪比,提出了一种在混沌背景噪声中提取正弦信号的RBF神经网络方法。依据混沌吸引子固有的几何特性和混沌系统轨迹点在流形中的演化规律,建立混沌系统的RBF神经网络单步预测模型,改进了网络的学习算法,利用RBF神经网络对输入扰动的敏感,预测出误差信号。分析了在低信噪比下的检测性能。通过对Lorenz流和实际舰船辐射噪声信号中的信号检测进行计算机仿真实验,验证了算法的有效性和可行性,并且实验表明信噪比最低达-40dB时,仍能有效检测出信号。     

神经网络的混沌运动与控制

本文采用一种由混沌神经元构成的联想记忆神经网络．以混沌神经网络为基础,研究其非线 性动力学特性、混沌吸引子轨迹以及对初始条件的敏感性, 实现混沌神经网络的动态联想记 忆功能．在网络输入发生较大变异情况下所发生的失忆,本文采用时空系统混沌控制的钉扎 反馈方法,使网络恢复记忆．上述研究通过对异步电动机故障的动态记忆和恢复控制的仿真 实验得到证实．本文研究结果表明,在国内外对神经网络混沌控制研究的热点中,时空系统 的钉扎反馈控制是一种值得推荐的方法;神经网络的混沌控制扩大了网络的容错性,进而提 高了混沌神经网络的实用性,这将在复杂模式识别,图象处理等工程上具有广阔的应用前景 ．     

Efficient neural chaotic generator for image encryption

In this paper, we propose a new implementation of chaotic generator using artificial neural network. Neural network can act as an efficient source of perturbation in the chaotic generator which increases the cycleʼs length, and thus avoid the dynamical degradation due to the used finite dimensional space. On the other hand, the use of neural network enlarges the key space of the chaotic generator in an enormous way. The efficiency of the proposed neural chaotic generator is illustrated using some dynamical and NIST statistical tests. We also propose in this paper, a new image encryption method based on chaotic sequence, and the obtained results emphasize the efficiency of our technique.     

基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

一种小波神经网络的混沌加密算法研究

概括了小波神经网络的主要理论,将小波神经网络和混沌系统相结合,建立了一种混沌序列的生成模型,给出基于小波神经网络的混沌加密算法,最后对算法进行计算机仿真实验.结果表明小波神经网络具有更快的收敛速度和更准确的逼近能力,而基于小波神经网络的混沌加密算法具有很高的安全性.     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

小波混沌神经网络模拟退火参数研究

小波混沌神经网络已经成功地解决了函数优化和组合优化问题。研究了分段指数退火函数的Morlet小波混沌神经元模型,给出了分段小波混沌神经元的倒分岔图和Lyapunov指数图。在小波混沌神经网络的基础上,加入了分段指数退火函数,提出了一种新的改进的小波混沌神经网络,并把它应用到函数优化和组合优化问题中。仿真结果表明,改善了小波混沌神经网络的寻优能力,改进的小波混沌神经网络优于原来的小波混沌神经网络。     

一类改进型基于混沌的图像置乱网络设计

基于混沌映射的图像置乱是图像加密的一种常用方法。为了增加图像置乱网络的复杂度和提高网络运行的速度，提出了一种改进型基于混沌的图像置乱网络。该网络首先对混沌映射区间进行二次划分．然后在二次划分的区间上将混沌映射的迭代值动态量化为置乱图像的坐标，从而不仅克服了有限精度下混沌轨道遍历混沌映射区间的时间复杂度高的问题，而且减少了搜寻新坐标的迭代次数。另外，还通过计算机实验，对置乱网络的遍历时间复杂度及其置乱性质进行了分析。结果表明，这种置乱网络不仅提高了算法的运行速度，而且增加了密钥参数和密钥空间，具有良好的置乱性质，可以有效地保障加密图像的安全性。     

基于混沌神经网络的伪随机序列性能分析

伪随机序列在保密通信、航空航天、测距、密码学、自动控制等领域具有重要作用。本文结合神经网络和混沌映射的特点，提出了一种基于混沌神经网络和混沌映射混沌伪随机序列的设计方法，该方法可以克服有限精度效应对混沌系统的影响。从而改善混沌序列特性，用理论与计算机仿真实验相结合的方法对混沌序列的随机性、平衡性、相关性和线性复杂度等特性进行了系统的分析。分析结果表明，基于混沌神经网络和混沌映射的混沌伪随机序列具有十分理想的随机特性和相关特性，为在低成本下得到比较实用的序列密码提供了一种新的思路。     

基于神经网络误差修正的混沌控制与同步

针对混沌系统非线性强、多变量耦合等特点,提出了一种基于神经网络误差修正的自适应多变量混沌系统的广义预测控制算法,用线性广义预测控制器控制混沌系统,用神经网络对模型预测误差进行修正。算法中辩识过程模型用递推最小二乘法(RLS)、神经网络权值用Davidon最小二乘法(DLS)训练。这种算法对被控混沌系统的先验知识要求较少,无需知道被控系统的精确模型,数值仿真显示可实现混沌系统的宽范围控制与同步。     

Design of a chaotic neural network for training and retrieval of grayscale and binary patterns

Experimental and theoretical evidence shows that biological system processing behavior has nonlinear and chaotic properties. The ability of emerging various solutions for a problem and the existence of a supervisor to guide this variety to become close to the goal, are the two main properties of a problem solver. In this paper, a chaotic neural network which uses chaotic nodes with the logistic map as activation functions is designed to make the ability of emerging various solutions and an NDRAM is considered as a supervisor to guide these various solutions. The proposed chaotic neural network has better performance in comparison with Hopfield, NDRAM, and L. Zhao et al. ChNN.     

带扰动的变频正弦混沌神经网络研究

为了研究变频正弦混沌神经网络(FCSCNN)的抗扰动能力,在该混沌神经元的内部状态中分别引入三角函数和小波函数扰动项,提出了带扰动的变频正弦混沌神经元模型。给出了该混沌神经元的倒分岔图及Lyapunov指数的时间演化图,分析了其动力学特性。利用该模型构建了新型暂态混沌神经网络,通过选择不同的扰动系数,将其应用于函数优化和组合优化问题上。仿真实验表明,在适当的扰动系数下,变频正弦混沌神经网络能够有效地解决函数优化和组合优化问题,体现了该模型具有较强的鲁棒性和抗扰动能力。     

基于径向基函数神经网络的混沌背景谐波提取

为提高强混沌背景下谐波信号的提取能力,给出混沌系统的单步预测模型,提出了一种新的径向基函数神经网络模型.由混沌吸引子的维数来确定网络的输入,并给出了基于卡尔曼滤波器的动态学习算法,利用学习算法可以在网络训练时同时确定径向基神经网络隐层中心和输出层权值,提高了网络的收敛速度和预测性能.通过对Bossler混沌背景下低信噪比谐波信号的提取进行计算机认真实验,并且实验表明信噪比最低达一27dB时,仍能有效提取出谐波信号,验证了算法的有效性和可行性.     

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。     

连续学习混沌神经网络的研究

近几年混沌神经网络在信息处理,特别是联想记忆中的应用得到了极大重视。本文提出了一个改进的连续学习混沌神经网络(MSLCNN)模型,它具有两个重要特征：(1)根据不同的输入,神经网络做出不同的响应,可从已知模式来识别未知模式;(2)可连续学习未知模式。计算机仿真表明我们的模型具有应用潜力。     

基于小波混沌神经网络的语音识别*

基于语音信号的时变特性,提出了一种新型神经网络语音识别方法——小波混沌神经网络方法,即把小波变换和混沌特性引入到神经元,构成小波混沌神经网络,将这种神经网络用于语音识别,并与常用的BP神经网络识别方法进行了比较。实验结果表明,小波混沌神经网络的平均识别率要高于同等条件下常用的神经网络方法的识别率。     

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。     

Memristor-based chaotic neural networks for associative memory

In chaotic neural networks, the rich dynamic behaviors are generated from the contributions of spatio-temporal summation, continuous output function, and refractoriness. However, a large number of spatio-temporal summations in turn make the physical implementation of a chaotic neural network impractical. This paper proposes and investigates a memristor-based chaotic neural network model, which adequately utilizes the memristor with unique memory ability to realize the spatio-temporal summations in a simple way. Furthermore, the associative memory capabilities of the proposed memristor-based chaotic neural network have been demonstrated by conventional methods, including separation of superimposed pattern, many-to-many associations, and successive learning. Thanks to the nanometer scale size and automatic memory ability of the memristors, the proposed scheme is expected to greatly simplify the structure of chaotic neural network and promote the hardware implementation of chaotic neural networks.     

Pixel clustering by adaptive pixel moving and chaotic synchronization

In this paper, a network of coupled chaotic maps for pixel clustering is proposed. Time evolutions of chaotic maps in the network corresponding to a pixel cluster are synchronized with each other. Those synchronized trajectories are desynchronized with respect to the time evolutions of chaotic maps corresponding to other pixel clusters in the same image. A pixel motion mechanism is also introduced, which makes each group of pixels more compact and, consequently, makes the model robust enough to classify ambiguous pixels. Another feature of the proposed model is that the number of pixel clusters does not need to be previously known.