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。     

Hopfield神经网络在有限元求解中的应用

计算机本身固有的计算与存储之间是一对很难解决的矛盾,许多工程力学问题因计算规模大等原因还没有突破性进展,因此,需要发展新的理论与计算方法。通过对有限元求解方法和Hopfield神经网络的深入研究,在对Hopfield神经网络适当改造后,得到了有限元的神经网络计算方法,在电路实现中避免了采用高增益传递函数的假设,进而在理论上实现了有限元神经网络计算的无误差求解。     

基于Hopfield神经网络的交通标志识别

Hopfield神经网络是经典的人工神经网络之一,本文利用离散型Hopfield神经网络来对各种道路交通标志进行识别,并讨论在加噪、旋转等条件下对交通标志识别率的影响。同时,对图像的复杂度、识别率、图像识别前后的信噪比进行了讨论与分析。     

Hopfield神经网络在机组组合问题中的应用

提出利用多层Hopfield神经网络求解机组组合优化问题。通过构造合适的能量函数使得单层Hopfield神经网络可以解决某一时刻的机组出力问题,与之相对应的多层神经网络可以解决任意时间段的机组出力问题。多层Hopfield神经网络的层数由所需求解问题的时间段确定。给出单层及多层神经网络的能量函数及求解算法,能量函数考虑到机组升降功率和出力上下限的约束。通过对已有文献的算例进行计算比对,所得结果和遗传算法基本一致,但Hopfield神经网络通过解微分方程组来确定最优解,计算时间相对较少。     

小波Hopfield神经网络及其在优化中的应用

通过把Hopfield神经网络的sigmoid激励函数替换为Morlet小波函数,提出了一种新型的Hopfield神经网络——小波Hopfield神经网络(WHNN)。由于Morlet小波函数具有良好的局部逼近能力和较高的非线性度,因此WHNN在非线性函数寻优上表现出令人满意的较高精确度的效果。一个典型的函数优化例子表明小波Hopfield神经网络比Hopfield神经网络有较高的精确度。     

Hopfield神经网络模型在火力分配算法中的应用研究

该文针对指挥控制系统中的火力分配问题进行了研究,首先介绍了几种传统的分配算法,在介绍了离散Hopfield神经网络模型的基本算法的基础上,将其引入到火力分配问题的求解过程中,文章最后给出了一个应用的实例。     

Hopfield神经网络稳定性的敏感性研究

本文时一类非对称Hopfield神经网络在联接矩阵为非对称的前提下时矩阵特征值所在范围作了更精细的刻画：在有电阻(R)扰动下利用矩阵特征值理论给出了网络渐近稳定性的条件。     

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.     

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.     

基于蚁群算法的Hopfield神经网络在多空间站路径规划的应用研究*

空间机器人每次携带的燃料有限,提高空间机器人的工作效率以及延长其在轨寿命研究具有重要意义,分析了空间机器人多空间站访问问题。为了弥补传统路径规划方法容易陷入局部极小点的问题,提出利用基于蚁群算法的Hopfield神经网络来解决空间机器人多空间站访问问题。仿真实验结果表明,基于蚁群算法的Hopfiled神经网络用于多空间站访问问题,收敛速度要比Hopfield神经网络快,且比Hopfield神经网络易于跳出局部极点,该算法有利于解决多空间站路径规划问题。     

推广的Hopfield神经网络模型

本文推广了Ｈｏｐｆｉｅｌｄ神经网络模型，对能量公式中的函数只要求一阶偏导数存在 连续即可，这就扩展了神经网络方法在求解组合优化问题中的应用。     

基于Hopfield神经网络的图像矢量量化

矢量量化是图像压缩的重要方法。论文提出了基于Hopfield神经网络的图像矢量量化方法,该方法首先构造聚类表格;然后聚类表格按离散Hopfield神经网络串行方式运行;最后根据得到的最终码字集,对图像进行矢量量化。论文最后给出模拟实验和结果比较,结果表明该方法是有效的,生成的码本质量优于传统的LBG算法。     

基于Hopfield神经网络的数据分类

针对Hopfield神经网络的自联想特性,提出一种新的带有粒子群优化过程的Hopfield分类算法(PSO-HOP).该算法采用了Blatt-Vergin (BV)学习算法,一定程度上克服了传统Hopfield容量低的特点.与此同时,还提出了先测量后训练的方法来降低算法的复杂度,提高分类效率,并探讨了样本属性以及类标号在Hopfield神经网络的表示方法,使其能够很好地处理空缺值等噪声数据.通过采用离散型粒子群优化算法对Hopfield的拓扑结构进行优化,可以将多余的神经元分配给不同属性,使得属性在分类中的权重发生改变,从而提高分类精度,避免陷入局部最优值.从统计不同属性被分配神经元的次数中,可以反映出不同属性的重要程度.从大量实验结果可以看出,该算法具有较高的鲁棒性和分类准确度.     

进化策略求解Hopfield神经网络

提出了一种进化策略求解ＨＯｐｆｉｅｌｄ神经网络的方法。该进化策略分三个阶段,即第一阶段只在较小区间上求出局部优化解;然后,在此基础上,由第二阶段求出较大区间上的局部优化解;最后由第三阶段求出全局优化解。同时采用Ｈｏｐｆｉｅｌｄ神经网络动态方程指导第一阶段的局部进化策略的进化方向,因而大大加快了优化搜索速度。在分阶段的进化策略中,其第一阶段只需搜索较小区间、第二和第三阶段的搜索则建立在其前一阶段的基     

基于CS的Hopfield神经网络数字识别应用

介绍了布谷鸟搜索(cuckoo search, CS)和Hopfield神经网络的基本原理,研究了基于Hopfield神经网络的数字识别应用。针对Hopfield网络权值在数字识别时易陷入局部最优,提出将CS引入Hopfield神经网络的解决方法。利用CS对复杂、多峰、非线性极不可微函数的全局搜索能力,使Hopfield网络在较高噪信比的情况下仍保持较高的联想成功率,并进行了仿真。仿真结果表明,该方法识别数字的效果更佳。     

一类非对称Hopfield神经网络稳定性的敏感性研究

对一类非对称Hopfield神经网络在联接矩阵为非对称的前提下对矩阵特征值所在范围作了更精细的刻画;在有电容（C）扰动下利用矩阵特征理论给出了网络渐近稳定性的条件。     

Hopfield神经网络参数设置

以TSP问题入手,详细分析了Hopfield神经网络行为特征。采用了加强能量函数,比H-T模式更有效。从几何学角度分析了权值矩阵的特征值所对应的子空间,从而获得设置网络参数的标准。模拟结果显示,新的网络参数能保证网络收敛到有效解。     

离散Hopfield神经网络的稳定性分析

主要研究非对称离散Hopfield神经网络并行演化方式的动力学行为，同时给出了网络的一些新的稳定性条件，所获结果不仅推广了一些已有的结论，而且为该网络的应用提供了一定的理论基础。     

非对称型Hopfield神经网络的学习问题

联想记忆是人工神经元网络的重要功能之一,比讨ield网络是一种重要的应用于联想记忆型网络。为了实现记忆功能,我们总希望通过训练使徉本成为网络的稳定状态。然而汗bpfield网络利用决bb规则训练。     

求解非线性方程的一种改进Hopfield神经网络

本文提出一种改进的ＨｏｐｆｉｅＩｄ神经网络来求解非线性方程。文中给出了这种网络的结构，讨论了网络平衡点与非线性方程解之间的关系，证明了网络的稳定性。这种网络的结构较为简单，易于编程及硬件实现。