基于神经网络和遗传算法的优化设计方法

随着生产规模的复杂化，多维化和非线形等复杂特性，对高效的优化技术的要求也越迫切，利用并行遗传算法和Hopfield网络的优点，提出了采用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取，利用Hopfield网络简单、快速、规范的优点来优化样本空间，以取得整体的优化效率。     

Hopfield网的关联分析

关于Hopfield网的状态转移轨迹、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 的关联网络,分析了关联网络的性质,找出了具有关联关系的网络状态转移轨迹之间存在的关 联关系和规律.从而,如果已知了一个网络的状态转移轨迹,利用这一规律可以很容易地得出 与其相关联的网络的状态转移轨迹,并给出了它们的吸引子之间关系的结论,为Hopfield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,为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.     

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。     

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。     

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.     

触觉神经网络阵列

提出了用人工神经网络压力传感器阵列实现机器人手触觉功能的方法。对所设计的神经单元电路运用计算机模拟分析，结果表明，神经单元的特性符合稳定性的要求。以１１×１１ 四突触神经网络阵列与六突触神经网络阵列为例，分析其稳定性、联想性、鲁棒性，对其触觉信号的输入进行灰度图像处理。从中可以直观地看出，触觉神经网络阵列比非神经网络阵列具有更明显的柔性和灵活性，更近似于人手的触觉。     

时滞下忆阻突触耦合Hopfield神经网络的动力学行为分析

本文利用忆阻突触来模拟两个相邻神经元之间膜电位差引起的电磁感应电流,构造了一种时滞下四维忆阻Hopfield神经网络模型.同时研究了此系统的零平衡点稳定性以及失稳时发生Hopf分岔的条件,并分析了不同时滞以及加入固定时滞后不同忆阻耦合强度下系统动力学行为发生的变化.通过数值模拟揭示了丰富的动力学现象,如极限环、混沌吸引子等.