Global dynamics for non-autonomous reaction-diffusion neural networks with time-varying delays

In this paper, a class of non-autonomous reaction-diffusion neural networks with time-varying delays is considered. Novel methods to study the global dynamical behavior of these systems are proposed. Employing the properties of diffusion operator and the method of delayed inequalities analysis, we investigate global exponential stability, positive invariant sets and global attracting sets of the neural networks under consideration. Furthermore, conditions sufficient for the existence and uniqueness of periodic attractors for periodic neural networks are derived and the existence range of the attractors is estimated. Finally two examples are given to demonstrate the effectiveness of these results.     

Intelligent adaptive control for MIMO uncertain nonlinear systems

This paper investigates an intelligent adaptive control system for multiple-input–multiple-output (MIMO) uncertain nonlinear systems. This control system is comprised of a recurrent-cerebellar-model-articulation-controller (RCMAC) and an auxiliary compensation controller. RCMAC is utilized to approximate a perfect controller, and the parameters of RCMAC are on-line tuned by the derived adaptive laws based on a Lyapunov function. The auxiliary compensation controller is designed to suppress the influence of residual approximation error between the perfect controller and RCMAC. Finally, two MIMO uncertain nonlinear systems, a mass–spring–damper mechanical system and a Chua’s chaotic circuit, are performed to verify the effectiveness of the proposed control scheme. The simulation results confirm that the proposed intelligent adaptive control system can achieve favorable tracking performance with desired robustness.     

暂态混沌神经网络在蛋白质关联图预测中应用研究

蛋白质结构预测是生物信息学的一个主要研究方向,而蛋白质关联图预测是其中的一个重要内容.针对蛋白质关联图预测问题,提出一种暂态混沌神经网络实现方法,所提出的方法具有暂态混沌特性和平稳收敛特性,能有效避免传统Hopfield 神经网络极易陷入局部极值的缺陷.它通过短暂的倒分叉过程,能很快进入稳定收敛状态.仿真结果表明:暂态混沌神经网络解决蛋白质关联图预测问题时,总能收敛到全局最优或几乎接近全局最优,同时具有更高的搜索效率.这种方法预测精度达到0.27,比随机预测器高9倍.     

双曲极限圆映射广义M集

Chung K.W.等人利用双曲对称群的生成元构造出了具有[p,q] 对称的双曲极限圆迭代映射. 为了进一步研究这个迭代映射,本文构造出它的参数空间的广义M集.提出一个实用、简便的搜索参数组合的方法,解决了在选择构造广义M集的参数断面时的盲目性问题. 按照排列组合方法,将所有参数两两组合,在计算机屏幕上按序构造出所有参数断面的粗略的广义M集块. 从这样的组合图上挑选出对[p,q] 双曲极限圆动力系统影响较大的参数组合,并进一步在这样的参数组合下构造出广义M集.从这种广义M集的不同参数区域挑选参数,成功地构造出了混沌吸引子、充满Julia集形式的双曲极限圆图案,成功地构造出了用同一组参数构造既有混沌吸引子又有充满Julia 集的混合形式的双曲极限圆图案.     

基于混沌序列的自适应粒子群优化算法

提出一种改进粒子群局部搜索能力的自适应优化算法。通过大量仿真试验,考察粒子平均速度和收敛性之间的关系,给出一种新的自适应调整权重策略。以粒子平均速度作为反馈信息,动态调整权重因子,控制粒子速度并使其沿理想速度曲线下降。在搜索过程中引入混沌序列以改进算法的局部搜索能力。对经典函数的测试结果表明,改进的混合算法通过微粒自适应更新机制确保了全局搜索性能和局部搜索性能的动态平衡,在稳定性和精度上均优于普通PSO算法。     

基于混沌粒子群算法和Hopfield网络求解TSP问题

针对Hopfield网络求解TSP问题经常出现局部最优解,该文将混沌粒子群算法(PSO)与之结合,提出一种基于混沌粒子群的Hopfield神经网络方法。通过实验将其与文献[5,8]以及"PSO+HNN"策略比较,验证了该文算法不仅能够以更大概率收敛到全局最优,而且耗时更少。     

一种伪随机性较好的二值混沌序列生成算法

利用Logistic混沌系统生成混沌序列,给出一种二值序列的生成方法,然后对其性能进行了分析,并和其他方法进行了比较。实验表明这种方法生成的二值序列具有很好的伪随机性以及相关性。把这种方法产生的二值序列用在图像加密中,得到了较好的结果。     

基于复合混沌动力系统的图像加密算法设计

本文通过对部分数字化混沌图像加密算法的分析研究,设计了一个基于复合离散混沌动力系统的对称图像加密算法。该对称图像加密算法充分利用混沌变化的特性,以Logistic映射和Chebyshev映射生成的混沌序列为初始序列,结合对图像的切割、拉伸、折叠变换,充分打乱图像像素间的相关性,使得针对这两个混沌映射的现有分析方法不再有效,并且可以实现较高的加密速度。实验结果证明了算法的有效性和计算速度。     

基于混沌差分进化FCM算法的舵回路故障诊断

为了提高故障分类的准确性,提出了一种混沌差分进化模糊C-均值故障识别方法(CDEFCM,chaotic differential evolution fuzzy C-mean).该方法利用差分进化算法高效的全局搜索能力以及混沌序列的均匀遍历特性,克服了模糊C-均值算法(FCM,fuzzy C-mean)对初始值敏感的缺点及遗传算法易收敛到局部极值点的缺陷,用该方法进行故障聚类分析,可以准确地识别故障.以某飞控系统舵回路常见故障为例进行了仿真验证,结果表明该方法能有效地识别出故障.     

一种改进的基于时空混沌系统的Hash函数构造方法

首先介绍了一种以时空混沌为基础的构造Hash函数的典型方案,并分析了它的不足和安全性问题.在此基础上提出了一种改进的Hash函数构造方法.理论和仿真实验分析表明,该算法具有更好的统计特性和更高的效率,有效地弥补了原算法中存在的碰撞漏洞.