一个新的二进前向多层网学习算法及布尔函数优化实现

本文首先给出二进前向多层网几何学习算法的一个改进策略,提高了原算法的学习效率,然后同个新的神经网络启发式遗传几何学习算法。ＨＧＧＬ算法采用面向知识的交叉算子和变异算子对几何超平面进行优化的划分,同时确定隐层神经元的个数及连接权系数和阈值,对任意布尔函数,ＨＧＧＬ算法可获得迄今为止隐节点数量少的神经网络结构。     

基于前向多层神经网络的分组码译码器设计

把最大相关译码与神经网络神经元的内积特性及吸引域有机地联系起来,连接权决定译码码字,阈值设定决定神经元的纠错范围,从而形成一种可用于硬判决及软判决译码的神经译码器,并在理论上证明了此译码器可在ＤＭＣ信道的纠错能力范围内实现零错误概率硬判决译码,也可实现与最小欧几里德距离译码相当的软判决译码,并能在检错范围内检错。     

一种可用于非线性码译码神经网络模型研究

本文提出一种非线性码神经网络译码方案,在纠错能力范围内对满足码距特性的一般非线性码以零错误概率进行纠错译码,并在检错能力范围内检错。文中具体描述了神经网络模型构造、学习算法及其理论依据。最后通过非线性等重码的译码实例表明此方案的有效性及理论和应用价值。     

信息理论密码学的新进展及研究问题

本文用信息讼观点对信息理论密码学的新进展及若干未解决的研究问题作一综述，其中也包括作者的某些研究工作。内容包括近年来在Ｓｈａｎｎｏｎ的密码系统和若干不同于Ｓｈａｎｎｏｎ模型的新密码系统方面基于信息论的研究结果和公开问题以及信息理论密码学今后发展的展望。     

多值多门限神经元函数的相关性和频谱分析

为衡量单个多值多门限神经元的计算能力,引入了与多值多门限神经元函数有关的2个代数几何概念:相关性和扩展频谱.利用相关性,给出对于一组固定的输入函数,不同输出函数个数的上限.利用扩展频谱,给出为了使得神经元能够计算任意输出函数,所需输入函数个数的下限.这2个界限,给出了单个多值多门限神经元的计算能力.同时,输入函数个数的下限,给出了当用多值多门限神经元组成的三层前馈神经网络实现任意多值函数时,网络复杂度的下限.     

一种新的阈函数的分析框架及有关结论

引入加权Ｈａｍｍｉｎｇ距离球（ＷＨＤＳ）分析阈函数。首先提出并证明加权Ｈａｍｍｉｎｇ球与阈函数完全等价,然后以有向图的形式表示加权Ｈａｍｍｉｎｇ距离球并给出几个重要性质。最后由加权Ｈａｍｍｉｎｇ距离球的分析得到几个阈函数判别及构造的几个结构。     

强不可分有限状态信道的α阶容量

本文定义了有限状态信道的α阶(α>0)上容量和下容量。证明了当信道为强不可分时,这两种容量相等,称为强不可分有限状态信道的α阶容量,记作C_α。还证明了α阶容量是α的非减连续函数。应用以上结果,可将强不可分有限状态信道的错误概率界用α阶容量表示出来,并很容易地得到正和强反编码定理。     

一个基于随机神经网络的信息传输系统模型及其实现

提出了一个基于随机三层前向网络的信息传输系统（ITS）模型。在此系统框架下，把编码、信道与译码统一考虑，设计系统完成信息的智能传输。与传统的编译码相比，该模型具有很大的通用情形与自适应性。通过把BP算法引入随机神经元的学习，从而推出信息传输系统的学习算法（ITBP）。对于二进对称信道传输仿真结果表明了此模型的有效性及特点。     

神经网络与最小加权距离译码

本文旨在研究神经网络在最小加权距离译码中的应用.首先以逐步推广的方式介绍了若干神经网络模型及其收敛性质,然后研究了最小加权距离译码的性质与应用,最后证明求任一能量函数的最小值点问题等价于某一(n,k)线性码的最小加权距离译码问题,并提出用波尔兹曼机的退火法来作最小加权距离译码.     

二进神经网络学习算法研究

把二进神经网络对布尔函数映射的学习归结为神经元对学习样本集合的表达。通过对神经元表达能力的分析研究,引入加权距离汉明球的概念,既提高了学习效率也简化了布尔函数实现结构。同时把汉明球及立方体集合覆盖思想等统一在加权汉明距离球覆盖的框架下,另外,还得到旨在提高输出层神经元表达能力的新结果,最后举例说明了此学习策略的可行性与特点,经学习得到的二进神经网络的权系数及阈值皆为整数,易于硬件实现。