基于一类T-模的模糊Hopfield网络的稳定性分析

本文建立了基于一类T-模的一种动态模糊神经网络-(∨,T)Hopfield网.文章首先证明了系统本身的稳定性及系统平衡态的Lyapunov稳定性,然后建立了吸引子的一个非平凡吸引域,使系统具有良好的容错性.最后,通过例子验证了得到的结论.     

On-line emission and economic load dispatch using adaptive Hopfield neural network

This paper presents an adaptive Hopfield neural network (AHNN) based methodology, where the slope of the activation function is adjusted, for finding approximate Pareto solutions for the multi-objective optimization problem of emission and economic load dispatch (EELD). We have placed emphasis on finding solutions quickly, rather than the global Pareto solutions, so that our algorithm can be employed in large on-line power systems where variations in load are quite frequent. To enable faster convergence, adaptive learning rates have been developed by using energy function and applied to the slope adjustment method. The proposed algorithm has been tested on selected IEEE bus benchmark systems. The convergence of AHNN is found to be nearly 50% faster than the non-adaptive version.     

IPA模型对Hopfield模型神经网络的改进

考虑Ｈｏｐｆｉｅｌｄ模型中假态之间的布尔逻辑关系，提出利用ＩＰＡ模型对神经网络中的假态进行抑制，并和原网络的性能进行了比较，结果表明：改进后的网络性能比Ｈｏｐｆｉｅｌｄ模型和ＩＰＡ模型均有较大提高。     

Improving Neural Networks for Mechanism Kinematic Chain Isomorphism Identification

Detection of isomorphism among kinematic chains is essential in mechanical design, but difficult and computationally expensive. It has been shown that both traditional methods and previously presented neural networks still have a lot to be desired in aspects such as simplifying procedure of identification and adapting automatic computation. Therefore, a new algorithm based on a competitive Hopfield network is developed for automatic computation in the kinematic chain isomorphism problem. The neural approach provides directly interpretable solutions and does not demand tuning of parameters. We have tested the algorithm by solving problems reported in the recent mechanical literature. Simulation results show the effectiveness of the network that rapidly identifies isomorphic kinematic chains.     

基于免疫算法的Hopfield神经网络多用户检测器

提出的基于免疫算法的Hopfield神经网络多用户检测器，将扰乱的Hopfield神经网络多用户检测器的输出作为免疫算法的初始种群，利用了免疫算法的全局收敛的特点，从而克服了Hopfield易收敛到局部能量最小点的缺点。理论分析和仿真结果表明：该检测器具有良好的抗多址干扰和抗远近效应的能力。     

人工神经网络A／D变换器

本文对［５］的４位人工神经网络Ａ／Ｄ变换器进行了研究．指出按其方法推广实现多位Ａ／Ｄ时存在突触电阻大小以至无法实现且抗干扰能力也不好的问题并给出了解决办法．同时对如何改善神经元转移特性的硬限幅曲线作了简单讨论．     

基于神经网络的电子地图最优路径研究

现阶段电子地图的应用已经深入到各行各业,最优路径的查找及规划作为GIS的一个关键问题,成为研究的一个难点,本文提出一种基于Hopfield神经网络的方法来解决地图最优路径问题。以物流配送中的车辆路径最优化为例,先根据Hopfield神经网络模型研究基于Hopfield的最优路径算法,然后探讨和验证该算法的可行性、实用性,最后通过算例分析对该方法进行验证。     

一种改进型离散Hopfield学习算法

针对离散Hopfield 神经网络(DHNN) 的权值设计问题, 提出一种改进型学习算法, 并在DHNN动力学分析的基础上设计该学习算法. 利用矩阵分解的方法(MD) 得到正交矩阵, 并采用得到的正交矩阵直接计算DHNN的权值矩阵. 通过该学习算法得到的权值矩阵, 可以很好地存储训练样本的信息, 使测试样本收敛到稳定点. 该学习算法不需要进行分块计算, 减少了计算步骤和计算量, 降低了网络的迭代次数, 从而提高了网络运行速度. 最后, 将该学习算法应用于水质评价, 验证了其有效性和可行性.     

基于Max-T模糊Hopfield网络的车型识别

在许多模式识别采样的过程中,由于环境噪声和设备误差,往往导致采集的数据与真实值有一定偏差,这种偏差会影响识别的效果。本文采用Max-T FHNN模型,提出一种应用于智能化交通管理的车型识别方法。并用实验证实相对于其他车型识别方法,该方法在待测样本含有噪声的情况下能得到更好的识别率。     

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。