用Hopfield-型神经网络解四色猜想问题

本文综合讨论了Ｈｏｐｆｉｅｌｄ－型神经网络的迭代算法，使其能保证能量函数单调下降；指出了文［１２］中的错误，并给出了原因；解决了用离散Ｈｏｐｆｉｅｌｄ－型二元神经网络不能求解带有负反馈的问题的难题，大大改进了文［１２］中的算法，能够成功地对任意多个国家的地图用四种颜色着色（使得任意相邻的两个国家着不同的颜色），并可对任意ｋ－可着色问题进行求解．

利用人工神经网络系统建立储层四维地质模型

论述了用人工神经网络系统建立储层四维地质模型的原理和方法。具体步骤包括子模型的建立、子模型预测结果的合成、储层参数MIMO预测模型的建立、数据体的准备、输入信号的选取、模型结构与检验及模型的工作方式等。人工神经网络用于地质建模时 ,它可以把时间作为一个输入变量 ,可以较好地描述、研究储层参数在四维空间的特征和空间展布 。

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。

Hopfield神经网络和AES结合的超混沌图像加密算法

针对近几年人工神经网络在图像加密领域的应用进行了研究,提出了一种新的四维Hopfield神经网络和AES(高级加密标准)加密算法相结合的超混沌图像加密算法。该方法首先定义了四个数和提取一个明文像素值的平均值作为密钥,通过Hopfield神经网络生成的超混沌序列作为AES加密算法的目标密钥;然后,将明文与目标密钥进行异或处理;最后,将目标密钥代入算法进行三重AES加密算法进行加密得到密文。通过仿真实验表明,该算法能够很好地结合两种算法的优点,达到非常好的加密效果。

基于改进Hopfield神经网络的自适应二维噪声对消器

提出了基于连续型Hopfield神经网络(CHNN)的自适应二维噪声对消器,讨论了神经网络的结构和原理及相应的自适应滤波算法,并从理论上进行了论证。仿真结果表明相对于采用最小均方算法的二维线性噪声对消器,CHNN噪声对消器能更有效实现二维噪声的消除,保持原信号的完整性,获得较好的去噪声效果。

电磁场数值分析中的人工神经网络方法——利用Hopfield网络求解二维静电场问题

:本文在变分原理基础上 ,从优化角度出发 ,提出了利用 Hopfield神经网络模型求解椭圆边值问题的方法。该方法实质上是将一组线性代数方程转化成一组微分方程求解 ,从而计算过程中内存占用减少。本文从理论上说明了这种方法的正确性 。

麻雀算法改进BP神经网络的4D航迹预测

提出基于麻雀算法(sparrow search algorithm,SSA)优化BP(back propagation)神经网络的改进算法(SSA-BP)进行4D航迹预测,在一定程度上改进了单靠神经网络预测航迹的精度。首先利用麻雀算法计算寻找全局最优解,提高初始解质量,增强算法的全局搜索能力。其次,将最优解作为BP神经网络输入层,进行权值和阈值更新,优化了BP网络神经的自学习和自适应能力。通过ADS-B(automatic dependent surveillance-broadcast)数据插值后形成航空器4D航迹并作为麻雀算法输入变量进行SSA-BP模型的4D航迹预测。最后将SSA-BP算法模型、单纯BP网络模型的预测结果与航空器真实航迹进行比较。实验得出,在规定时间序列内,SSA-BP算法模型的经度、纬度和高度的三种误差比单纯BP神经网络模型更小,能够实现高精度的4D航迹预测。

结合神经网络和投影波形的二维条码识别方法

本文提出了一种处理矩阵式二维条码图像的新方法。首先对扫描到的图像进行除噪、滤波,然后根据投影波形旋转图像,采用折半查找法确定旋转角度,最后用Hopfield神经网络识别条码的各个矩阵点。实验证明,这种方法可以有效快速的实现二维条码图像的识别。

一维温度场的神经网络实现方法

直接从汽轮机转子的一维热传导方程出发,研究了汽轮机转子径向上的危险截面的一维温度场与Hopfield神经网络的相似机理,提出了应用连续Hopfield神经网络实现转子一维温度场的实时监测方法。通过仿真可以看出,此种方法测量速度快,测量精度高,转子热时间常数与Hopfield神经网络的电时间常数近似相等,Hopfield神经网络模拟测量结果与转子的温度变化规律较一致。

基于神经网络的游梁式抽油机四连杆机构的优化设计

简单介绍了用Hopfield神经网络优化的原理,通过对游梁式抽油机性能、结构的分析,提出以悬点最大加速度作为目标函数的基于Hopfield神经网络的优化设计方法,给出优化设计数学模型及优化前后CYJY12-4.2-73型抽油机的性能参数对比,该法提高了抽油机的性能。

“神经网络”优化模型在“课程思政”教育背景下对应用型人才培养的导向作用

将应用性人才培养的过程抽象为一个非线性的数学问题,针对这一问题结合“神经网络”优化算法建立应用型人才培养的优化模式,对这一优化模型的具体实践过程做了详细阐述,统计相应的数据,验证“神经网络”优化模型在应用型人才培养模式中的可行性,并得出相关结论。

基于长短期记忆神经网络的航迹预测研究

随着世界民航业的发展,繁忙机场的终端区交通愈发拥挤,影响航班正常的起飞和降落,随之带来了许多空域拥挤导致的航班延误问题。对此,欧美等航空发达国家提出了基于航迹运行(trajectorybased operation,TBO)的运行模式,在此模式下可以实现大流量,小间隔,高密度的空域管理。TBO运行模式的核心是航迹预测规划,对航迹预测规划展开深入研究对于空管手段的更新发展很有必要。本文采用基于深度学习神经网络的四维航迹预测方法,通过对ADS-B数据的分析挖掘,实现对航迹的精准预测。结果表明:本文所建立的模型能够较准确地对航迹进行预测规划,可为未来航迹运行模式的发展提供有效帮助。

一种混沌Hopfield网络及其在二维自适应系统辨识中的应用

在对传统的混沌神经网络模型深入研究的基础上,构造了一种具有暂态混沌动力学特性的Hopfield神经网络模型。在Hopfield神经网络中引入混沌机制,使网络逐渐由混沌神经网络向Hopfield网络过渡,达到混沌控制的目的。网络利用了混沌搜索的随机性和轨道遍历性,因而具有较强的全局寻优能力。将其应用于二维自适应系统辨识中,仿真结果表明,该神经网络的寻优和逼近能力较强,辨识曲线与未知系统曲线非常接近。

储层四维建模方法研究

传统的建模方法包括确定性建模和随机建模,但它们不能实现储层参数在时间维的预测。建立储层参数的四维模型能够揭示储层参数在四维空间的分布和演化规律,对剩余油的进一步挖潜具有重要的理论和现实意义。在充分吸取已有2种储层四维建模方法优点的基础上,提出了一种建立储层四维模型的新方法:首先结合实验分析、生产动态等资料,来求取历史储层参数;接着利用人工神经网络方法,对历史储层参数进行学习与训练,总结出各井点储层参数随时间的演变规律,进而对未来的井点储层参数做出预测;然后建立起构造模型,应用随机模拟或克里金插值方法来预测井间的储层参数;最后应用三维数据场可视化技术,对各个开发时期的储层参数进行显示。通过该方法建立起江苏油田庄2断块E1f1-1小层含油饱和度的四维模型,结合生产动态数据分析,发现所建的四维模型较准确的反映了E1f11-1小层含油饱和度在三维空间的分布和演化规律。

一个新型四维混沌系统的构造与应用

本文构建了一个新型的四维混沌系统,并利用混沌和密码学的对应关系将其应用到彩色图像加密领域。首先分析了新系统的动力学特征:检验是否存在混沌吸引子,计算平衡点及Lyapunov指数,观察初值敏感性以及混沌信号的随机特性。并将新系统与超混沌Chen系统进行了比较,以验证新系统混沌特性的优劣。然后将新系统应用到基于Hopfield网络的单像素加密算法中,并进行了仿真。仿真结果表明,新系统具有很好的混沌特性,产生的序列也具有很高的随机性,适用于图像加密领域;该单像素加密算法可有效抵抗差分攻击,剪切和噪声干扰。

基于离散Hopfield模式识别样本的GRNN非线性组合短期风速预测模型

利用实时风速数据,建立基于离散Hopfield模式识别样本的广义回归神经网络(GRNN)非线性组合预测模型。在风速数据样本集经二维小波阈值去噪处理后,基于离散Hopfield识别历史数据中与待预测样本最相似的数据,并作为训练样本;将支持向量机、BP神经网络和Elman神经网络分别进行单项预测的结果作为输入向量,经GRNN进行非线性组合预测。采用某风电场的实际风速数据进行预测,结果验证了该预测模型的正确性和有效性。

基于对偶四元数的单目视觉目标位姿测量

目的在机器人视觉应用领域中,为控制机器人能够完成焊接、搬运、跟踪等任务,需要确定摄像机与目标之间的相对位姿关系,提出一种目标位姿测量方法。方法利用单摄像机获取目标特征,坐标变换参数表示为对偶四元数的形式,同时计算旋转矩阵和平移向量,构建位置向量和方向向量的测量值与模型值之间的误差方程,利用Hopfield神经网络实现拉格朗日乘子法,求解目标位姿最优解。结果利用Matlab软件平台,选择SVD,DQ以及文中算法进行比较,仿真实验结果表明,基于Hopfield神经网络和对偶四元数的位姿测量算法计算出的位姿参数误差最小。随着测量点数量的增大,文中提出的算法精度更高。结论对偶四元数同时求解位姿变换矩阵的旋转分量和平移分量,可消除计算误差,基于Hopfield神经网络和拉格朗日乘子法,可快速准确地计算,并收敛至目标位姿最优解。

神经网络用于四信地震油藏监测

本文提出了一种基于神经网络方法、利用地震时间延迟分析建立岩石物性模型的途径。目的是找出压力、饱和度地震速度之间的最佳关系。这样的一种关系在地震信号时移解释中，特别是在油藏的参数反演和正演模型中很重要。该方法建立了一个在地震资料基础上研究油藏性质的机会。更为精细的地震信号时延解释对掌握岩石物性和地震特性之间的关系有极大帮助。

基于联合特征参数和一维CNN的MIMO-OFDM系统调制识别算法

针对当前非协作通信中多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing,MIMO-OFDM)系统子载波的调制识别问题,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)的调制识别方法。首先,利用特征矩阵的联合近似对角化(joint approximate diagonalization of eigenvalue matrix,JADE)算法从接收端的混合信号中恢复发送信号;然后,提取恢复信号的循环谱切片和四次方谱作为浅层特征;最后,利用1D-CNN对特征进行训练,使用测试样本对所提出的调制识别方法进行仿真验证。仿真结果表明,所提方法对MIMO-OFDM系统中的5种信号可以进行有效识别,在信噪比为10 dB时的识别精度即可达到100%。

深度神经网络在四维变分同化中的应用

四维变分同化是修正初值或模式误差的有力工具,研究如何高效求解四维变分同化中的最优控制问题对数值天气预报有着重要的意义.文章针对两类最优控制问题分别构造了模型驱动的损失函数,并采用深度神经网络方法学习得到最优控制.该方法不仅消除了数据导向的神经网络方法需要大量训练数据的弊端,且相比于经典方法,如差分法结合共轭梯度法等,文章方法易于实现,且无需求解伴随问题。数值实验部分以Burgers方程为例展示了算法的计算效果.