一种并行模糊神经网络最短路径算法

给出了模糊网络期望最短路径问题的定义,提出一种并行模糊神经网络最短路径(PFNNSP)算法解决模糊网络最短路径问题。PFNNSP算法通过模糊模拟对网络中的边权进行估计,脉冲波在神经元之间的并行传播,相互激活搜寻任意一对节点之间的最短路径,算法回溯输出路径表示和路径长度。在随机生成的小规模数据集上的仿真实验表明,PFNNSP算法在边权服从三角模糊分布的网络中执行时间优于Dijkstra算法,在大规模路网信息数据集上的仿真实验表明,PFNNSP算法能够有效求解网络中的最短路径,并且算法在迭代次数和收敛速度上要优于Dijkstra算法和A*搜索算法。

利用离散霍普菲尔德神经网络解决基于"繁华度"的网点设计(英文)

针对2008年奥运会实际情况进行预测,首先从三次的调查结果中寻找规律,运用动态规划,逐步搜索最终得到最短路径,并求出各个商区的人流量。综合了人流量及该人流量的平均购买力来定义一个新的量:"繁华度",从而求出分配给各个商区的销售额。利用对商圈的研究的结论,得到用最少的商店满足最大人流需求的方案,根据克里斯塔勒的"中心地理论"和各个商区的人均消费水平,运用神经网络迭代并行处理优化;进一步求解,得到经过修正的大小规模商店个数,从而使结果更能符合实际预测2008年的情况。设计计算机仿真模拟算法,证明采用繁华度比例来分配商区规模是合理的。

基于简化DPCNN的最短路径算法

传统求解最短路径（SP）问题的方法一般有组合技术与代数方法2大类，但算法复杂度的指数上界为2．376，不能实时对大规模SP问题进行求解。文中提出1种简化的时延脉冲耦合神经网络（SDPCNN）模型，可1次求解源点到其他所有点的最短路径，算法时间复杂度仅有O（n）．实验证实了这一模型的有效性，且计算时间仅为未简化模型的5％～10％。

基于PCNN和FCM的钢带表面缺陷检测

针对目前还没有较好的方法正确的检测金属钢带表面缺陷,提出一种结合耦合神经网络(PCNN)和模糊C-均值(FCM)的钢带表面缺陷检测算法,首先通过有效性指数求得聚类中心,其次用PCNN最短路径法确定目标函数极小值,最后通过改进的FCM分割目标。通过对比实验表明,该算法能够快速的分割出缺陷目标,正确率在95%以上。