串扰忆阻突触异质离散神经网络的共存放电与同步行为

突触串扰由相邻突触间神经递质的溢出引起,对神经系统的放电特性及信号传输有着深远影响.利用两个忆阻器模拟生物神经突触,双向耦合Chialvo离散神经元和Rulkov离散神经元,并考虑耦合状态下突触间的串扰行为,构建一类忆阻突触耦合异质离散神经网络.研究分析表明,神经网络不动点的数量及稳定性依赖于突触串扰强度.同时,通过分析分岔图、相图、李雅普诺夫指数谱和时序图等发现,随着突触串扰强度的变化,神经网络表现出不同的共存放电行为.此外,基于神经元放电序列的相位差及同步因子,研究了不同耦合强度及不同系统初始条件和参数情形下,突触串扰强度对神经网络同步行为的影响.

基于神经算子与类物理信息神经网络智能求解新进展

深度学习通过多层神经网络对数据进行学习,不仅能揭示潜藏信息,还能很好地解决复杂非线性问题.偏微分方程(PDE)是描述自然界中许多物理现象的基本数学模型.两者的碰撞与融合,产生了基于深度学习的PDE智能求解方法,它具有高效、灵活和通用等优点.文章聚焦PDE智能求解方法,以是否求解单一问题为判定依据,把求解方法分为两类:神经算子方法和类物理信息神经网络(PINN)方法,其中神经算子方法用于求解一类具有相同数学特征的PDE问题,类PINN方法用于求解单一问题.对于神经算子方法,从数据驱动和物理约束两个方面展开介绍,分析研究现状并指出现有方法的不足.对于类PINN方法,首先介绍了基础PINN的3种改进方法 (基于数据优化、基于模型优化和基于领域知识优化),然后详细介绍了基于物理驱动的两类解决方案:基于传统PDE离散方程的智能求解方案和无网格的非离散求解方案.最后总结技术路线,探讨现有研究存在的不足,给出可行的研究方案.最后,简要介绍智能求解程序发展现状,并对未来研究方向给出建议.

离散Hopfield神经网络在职业院校学生综合素养评价中的应用研究

为克服教育评估中人为因素的干扰,提高评估的准确性和效率,该文探索将离散Hopfield神经网络应用到职业院校学生综合素养的评价中。Matlab仿真发现,通过设置合适的神经元平衡点,离散Hopfield神经网络可根据输入的指标数据对学生的职业综合素养给出有效的评估,评估结果与专家评估的结果完全一致。

基于离散剪切波与优化深度卷积神经网络的图像降噪方法

海洋试验图像通常受到海洋气象条件、海水光照折射和海洋深度等因素的影响,导致在海洋中采集的图像包含严重的噪声。为了提高海洋试验图像的清晰度和降噪性,提出一种基于离散剪切波与优化深度卷积神经网络相结合的海洋试验图像降噪方法。采用离散剪切波变换分解海洋试验图像,能有效从图像中提取不同方向和频率的特征。利用优化深度卷积神经网络强大的图像特征提取能力,经网络模型训练后,能获取图像中的关键特征,达到降噪的目的。在验证实验中,所提方法与传统图像降噪方法相比,能有效保留图像的纹理和细节特性,获得了较好的降噪效果,有助于提高海洋试验图像的清晰度和降噪性。

基于混沌系统和离散小波变换的卷积神经网络的电力电缆故障诊断

针对传统电力电缆特征提取方法存在信息冗余及故障模型诊断不精准的问题,提出了一种基于混沌系统和离散小波变换的卷积神经网络的故障诊断算法,即采用离散小波变换对采集的局部放电信号进行滤波,采用洛伦兹混沌系统建立动态误差散布图以提取故障特征,最后通过卷积神经网络(CNN)进行故障识别。结合4种典型电力电缆绝缘故障及测试平台进行验证,结果表明,所提算法能够快速准确地识别电力电缆的故障状态,识别准确率达到97.5%,证明了所提算法的可行性和有效性,其能够为电力电缆的故障诊断提供一定的参考价值。

离散Hopfield神经网络的稳定性研究

推广了前人关于离散Ｈｏｐｆｉｅｌｄ 神经网络的稳定性定理及周期为２ 极限环的存在定理，并从理论上给出了新的严格的证明．进一步，提出了关于部分变元稳定和部分变元为极限环的新概念，并给出了判别定理．最后给出了几个有趣的例子，揭示这类网络渐近行为的复杂性．

基于离散Hopfield神经网络的盲信号均衡新算法

针对许多现有的盲均衡算法对发送信号,均衡器,信道等都有不同的要求,本文在利用接收数据正交补投影和发送信号属于有限字符集的先验知识之上,构造出直接待恢复盲信号的二次规划问题,推出了一种基于离散Hopfield神经网络直接盲信号均衡的新方法,该算法有效地克服了上述问题,在SIMO(单输入多输出)信道上的仿真结果表明:该算法收敛速度快,性能好。

离散Hopfield神经网络的稳定性研究

离散Hopfield神经网络的稳定性是网络应用的基础 .文中主要研究非对称离散Hopfield神经网络的异步、同步、部分同步演化方式的稳定性 ,并给出了一些新的稳定性条件 ,所获结果推广了一些已有的结论 .

船舶航向离散非线性系统自适应神经网络控制

针对考虑舵机特性的船舶航向离散非线性控制系统,提出了一种基于神经网络的自适应控制设计方法。为了消除离散系统后推设计中存在"因果矛盾"的问题,原船舶航向离散系统通过变换得到等价的能够预测变量的前向预测系统。通过使用单一神经网络逼近系统的所有未知部分,该控制设计方法可以有效地减轻控制系统存在的"计算量膨胀"问题,并具有控制器结构简单,控制参数少,易于工程实现等优点。同时,稳定性分析证明闭环系统的所有信号一致最终有界,并能使得航向跟踪误差任意小。最后,运用"育鲲"轮进行仿真研究以证明所提方法的有效性。

基于EDEM与BP神经网络的平-摆筛参数化研究

为直观分析振动参数与料体分层效果复杂映射关系及筛分过程物料松散规律,以便振动筛参数化研究的开展。首先以振动筛简化后三维模型导入EDEM软件,利用正交试验法进行设计,并将试验方案中对应筛机参数分别导入EDEM中。基于平动与摆动双运行模式振动筛,提出以分层沉降比的定义对料体分层效果进行表征,以离散元软件分析振动筛的振幅、振动频率、振动方向角和摆动频率四个参数对分层效果的影响,将获得的仿真数据导入BP神经网络进行深度学习。采用集成学习的训练集对训练好的模型进行筛机参数影响权重的分析,得出振动频率、振动幅度,振动方向角和摆动频率和对分层效果有较大影响,故以这四种参数组合表征振动筛运行状态,对不同参数组合对应筛分效率进行分析。振动频率与振动幅度增加,可以增大筛面的振动强度,不仅加速物料松散速率,优化物料的分层效果,又可以改善物料的堵筛情况,但振动强度过大时,物料跃迁时间过长,使得物料与筛面接触时间变短,分层效果下降;随着振动方向角的增加可以加速物料的铺展速率,但角度过大时,会降低物料与筛面的碰撞概率,弱化物料的分层效果,从而影响筛分效果。当振幅为3.6mm、振频为18.3Hz、振动方向角为39.1°、摆动频率为13.8Hz时,振动筛的分层沉降比为0.77,分层效果最优,此时的分层构型最便于筛分的进行,此研究对平动与摆动双运行模式的振动筛优化设计具有一定指导意义。

用于暂态稳定评估的人工神经网络输入特征离散化方法

针对基于人工神经网络的暂态稳定评估数据预处理中的数据离散化进行了深入的研究,提出了一种基于信息熵和粗糙集理论的输入特征离散化新方法:通过对样本空间的聚类分析筛选出各条件属性在离散化过程中的可用断点;利用信息熵的相关概念,构建各条件属性的候选断点集;采用粗糙集理论中决策表不相容度的概念,检测出各条件属性间的最优断点组合。算例表明:该方法在保证暂态稳定评估精度的前提下,能有效地压缩训练样本集,减轻神经网络的训练负担,为基于神经网络的大系统暂态稳定评估提供了新思路。

利用离散正交多项式组合神经网络建立聚合物分子量分布灰箱模型

聚合物分子量分布(MWD)是反映产品性能最重要的指标之一,它是典型的二元建模对象,采用组合神经网络对MWD的空间和时间变量进行分解建模。首先利用离散正交多项式神经网络在链长空间上建立分布与链长的模型,然后将MWD与时间变量的关系转换为网络权向量与输入变量之间的函数,利用递归神经网络建立两者之间的模型,最后组合两个网络达到建模目标。分布函数的模型表达式可写成状态方程形式,为进一步设计控制策略提供了基础。在链长空间上建立模型时,实现了神经网络的权向量与MWD相应阶次矩值之间的等价关系,网络权向量由单纯的拟合数据转变为有意义的物理量,实现了神经网络模型的灰箱化,为精确预测网络隐层节点数问题提供了解决途径。提出的方法应用于实验室规模的苯乙烯聚合过程,证明了建模方法的可行性,同时网络权值与矩值的等价关系也得到验证。

基于离散Hopfield神经网络的公交调度评价方法研究

根据公交调度评价问题的特点,提出了基于离散Hopfield神经网络的评价方法.在构造Hopfield神经网络时,从公交系统运行效率,衔接的顺畅性,运力协调性,企业经济利润率等四个主要内容出发,选取有效时间利用率、平均换乘次数、运能匹配度和运营利润率四个可量化且彼此相互独立的指标,作为公交调度优化结果的评价指标.并用matlab对Hopfield网络进行设计仿真,使其可以更加合理和方便地对公交调度结果进行评价,从而具有更广泛的工程应用面.最后通过实例计算验证并将计算结果与传统的德尔菲法进行比较.结果表明,该方法合理有效,且相对于传统的方法操作简单、易推广,具有一定的优越性.

用神经网络进行非线性离散动态系统辨识的可行性

本文通过证明由神经网络组成的动态系统具有可以逼近满足一定条件的非线性离散动态系统到任意精度的能力，以及讨论将其作为辨识模型对非线性离散动态系统进行实时辨识时系统的稳定性，对用神经网络进行非线性离激动态系统辨识的可行性进行了探讨。

基于主成分分析的离散过程神经网络水淹层动态预测方法

提出了一种利用主成分分析和离散过程神经网络进行水淹层动态预测的方法,对测井曲线信息随油层厚度变化的离散数据进行主成分分析,减少了离散过程神经网络模型的输入参数,排除了各参数之间的相关性。引入了反映深度变化累积效应的输入参数——测井参数曲线层段的不同油层厚度。据此建立的识别模型能够反映出随含水率的上升、深度不同时测井曲线的变化规律。实例研究表明,提出的方法与BP神经网络识别方法、支持向量机方法相比较具有更快的运算速度和更高的识别精度,能够体现出高含水期水淹层的动态变化特征。

基于神经网络离散混合蛙跳算法的多用户检测

为进一步提高基于离散混合蛙跳算法(DSFLA)的多用户检测性能,提出一种基于DSFLA和神经网络相结合的神经网络离散混合蛙跳算法,并用于多用户检测。在DSFLA的每一族内更新中,随机选择若干只"青蛙"采用Hopfield神经网络的寻优更新策略,进行快速迭代,寻找全局最优。仿真结果证明,基于神经网络离散混合蛙跳算法的多用户检测器在误码率、收敛速度、系统容量、抗远近能力等方面都优于传统方法和一些应用优化算法的多用户检测器。

离散神经网络的全局收敛性

应用能量函数，建立了离散的细胞神经网络与离散的Ｈｏｐｆｉｅｌｄ 神经网络全局收敛的充分条件，其结果推广了最近文献中某些已知的结果。

离散Hopfield神经网络的稳定性分析

主要研究非对称离散Hopfield神经网络并行演化方式的动力学行为，同时给出了 网络的一些新的稳定性条件，所获结果不仅推广了一些已有的结论，而且为该网络的应用提 供了一定的理论基础。

离散时间细胞神经网络的收敛性条件

神经网络的收敛性是网络各种应用的基础。主要研究了离散细胞神经网络的收敛性 ,并给出了几个新的网络收敛性条件。如果细胞网络的模板不是互补的 ,则给出一个网络在细胞格子非相互作用演化方式下的收敛性结果 ,所获结果推广了已有的结论。如果模板是互补的 ,且是行占优的 ,则网络按细胞格子行方式进行演化是收敛的。如果模板是互补的 ,且是列占优的 ,则网络按细胞格子列方式进行演化是收敛的。

具有变时滞离散Cohen-Grossberg神经网络的周期解

讨论了具有变时滞离散Cohen-Grossberg神经网络模型,利用M-矩阵理论与适合Lypunov函数,得到该类模型周期解的存在性与全局指数稳定性,推广了先前的结果.