基于迟滞噪声混沌神经网络的导频分配

在多小区大规模多输入多输出(MIMO)系统中,导频污染已经成为制约整个系统的瓶颈。合理地使用导频资源能减轻导频污染的影响,为了寻找使边缘用户和容量最大的导频分配方式,该文首次提出了基于迟滞噪声混沌神经网络(HNCNN)的导频分配方案。迟滞噪声混沌神经网络作为良好的优化工具,其优化能力与所设计的能量函数相关。该方案结合导频资源使用的特点以及最大化边缘用户和容量的计算方式,设计了新的能量函数。仿真结果表明,网络能在一定迭代次数后收敛到较优的导频分配方式。与其它文献方案相比,采用以HNCNN为框架求取导频分配方式,可以更有效减轻导频污染的影响,使系统性能得到改善。

基于迟滞噪声混沌神经网络的TDMA广播调度

分组无线网络的时分多址(Time Division Multiple Access,TDMA)广播调度问题是一个经典的NP-hard组合优化问题,可用神经网络求解.混沌动力学、随机游动和迟滞动力学均能够有效地提高神经网络的优化性能.为了提高迟滞动力学在噪声混沌神经网络中的优化能力,又不增加噪声混沌神经网络的参数,将噪声混沌神经网络的噪声幅值作为Sigmoid函数的中心参数,并通过神经元的输入变化来控制噪声幅值形成迟滞环,提出了一种新型的迟滞噪声混沌神经网络.对神经元状态演化行为的研究表明,该网络能够同时演化出混沌倒分岔、随机游动和迟滞等动力学行为.对分组无线网络的TDMA广播调度问题的仿真表明,提出的迟滞噪声混沌神经网络具有更好的优化性能.

基于混合神经网络的混沌噪声背景下微弱脉冲信号的检测

微弱信号是指相对背景噪声而言,其信号幅度的绝对值很小、信噪比较低的一类信号,这种信号通常受到各种干扰和噪声的影响,使得其在背景中难以被准确检测或识别。微弱信号可能来自于远距离传输、低功率信号源、弱信号目标等情况。在实际应用中,检测和提取微弱信号是一项重要的技术挑战,因为微弱信号往往包含有用的信息,例如传感器信号、通信信号、生物信号等。有效地检测和分析微弱信号可以帮助我们了解环境、诊断疾病、进行通信传输等。为了提高微弱信号的检测精度,本文构建一种基于注意力机制的CNN-LSTM模型,首先,基于混沌信号对初始值的敏感性及短期可预测性,根据Takens定理对各局部传感器的观测信号进行相空间重构,建立Att-CNN-LSTM模型来对混沌信号进行预测,由此得到单步预测误差,此时,对观测信号的检测问题就可以转化为对一步预测误差的信号检测问题。最后,使用Z检验的方法对微弱信号进行检测,得到局部传感器的检测结果。实验结果表明,本文提出的模型有相较于其他模型有更好的表现。

基于混沌神经网络的压电陶瓷迟滞模型

为解决压电陶瓷迟滞建模问题,提出一种新型的G-S混沌神经网络模型.该网络由输入层、隐层和输出层构成,在输入层中引入延迟环节,从而使得历史输入能够对当前输入的响应产生影响.网络的学习过程是一种混沌优化算法,可有效避免普通神经网络的局部极值和假饱和现象的发生.将该网络应用于纳米定位系统压电陶瓷执行器迟滞建模中,可以降低建模误差,实验结果验证了该方法的有效性.

用改进的噪声混沌神经网络模型求解组合优化问题

混沌模拟退火方法 (CSA)在解决组合优化问题时有很强的搜索能力 .其中系数α代表能量函数对动态性的影响 ,α太大 ,能量函数影响太强 ,以至于无法得到暂态混沌现象 ,α太小 ,能量函数的影响太弱 ,从而无法收敛到最优解 .提出了一种自适应参数动态调整方法 ,随着能量函数的逐渐减小 ,通过加大 α,保持能量函数在整个搜索过程中对搜索动态性保持一定的影响 ,从而加快搜索速度 ,同时保持搜索的精度 .计算机仿真结果表明 ,在保持和增强搜索能力的同时 ,文中动态参数算法所用时间与现有的算法相比可以减少 2 0 %～ 5 0 % .

判别混沌与噪声的局部可变神经网络方法

为了解决多对单类型的分类问题（ 尤其是无限多对单） ，提出了一种处理多对单问题的新型神经网络模型———局部可变权值神经网络，并将其应用于混沌信号和噪声的判别．局部可变权值神经网络学习算法与传统神经网络类似，但在工作时可根据网络输入来调整神经网络局部权值．从最后分类结果看，无论是在学习时间还是在分类精度上。

混沌算法神经网络与含噪声时间序列的预测

在前馈神经网络连接权的动力学方程中引进一非线性反馈项后 ,网络在权空间具有混沌动力学行为 .应用这种算法的神经网络对基于 Mackey-Glass方程含噪声的时间序列进行在线预测 ,结果表明网络具有很好的预测性能 .

白噪声混沌神经网络的模拟退火策略

分析了白噪声混沌神经网络模型的动力学特性和对自反馈连接权值的敏感性,研究了退火函数在优化过程中对准确性和计算速度的影响.利用分段模拟退火思想对白噪声混沌神经网络进行改进,使得该网络模型在保证优化算法准确性的基础上,加快了收敛速度,并通过对经典旅行商问题的仿真实验,表明算法具有很强的克服陷入局部极小点的能力,较大程度地改善了原模型的求解组合优化问题的能力,验证了这种分段模拟退火策略的有效性.最后说明了模型参数对改进网络性能的重要性.

带白噪声的小波混沌神经网络及其应用

为研究混沌神经网络抗噪声的能力,在小波混沌神经网络模型中引入了噪声函数,研究了带白噪声的小波混沌神经网络模型,给出了该混沌神经元的倒分岔图和Lyapunov指数图,分析了其动力学特性.基于该混沌神经元模型,构造了带白噪声的小波混沌神经网络,并将其应用于函数优化和旅行商问题(TSP),仿真结果表明,只要适当调节噪声系数,系统仍将具有良好的优化能力,噪声并不一定都是对系统有害的.

噪声影响下的非线性耦合Hindmash-Rose神经网络混沌同步

研究具有最近邻域连接形式的Hindmash-Rose(H-R)神经网络混沌同步.通过非线性耦合项的构造使混沌系统对称耦合.对于3个以及4个H-R神经元构成的最近邻域耦合网络,给出产生完全同步的耦合强度范围,并分析了网络结构和噪声施加位置共同作用下系统的同步情况.结果表明:噪声在某些特定条件下可以一定程度提高系统同步性能.同时发现对于5个及更多数量的最近邻域连接神经网络,很难实现其完全同步,并通过条件Lyapunov指数的计算进行了验证.

小波尺度退火的迟滞混沌神经网络及其应用

为了有效地避免网络陷入局部极小点,提出了具有小波尺度退火和迟滞激励函数的混沌神经网络模型。将Gauss小波函数作为网络的自反馈项,利用小波尺度的指数递减实现混沌模拟退火,可使网络表现出更丰富的混沌动力学演化行为,有效地增加了混沌搜索的Lyapunov指数的平均水平。利用统一框架理论分析了网络的优化特性和稳定性。旅行商问题(traveling salesman problem,TSP)和直扩序列码分多址(direct sequence-codedivision multiple access,DS-CDMA)多用户检测器的仿真结果表明,该网络能够找到优化问题的全局最优解,并且具有较好的优化性能。

迟滞混沌神经网络及应用

提出了一种同时具有迟滞和混沌特性的神经元模型,并利用该模型构造出神经网络,用于求解优化计算等问题。通过在神经元中引入自反馈,使得神经元具有混沌特性。将神经元的激励函数改为具有上升分支和下降分支的迟滞函数,从而将迟滞特性引入神经元和神经网络中。结合模拟退火机制,在优化计算初期,利用混沌特性可提高网络的遍历寻优能力,利用迟滞特性可在一定程度上克服假饱和现象,提高网络的寻优速度。在优化计算末期,网络蜕变为普通的Hopfiled型神经网络,按照梯度寻优方式收敛到某局部最优解。可通过构造能量函数的方法,将图像识别中的特征点匹配等问题转化为优化计算问题,从而可采用该神经网络进行问题求解。仿真结果验证了该方法的有效性。

带白噪声的混沌神经网络的能量函数分析

为研究混沌神经网络抗噪声的能力,在陈的混沌神经网络模型中引入噪声函数,研究带白噪声的混沌神经网络模型,给出混沌神经元的倒分岔图和Lyapunov指数图,分析其动力学特性。基于该混沌神经元模型,构造带白噪声的混沌神经网络,并进行能量函数分析,验证其稳定性。结果表明,只要适当的调节噪声系数,系统仍将具有良好的稳定性,系统具有一定的抗噪声干扰能力。在实际应用环境中可以通过调节噪声系数为适当的负值,从而使系统具有更好的优化能力。

自适应混合混沌神经网络及其在TSP中的应用

为了进一步提高混沌神经网络的收敛效果,将T.Kwok和K.A.Smith所总结的内、外两类混沌神经网络相结合,并加入自适应方法,提出了自适应混合混沌神经网络。这种网络可以同时通过线性和非线性两种途径来改变网络能量函数进行搜索,这使得搜索过程具有更为丰富的动力学行为。同时由于自适应方法的引入,保证能量函数的变化在整个搜索过程中对动态方程有较强的作用,从而减少了网络收敛时的迭代步数。仿真研究表明,在求解TSP上,其效果优于随机混沌模拟退火网络。

检测混沌背景中微弱正弦信号的神经网络方法

提出了一种提取混沌背景中微弱正弦信号的神经网络方法。该方法利用 RBF神经网络对被噪声污染的混沌背景建立最优一步预测模型 ,结合频域处理的方法从预测误差中提取微弱正弦信号。改善了信噪比 ,在混沌背景中存在白噪声和任意色噪声情况下 ,均能检测出微弱正弦信号 ,微弱正弦信号与混沌背景的检测信噪比门限最低可以达到 - 37d B。

基于神经网络预测器的混沌海杂波弱信号检测

针对海杂波中的弱信号检测问题 ,借鉴杂波的混沌动态建模思想 ,重点讨论非线性混沌序列的神经网络建模、预测及信号检测方案。基于神经网络拟合非线性函数的能力 ,提出神经网络预测混沌时间序列的算法和信号检测方案。介绍了所提算法的原理和步骤 ,针对具体应用问题 。

Hindmarsh-Rose神经网络的混沌同步

研究了通过特殊构造的非线性函数耦合连接的神经网络的混沌同步问题。在发展基于稳定性准则的混沌同步方法的基础上,给出了计算同步稳定性的误差发展方程,当耦合强度取参考值时,可实现稳定的混沌同步而不需要计算最大条件Lyapunov指数去判定是否稳定。通过对按照完全连接形式构成的Hindmarsh-Rose神经网络的数值模拟,显示可仅从两个耦合神经的耦合强度的稳定性范围预期到许多耦合神经实现同步的稳定性范围。该方法在噪声影响下,对实现神经元的混沌同步仍具有较强的鲁棒性。此外发现随着耦合神经数的增加,满足同步稳定性的耦合强度减小,与耦合神经的数量成反比。

一种基于改进暂态混沌神经网络的信道分配算法

该文针对暂态混沌神经网络(TCNN)求解信道分配问题(CAP),分析混沌神经网络模型及其混沌性态,依据其按自反馈连接权值的减小,由混沌态通过逆分岔而收敛到稳定状态的特性,提出了一种对暂态混沌神经网络进行分段退火的策略,即依据混沌神经网络运行过程中,对应Lyaponov指数的变化特性而确定分段点,使网络能有效地利用混沌态进行全局搜索和加快收敛:在7小区的信道分配中,网络收敛速度提升了30%左右,在25小区的Kunz基准测试程序的仿真中,收敛速度也提升了近15%;仿真结果表明其有效减少了网络运算的迭代步数,提高了网络的搜索效率:通过相应理论和仿真结果的分析,对网络的搜索性能、参数的选择与设置进行了进一步的讨论。

用于约束非线性全局优化的混沌退火神经网络(英文)

混沌神经网络具有全局搜索能力 ,但其运用至今主要局限于组合优化 .通过对普通 Hopfield优化网络引入混沌噪声退火过程 ,提出了一种用于约束非线性全局优化的混沌退火神经网络 ,它易于实现 ,原理简明 ,应用广泛 .对很复杂的测试函数的数字试验表明 ,该模型能够高效、可靠地搜索到全局最优 ,其性能超过遗传算法 GAMA

用前馈神经网络对软件理解中函数调用序列的混沌识别

对有噪声小数据量时间序列的混沌识别,是目前国内外许多应用领域研究的热点与难点。利用BP神经网络的非线性函数逼近能力,对小数据有噪声的时间序列计算最大李亚谱诺夫指数,可判断该序列是否存在混沌现象。本文首创将这一算法经转换应用到软件逆向工程过程的分析中,结果表明,软件逆向工程过程分析中出现的函数(或类)调用序列有些存在、有些不存在混沌现象,这为理解软件系统构建高层结构和抽取重用信息而开发新方法与新技术找到了理论依据。