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。

变时滞离散时间切换Hopfield神经网络的稳定性分析(英文)

主要研究具有时变时滞和不确定项的离散时间切换霍普菲尔德神经网络的鲁棒指数稳定性问题。首先,给出具有时变时滞和不确定项的离散时间切换霍普菲尔德神经网络的数学模型。然后,基于一个新的李亚普诺夫-克拉索夫斯基泛函、离散时间的詹森不等式和线性矩阵不等式,应用平均驻留时间方法,导出一些新的时滞依赖的准则,从而保证离散时间切换霍普菲尔德神经网络的鲁棒指数的稳定性。并且通过一个数值例子验证了导出结果的有效性。

基于改进PSO和CHNN的无人机路径鲁棒性优化

当前无人机路径规划通过机器学习和深度学习以及进化算法和智能算法的融合运用来实现。针对无人机在不同城市之间的路径鲁棒性优化的问题,现有的单一神经网络模型在一定程度上达不到最优解,并且会出现局部寻优的情况,导致优化效果达不到最大化。研究了一种运用改进粒子群算法结合连续性Hopfield神经网络模型的寻优迭代,通过改进粒子群算法中的惯性权重,控制粒子运动速度,在所有粒子进行更新的过程中,每个单独粒子均有独立的搜索和寻优能力。结果表明IPSO CHNN神经网络模型可以有效避免局部最优解,并且相较于传统的HNN对无人机路径鲁棒性的优化效果更好。

基于改进DHNN模型的售电公司信用评价

为规范售电公司的市场行为,提升电力市场管理水平,需对售电公司开展信用评价。因此,基于Box-plot(箱形图)与正交化法,提出了一种改进的DHNN(离散型霍普菲尔德神经网络)信用评价模型。首先,分析梳理影响售电公司信用水平的因素,构建了包括基本信息、基础管理、合同管理、交易管理等11个指标在内的信用评价指标体系,并通过德尔菲法赋予指标权重。然后,对售电公司中指标异常数值进行处理,寻求其最优信用分值,实现对售电公司信用水平的客观评价。最后,通过算例验证所提模型的可行性,结果表明,该模型可对售电公司信用水平实现客观准确的评价。

一种基于HNN的云服务组合优化

随着云服务应用开发的日新月异,如何有效地在云平台上实现优化服务的组合,提升云平台系统的整体性能是一个亟待解决的研究问题。为提升云服务的效率,提出一种基于霍普菲尔德神经网络的组合优化模型。该方法针对云服务问题建模;设计一种带有柯西扰动技术的PSO算法来改进霍普菲尔德模型,将该云服务问题表达为霍普菲尔德神经网络能量模型进行优化。通过实验比较证明,该方法比其它典型算法可以更加有效地提升云服务组合优化执行的效率。

Novel criteria for global exponential stability and periodic solutions of delayed Hopfield neural networks

The global exponentially stability and the existence of periodic solutions of a class of Hopfield neural networks with time delays are investigated. By constructing a novel Lyapunov function, new criteria are provided to guarantee the global exponentially stability of such systems. For the delayed Hopfield neural networks with time-varying external inputs, new criteria are also acquired for the existence and exponentially stability of periodic solutions. The results are generalizations and improvements of some recent achievements reported in the literature on networks with time delays.

基于CHNN及混沌算法的联合概率数据关联研究

联合概率数据关联算法(JPDA)是一种在杂波环境下能对多目标进行数据互联的良好算法。它的计算量随着回波数目和杂波数目的增加会呈指数上升。虽然有一些类JPDA的方法可以减少其计算量,但在杂波环境下其准确性仍不能保证。本文将JPDA中关联矩阵的求解等效为多维分配问题,通过霍普菲尔德神经网络CHNN及混沌算法等智能算法的应用来提高算法的准确性。