CHNN型神经网络在双效溴化锂吸收式制冷机的参数优化设计中的应用

对于溴化锂制冷机组的参数优化设计,传统的做法是先建立数学模型,然后根据坐标轮换法求得最优解,但对于双效、双级甚至三效制冷机,该方法的运算量大,建模复杂。本文利用CHNN型神经网络建模,把目标函数和约束条件转化为能量函数,进行优化计算,计算速度大大提高,且不受空间维数限制,并且模型可直接转化为电路,求得最优解。

基于连续型Hopfield神经网络的系统辨识

连续型Hopfield神经网络(CHNN)可用于优化计算,但其会遭遇较复杂的参数辨识问题.为了较好地解决这一问题,将擅长全局搜索的蚁群-粒子群混合算法用于对系统参数的最优化选取.再将此混合算法与CHNN有机结合,更好地解决参数辨识问题,且能有效避免CHNN在应用过程中陷入局部最优解.最后,将理论结果应用于求解TSP问题来验证其有效性.

基于连续型Hopfield神经网络的噪声字符识别

采用连续型Hopfield神经网络(CHNN)对噪声字符进行识别。此模型比离散型Hopfield神经网络(DHNN)和布尔神经网络(BNN)更易于硬件实现,且在信息处理的并行性和实时性等方面更接近实际生物神经网络的工作原理。仿真结果表明该方法可以有效地对噪声字符进行识别。

轨道交通车辆吹扫机器人智能路径规划研究

针对城市轨道交通车辆吹扫机器人路径规划问题,提出一种基于CHNN神经网络的全覆盖路径规划算法,综合机器人运行方向上障碍物信息与吹扫信息建立栅格地图,采用矩形分解法将整个工作空间划分为不同矩形子区域,在各子区域内基于栅格信息分别得到全覆盖路径,各子区域之间则采用CHNN神经网络进行遍历寻优。仿真结果表明:所提出的算法可以有效解决吹扫机器人全覆盖路径规划过程中的路径缠绕和清洁死区问题,降低了路径重复率,提高机器人吹扫效率,具有较好的工程应用前景。

基于双层路径优化算法的多机器人最优编队方法

为解决能耗和时间约束下的多机器人编队集结点优化问题,提出一种将粒子群优化(PSO)与连续Hopfield神经网络(CHNN)结合的双层路径优化算法。针对时间约束,设计了一种PSO算法求解最优编队集合点;针对总能耗约束,利用Dubins路径将路径规划转换成指派问题,并基于CHNN搜索最优分配路径。三个同构欠驱动机器人的数值仿真结果表明:所提算法提高了搜索能力,且能够实现最优编队集结。