用 Hebb 思想改进 BP 算法

应用Ｈｅｂｂ理论，用生物神经元的生理基础指导神经网络的设计，并给出了训练方法与实验结论．

基于Hebb规则的积分保持型PID神经网络多变量控制器

提出了一个积分保持型PID神经网络多变量控制器 ,网络的学习算法采用一种简单的类似Hebb规则的算法 .当将该控制器应用于多变量耦合的非线性系统的控制时 ,计算机仿真结果表明 ,网络的训练速度快 ,对权的初值的依赖性小 ,控制系统的动态和静态性能较好 .

求解超定线性方程组及其相关问题的神经网络算法

探讨了用神经网络求解超定线性方程组及其相关问题的可能性，并给出了求解的Ｈｅｂｂ算法．最后，求解了四个数值例子，获得了较为满意的结果．实例证明，对于用某些迭代法不能求解的线性方程组问题。

PCNN模型耦合参数的优化及车辆图像分割

脉冲耦合神经网络(PCNN)具有良好的图像分割特性,但神经网络参数的选取对分割效果有较大影响,如何自适应地选择网络参数是脉冲耦合神经网络应用研究的重要内容.本文首次从脉冲耦合神经网络的耦合特性出发,结合神经计算原理及图像局部区域的灰度特性,提出了脉冲耦合神经网络耦合参数的优化算法.首先利用Hebb学习规则对脉冲耦合神经网络模型的链接权值矩阵进行更新,然后利用图像局部区域的均方差自适应确定神经元链接强度系数,最后将优化的PCNN模型应用于运动车辆图像分割.通过耦合参数的优化,增强了神经元之间的耦合强度,与传统PCNN的车辆分割结果相比,较好地避免了过分割和欠分割现象,提高了运动车辆图像中车牌区域的分割质量,为后续车辆特征的提取奠定了良好的基础.

基于NNAC算法的电能质量暂态扰动检测

针对当前电能质量检测分析的难点和重点问题,在分析了目前使用最多的方法小波变换优缺点的基础上,提出了基于神经网络自适应控制(NNAC)的电能质量暂态扰动检测算法。给出了电能质量暂态扰动检测的自适应控制结构,采用Hebb学习规则进行权值学习,并对电压暂降、电压瞬升、电压中断和暂态振荡等暂态扰动进行了仿真测试,结果表明所提算法可以很好地检测电网中的暂态扰动信号的类型,确定扰动发生的起始时刻和持续时间,且分析计算简单,速度快,计算所得数据量少,在电能质量扰动检测中更加具有实时性。

一种基于神经网络的彩色图像分割方法

提出了适于彩色图像分割的加强型径向基函数网络方法,采用在线自适应聚类学习算法确定隐层节点的数目、激活函数中心值;通过Hebb学习算法迅速将隐层节点中心值分为目标颜色聚类中心和背景颜色聚类中心两类;输出层用竞争规则将目标与背景分开。通过对多幅彩色图像进行分割处理验证了该方法的有效性。

联想Hopfield神经网络样本稳定性的判别方法

针对基于Hebb学习的离散Hopfield神经网络,论述了实现联想记忆功能的基本方法及其样本稳定性的基本思想。根据所存在的问题,提出了判别样本稳定性的充要条件,以及判别样本稳定的一个充分条件,使判别样本是否稳定变得简单易行。最后给出了判别样本稳定的矩阵表示形式,并对给出的定理以及推论给予了证明。

多模式对模糊联想记忆学习算法的优化

一、引言 人脑神经系统信息活动的一个重要特征是能够接收和处理模糊的、连续随机的信息,并在输出时不追求绝对精确解而只要求能找到问题的满意解。模糊联想记忆神经网络是Bart Kosko于1987年提出的采用模糊赫布型学习规则的一种单状态异联想记忆神经网络,在模糊控制、模式识别、专家系统等领域曾引起人们的关注。由于该网络的子集联想特性和不能有效地联想存储多个训练模式对而影响了它的应用[1-3]。本文提出模糊合成运算的一种微分法则,用一代价函数以反映网络性能,将梯度下降搜索技术与模糊赫布型学习规则相结合,建立了在单个模糊联想记忆神经网络中联想存储多个模式对的一种优化学习算法。理论分析和实例计算均证明该算法优于Kosko的学习规则。

神经网络PID控制在系统中的仿真与比较

经典PID控制中加入神经网络的自学习能力后,PID控制参数可自行整定。通过仿真比较经典PID控制,与应用HEBB规则的神经网络PID控制,说明其优越性。

一种3R1P机械臂的运动学建模及实验分析

运用D-H方法和运动学原理首次得到了3R1P机械臂的运动方程,建立了3R1P机械臂的运动学模型。通过仿真实验和机械臂的HEBB神经网络控制运行实验验证了系统的稳定性,以及系统建模和HEBB神经网络控制的合理性和有效性,建立了3R1P机械臂的HEBB自适应神经网络系统框图,提出了平稳3R1P机械臂运行的策略,缩短了3R1P机械臂的研发周期。

用于一般矩阵奇异值分解的左、右神经网络

本文利用线性规划神经网络的结构和第一主分量分析神经网络的动态方程，提出一种左、右神经网络（ＬＲＮＮ），给出并证明了它的有界性和稳定性定理。加上反Ｈｅｂｂ权修正规则，ＬＲＮＮ可以进行奇异值分解（ＳＶＤ）和对称矩阵的特征值分解（ＥＶＤ）．从渐近收敛速度和仿真结果都说明，ＬＲＮＮ是非常有效的。

基于改进ART2算法的数据聚类方法

通过对经典自适应谐振(Adaptive Resonance Theory,ART)神经网络聚类过程的分析,指出其存在警戒参数主观设置,过分依赖获胜神经元信息,输出无层次结构等不足之处.在此基础上,提出基于ART2神经网络的改进聚类算法.本算法通过在竞争过程中同时考虑获胜神经元和其它神经元的信息以及Hebb规则来实现通过单个ART神经网络的多层动态聚类结构(对于一定范围粒度的聚类也不再需要重新训练神经网络),除此还降低了对警戒参数主观设置的要求.这些优点有效满足聚类的基本要求,能够避免采用级联结构实现层次聚类带来的性能、参数设置等问题.

神经网络PID控制及其仿真

基于常规PID控制方法的一些缺点，该文介绍了一种利用神经网络HEBB规则．实现了有效的控制方法和PID控制参数的优化的方法。通过仿真和跟经典PID控制方法的比较，说明了其优越性。

致密层去除均一反射层方法研究及应用——以鄂尔多斯盆地SD地区为例

鄂尔多斯盆地SD地区为典型的低孔、低渗致密气区,但该区上古生界二叠系山2段和太原组普遍发育煤层,形成的强反射会掩盖其上下有效储层的响应特征,同时背景沉积作用也掩盖了储层的部分特征。为此将地震记录定义为均一反射层和岩性体反射的组合,均一反射层地震特征表现为低频、相位稳定,对有效储层预测会有干扰作用,提出一种基于改进的Hebb神经网络主分量分析的均一反射体提取方法,引入Ricker子波核函数,将原始地震数据通过内积操作变换到特征空间,提取非线性特征,解决原始样本空间地震数据样本线性不可分的问题,利用该方法的非监督在线学习能力,设计迭代算法计算,可以得到均一反射体,最终变换得到岩性体,实现储层的精细刻画。通过构建含煤层的二维模型验证了该方法去除均一反射层的可行性,并应用于SD地区A工区,可以有效去除均一反射层(包括去除强反射地层)影响,有利于提高利用高维度地震数据进行有效储层精细描述的准确度。

一种设计离散型Hopfield神经网络权值的新方法

在Hebb学习规则的基础上,提出一种设计离散型Hopfield神经网络权值的新方法,用该方法设计的网络能够对多个非正交记忆样本进行正确的回忆.通过理论证明和Matlab仿真,说明了新设计方法的正确性和可行性.

基于MISO折线模糊神经网络的优化算法

基于折线模糊数及其扩展运算提出了一种新的网络——多输入单输出(MISO)折线模糊神经网络,并在转移函数满足非负连续单调情况下对该网络进行了一致性分析.此外,为避免误差函数关于连接权和阈值求偏导数的复杂计算过程,利用Hebb规则和粒子群算法分别设计了MISO折线模糊神经网络的Hebb算法和粒子算法.最后,通过模拟实例对两种优化算法进行了系统分析和比较.结果显示,基于MISO折线模糊神经网络的两种优化算法虽然具有一定随机性和参数多样性,但Hebb算法直观简单且容易实现,而粒子算法稳定性好且收敛速度较快.