基于Hopfield自联想神经网络的天幕靶信号识别技术

为了提高天幕靶系统测试精度和可靠性,探索测试产生各种干扰噪声如弹头激波、弹底激波、蚊虫飞鸟、振动等干扰因素的影响规律,利用Hopfield自联想神经网络的方法,识别并剔除典型因素干扰。通过对实弹射击试验得到的数据进行分析,充分验证了天幕靶系统的准确性和可靠性。分析结果表明:与电平信号识别相比,在射频为5发/min、口径为23 mm的炮弹测试中,自联想神经网络信号识别率提高了17.2%;在弹型为穿甲弹,口径为23 mm的测试中,Hopfield自联想神经网络信号识别率提高了46.7%;对于射频为7500发/min的天幕靶连发弹丸信号测试条件下,正确信号识别率均达到了93%以上。在复杂环境条件下,Hopfield神经网络算法识别率远远高于传统的电平识别,提高了信号的识别率,能够适应一定区域内的复杂环境因素。

随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性

旨在研究随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性。当θ∈[0,1/2)时,在步长受限的条件下,随机时滞Hopfield神经网络分步θ方法是一般衰减率稳定的。对于θ∈[1/2,1],不需要额外的步长要求,即可保证随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性。最后,通过一个数值例子验证所得结果的有效性。

改进离散Hopfield神经网络在煤矿人因评估中的应用

为了预防和控制煤矿人因事故发生,将离散Hopfield神经网络应用于煤矿人因安全评估中。首先根据人因分析与分类系统(Human Factors Analysis and Classification System,HFACS)模型建立煤矿人因安全风险评估体系,体系包含多个指标;其次是构建输入矩阵,借助模糊综合评价法对评估指标量化编码;最后,运用学习率优化的离散Hopfield神经网络展开煤矿人因安全评估,以模型输出结果确定评估对象风险等级。将构建的煤矿人因安全评估模型与传统评估方法进行比较,结果表明该模型合理有效,可用于煤矿人因安全评估,为煤矿人因安全管理提供依据。

基于一类新型激活函数的递归神经网络的多稳定性分析

本研究基于一类新型连续锯齿型激活函数研究了递归神经网络(Hopfield神经网络)的多稳定性。首先,通过区间剖分法、Brouwer不动点定理证明了基于该激活函数的n维神经网络模型至少具有7n个平衡点,并运用对角占优矩阵理论、局部稳定性判定定理等方法证明了其中4n个平衡点是局部指数稳定的,剩余的平衡点是不稳定的。其次,通过增加锯齿型激活函数的峰值点将激活函数推广到更一般的情况,得到了n维神经网络在含有k个峰值点的连续锯齿型激活函数中至少具有(2k+1)n个平衡点,其中(k+1)n个平衡点为局部稳定的。本研究设计的激活函数相较于现有的一些激活函数会产生更多的稳定平衡点,并且在增加峰值点的过程中不会增加神经网络的计算复杂度。最后,通过两个具体的数值算例验证了本研究结果的有效性。

负阻态忆阻Hopfield神经网络动力学

人类大脑是一个高度复杂且规模庞大的非线性动力学系统,其动力学行为与人类智能活动密切相关。基于忆阻器的人工神经网络不仅可以很好地模拟人脑工作机制,而且其非线性特性可以为神经网络带来更为丰富的动力学行为。为了进一步发挥神经网络的优势,引入一种新的具有负阻态功能的忆阻器模型,该模型打破了原有忆阻器的阻态极性限制,为忆阻器扮演神经网络突触仿生器件提供了更加丰富的变化性能。在对忆阻器模型分析的基础上,提出了一种新的忆阻Hopfield神经网络(HNN),进一步加强了HNN的负反馈功能,使之表现出更加丰富和复杂的动力学行为。实验结果表明,新忆阻HNN拥有较为丰富的动力学行为,具有一定的混沌特性。在不同的忆阻器参数以及权值矩阵取值条件下,观察系统的相位轨迹图、Lyapunov指数的变化情况,并与同类型网络进行对比,进一步证明提出的神经网络的有效性,同时复杂的动力学特性也为在数据处理、图像加密等方面的应用提供了研究支撑。

基于离散双向联想记忆神经网络的多元通信系统

针对噪声导致非线性数字通信系统传输信号的差错概率增加的问题,提出一种基于离散双向联想记忆(BAM)神经网络的多元通信系统。首先,根据需要传输的信号,选取适当的神经元数量和记忆向量,计算权值矩阵,并生成BAM神经网络;然后将多元信号映射为具有调制幅度的初始输入向量并不断输入系统,通过神经网络进行循环迭代,并向各神经元添加高斯噪声,之后按照码元间隔采样输出并在无损信道中传输,接收端依据判决规则译码判决;最后在图像处理领域,利用所提系统传输图像压缩后的数据并解码恢复图像。仿真结果表明,对于码元间隔较大的弱调制信号,随着噪声强度的增加,差错概率先减后增,随机共振现象比较明显;差错概率还与信号的进制数呈正相关关系,与信号幅度、码元间隔和神经元个数呈负相关关系,某些条件下,差错概率可以达到0。以上结果表明BAM神经网络可以通过噪声改善数字通信系统的可靠性。另外,解码恢复图像的相似度显示了适量噪声对图像恢复效果的改善,扩展了BAM神经网络和随机共振在图像压缩编码中的应用。

电阻点焊质量Hopfield神经网络在线评估方法

目的电阻点焊广泛应用于汽车、家电等领域,但目前少有准确的无损质量评价方法。为此,研究一种基于低碳钢板焊接功率信号的焊接质量在线评估方法,并探索利用该信号来评价电阻点焊焊点质量的可能性。方法对焊接电流、电压信号进行测量和分析,研究功率信号表征焊接质量的可靠性,提出一种有效的模式特征提取方法,将动态功率信号转换为二值图像并用二值矩阵表征,该方法避免特征提取和选择,且尽可能保留焊点质量信息。通过拉剪试验将焊接样本分为6种不同的焊接等级,利用Hopfield关联记忆神经网络建立焊接质量分类器,将具有不同焊接质量水平的焊接样本模式特征矩阵记忆为稳定状态。结果将焊接样本的模式特征矩阵输入分类器,通过Hopfield网络关联记忆将其收敛到最相似的稳定状态,最终锁定了稳定状态对应的焊接质量。60个测试样本中59个样本都可以被正确分类,该分类器的分类准确率达到98%。结论分类性能试验结果表明,所提出的模式特征提取方法快速、有效,并能可靠地在线评估低碳钢板的焊接质量。

基于联想记忆的Hopfield神经网络的设计与实现

介绍了反馈型神经网络Hopfield网络的定义、原理、模型和基本学习规则,并构造了一个用于联想记忆的Hopfield神经网络模型.对实验结果进行分析、比较,实验结果表明:Hopfield神经网络用于数字识别是可行、有效的;该方法较传统神经网络能提高网络的记忆能力和数字识别的正确率;该方法有别于以往的BP神经网络的模式识别,结合一些优化算法,如遗传算法,能对Hopfield神经网络的联想记忆稳态进行优化,增强神经网络的联想记忆能力.

离散Hopfield联想记忆神经网络的渐近行为

该文对一类离散 Hopfield联想记忆神经网络的渐近行为进行了讨论 ,首先提出这类 I/ O函数取为Sigm oid型函数的离散 Hopfield联想记忆神经网络的数学模型 ,讨论并给出了这种模型的一系列性质 ,例如运动轨迹的有界性、平衡点的唯一性以及渐近稳定性等 ,得到了平衡点渐近稳定的充分条件 .检验这种神经网络模型的渐近稳定性 ,只需要测试一个特定矩阵的定性性质或特定不等式即可 .这些结果可用于离散

二进联想Hopfield神经网络的稳定点研究

稳定点是决定人工神经网络联想记忆能力的最重要因素。本文在二进联想Hopfield网络的稳定点统计分布、计数和快速判别等方面给出了若干新结果。

离散Hopfield双向联想记忆神经网络的稳定性分析

首先将离散Ｈｏｐｆｉｅｌｄ 双向联想记忆神经网络转化成一个特殊的离散Ｈｏｐｆｉｅｌｄ 网络模型．在此基础上，对离散Ｈｏｐｆｉｅｌｄ 双向联想记忆神经网络的全局渐近稳定性和全局指数稳定性进行了新的分析．证明了神经网络连接权矩阵在给定的约束条件下有唯一的而且是渐近稳定的平衡点．利用Ｌｙａｐｕｎｏｖ 方程正对角解的存在性得到了几个判定平衡点为全局渐近稳定和全局指数稳定的充分条件．这些条件可以用于设计全局渐近稳定和全局指数稳定的神经网络．所做的分析扩展了以前的稳定性结果．

基于Hopfield神经网络概念设计中联想记忆

对复杂产品的功能需求进行可计算的 0-1 向量表示,以及通过 Hopfield 神经网络的联想记忆功能,实现了产品概念设计过程中的联想记忆。避免了对图像检索的庞大计算量以及建立知识推理库的复杂过程。并且对 Hopfield 神经网络实现联想记忆的算法进行了改进,最后以液压泵的需求选型为例对此算法进行了验证,计算结果表明此算法能够较好地实现联想记忆过程。

Hopfield型联想记忆神经网络一种新的分析方法

本文通过定义一种新的能量函数,分析了Hopfield型神经网络的渐近稳定性与联想记忆问题,得到了四组保证网络平衡点是渐近稳定平衡点的充分条件,应用这些条件,便可设计联想记忆神经网络。文中给出了应用这些结论设计联想记忆神经网络的实验结果及分析。

基于离散型Hopfield神经网络的联想记忆能力研究

人工神经网络是对人脑功能的简单抽象和模拟,实质是一种数学模型。它通过大量的简单处理单元互相连接成规模庞大的简单抽象和信息处理系统,能够存储经验知识和联想回忆并使用已存储知识,是目前智能信息处理技术发展的一个主流方向。它可以解决许多传统方法难以解决或无法解决的问题,尤其是那些与记忆、思维、认知、推理及联想相关的问题。主要介绍了离散型Hopfield神经网络的发展历程、工作原理、使用方法及其联想记忆功能,并通过举例证明了离散型Hopfield神经网络的联想记忆能力。

基于Hopfield神经网络和PSO的线性系统辨识方法

研究了一种基于连续型Hopfield神经网络和粒子群优化(PSO)的线性系统辨识方法。首先建立了系统的预测模型以及辨识误差函数,然后将误差函数近似为连续型Hopfield神经网络的能量函数。利用神经网络的自我演化,得到近似的辨识参数。通过引入PSO机制,缓解了Hopfield神经网络在辨识过程可能陷入局部极小值的缺陷,增强了辨识的效果。最后,仿真研究验证了所提方法的有效性。

一种新型绝对值忆阻耦合自突触Hopfield神经网络的动力学分析及其电路实现

神经元作为大脑基本的组成单元能够产生复杂的动力学行为。目前大部分的研究是关于两个神经元系统的忆阻耦合突触,而忆阻耦合自突触权重的单神经元模型的研究相对较少。本文提出了绝对值忆阻耦合自突触权值的Hopfield神经网络(HNN)模型,以自耦合权重作为唯一的调节参数。利用基本的动力学分析方法,讨论了不同耦合强度下系统的动力学行为,研究了不同初始值下对称吸引子的共存行为。结果表明,这些丰富的非线性动力学行为包括周期倍增分岔、混沌、周期窗和对称自激吸引子共存。最后,通过PSpice仿真验证了所提出的忆阻HNN的理论分析结果的正确性。

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。

Hopfield神经网络的同步性控制

通过设计一类自适应控制器和牵引控制器,研究了具有外部扰动的Hopfield神经网络的同步性问题.利用李雅普诺夫稳定性理论、LaSalle不变准则和一些分析技术,结合自适应控制和牵引脉冲控制,得到了能使动态网络的整个状态同步到某一状态的准则.通过数值例子验证了方法的有效性.

离散Hopfield神经网络和联想记忆的开关电流技术实现

研究了离散Ｈｏｐｆｉｅｌｄ神经网络（ＤＨＮＮ）和联想记忆神经网络的开关电流技术实现。利用多权输入跨导、开关电流延迟器（ＳＩＤ）和可编程电流比较器（ＰＣＣ）实现了离散Ｈｏｐｆｉｅｌｄ神经网络，并提出了利用离散Ｈｏｐｆｉｅｌｄ神经网络实现自联想记忆时相应的开关电流电路。所提出的开关电流神经网络适宜于超大规模集成，能在低电压（如３．３Ｖ）下工作。

四元数双向联想记忆神经网络的固定时间控制

将双向联想记忆(bidirectional associative memory,BAM)神经网络扩展到四元数域,提出了一类新的四元数双向联想记忆神经网络(quaternion-valued bidirectional associative memory neural networks,QVBAMNNs)。通过对四元数的分解并运用微分包含理论,将原始的四元数值系统转化为等价的实值系统,并利用Lyapunov方法研究了主从QVBAMNNs的固定时间同步问题。通过设计一个不连续状态反馈控制器,得到了保证QVBAMNNs达到固定时间同步的新准则。最后,通过数值仿真验证了所得结果的正确性。