一种具有暂态混沌和时变增益的神经网络及其在优化计算中的应用

本文提出了一种具有暂态混沌和时变增益的神经网络．通过引入暂态混沌和时变增益，该网络比Hopfield型网络具有更加丰富和更为灵活的动力学特征，从而具有更强的搜索全局最优解或近似全局最优解的能力．网络经过一个短暂的例分叉过程逐渐趋近一个常规的Hopfield神经网络，并为其提供了一个在全局最优解附近的初值．它可以用于求解各种复杂的优化问题．大量的数字模拟表明网络能很好地解决Hopfield型网络的局部极值问题．最后我们已将这种神经网络成功地应用于空间信号源的最大似然方向估计．