基于PTCNN的结构布局优化问题研究

针对结构优化中的难点布局优化问题,基于交叉学科的优势,运用脉冲暂态混沌神经网络(PTCNN)的方法,对一个新型布局优化模型进行了寻优计算。在PTCNN算法中应用脉冲混沌动力自然解决了杆件的恢复和删除问题;利用神经网络的多神经元并行构成特点,通过参数调整方法解决了不同数量级变量间的耦合问题。因此PTCNN不仅是模型的寻优算法,更成为布局优化的一部分。此外构造了一个应力关联系数σAI,使面积变量随杆中应力大小按比例自适应下降。算例结果表明,基于PTCNN方法解决结构布局优化问题,有效且具有自适应性,布局优化效果明显。

多脉冲控制的暂态混沌神经网络及其应用

针对多极值情况下暂态混沌神经网络(TCNN)只进行一次混沌动力施加而导致的部分极值点漏检问题,发展研究了一种名为脉冲暂态混沌神经网络(PICNN)的新型神经网络。PICNN通过对混沌动力控制因子z_i(t)和神经元输出陡度ε_i(l)两个参数的调制,将混沌动力以脉冲方式进行控制,施加于神经网络上,形成具有多频次跳出局部极小点功能的脉冲暂态混沌神经网络。PTCNN包含若干可调参数,可以控制整个系统呈现丰富多样的动力特性。随着混沌动力脉冲的间歇加入,系统交替进入混沌状态和稳定状态,因此既可以不断地跳出极小点的局域范围,又可以在局部区域内向此区域的极小点不断靠近,进而稳定到此极小点,使系统可以更有效地进行问题的全局寻优。算例表明,PTCNN比TCNN在全局寻优方面更具优势。PTCNN实际是TCNN的推广和延伸,比TCNN更具有一般性和更强的优化搜索能力,因此应用空间更为广泛。

脉冲暂态混沌神经网络在约束非线性规划中的应用

脉冲暂态混沌神经网络 (PTCNN)是对暂态混沌神经网络的改进 ,呈现丰富的动力学性质 ,具有很强的跳出局部最小点的功能 ,在解决无约束非线性规划问题时 ,可以找到包括全局和局部最小值的尽量全面的最优解。当遇到带约束条件的非线性规划问题时 ,只有对约束条件进行合理处理 ,才能更有效地解决约束非线性规划问题。文章使用惩罚函数方法对含有约束条件的非线性规划问题进行处理 ,将其变成一个不含约束条件的非线性规划问题 ,进而用PTCNN求解 。

基于概率转移卷积神经网络的含噪标记SAR图像分类

合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks,CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言,由于SAR特殊的成像机理,图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重,非直观性较强,使得SAR图像人工标注非常困难,极易出错,从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题,该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN,PTCNN)方法,该方法在传统CNN模型基础上,基于含噪标记与正确标记之间的概率转移模型,建立噪声标记转移层,这种新的卷积网络模型可潜在地校正错误标记,增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比,在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型,在保持SAR图像分类性能的同时具有较好的抗噪性,能够有效校正训练样本中的标注错误,从而降低了SAR图像有监督分类任务对样本标注质量的要求,具有一定的研究价值与应用前景。