三维Hopfield型神经网络的混沌同步研究

利用状态观测器理论提出了具有多个非线性项的混沌系统的标量输出同步方法。通过对误差系统的变换,以降低非线性项对误差系统的影响,从而可减少极点配置参数。基于这种方法,设计出含有多个非线性项的Hopfield型混沌神经网络的同步系统,并计算出同步参数,从而实现了含有多个非线性项的混沌系统同步,并用计算机仿真证实了此方法的有效性。Hopfield型混沌神经网络具有全局吸引的混沌吸引子,混沌性能稳定,采用线性电路器件容易实现,对混沌的实际应用有参考价值。

混沌退火Hopfield网络及其在储层聚类分析中的应用

将一种基于混沌退火的Hopfield神经网络(ACHN)应用到储层聚类分析中。这里主要阐述了ACHN聚类的基本原理、混沌神经元的标定、ACHN聚类的策略、先验信息的约束以及混沌退火搜索。实际砂砾岩储层聚类分析表明:这种网络能克服普通Hopfield网络陷入局部最优的不足,得到更准确、精细的聚类结果。

基于Hopfield混沌神经网络和压缩感知的可视化图像加密算法

目前大多数的图像加密算法直接将明文图像加密成无视觉意义的密文图像,而这类密文图像在传输过程中容易被黑客发现从而受到各种攻击。针对上述问题,结合Hopfield混沌神经网络与压缩感知技术提出了一种具有视觉意义的图像加密算法。首先,利用二维离散小波变换对明文图像进行稀疏化;其次,通过压缩感知对经过阈值处理的稀疏矩阵进行加密和测量;然后,在量化的中间密文图像中加入随机数并进行Hilbert置乱和扩散操作;最后,将生成的类噪声密文图像通过最低有效位(LSB)替换来嵌入到载体图像中的Alpha通道以生成具有视觉意义的隐写图像。与现有的可视化图像加密算法相比,所提算法展现出非常好的视觉安全性、解密质量以及鲁棒性,表明其具有广泛的应用场景。

基于混沌Hopfield神经网络视觉意义的图像加密算法

为解决传统加密方案得到的类噪声图像在传输过程中常常会因其视觉效果而受到攻击的问题,提出一种基于混沌Hopfield神经网络的具有视觉意义的双图像加密算法。对混沌Hopfield神经网络迭代生成随机数矩阵,与两幅压缩后的明文图像组合后进行离散余弦变换。通过生命游戏算法生成置乱矩阵来进行置乱。将置乱后的图像分为三部分,通过逆离散余弦变换分别嵌入到彩色载体图像的R、G、B分量中。实验结果表明,该算法密钥空间足够大,传输效率高,密钥敏感性强,能够抵御各种攻击,具有较好的安全性。

一种混沌Hopfield网络及其在二维自适应系统辨识中的应用

在对传统的混沌神经网络模型深入研究的基础上,构造了一种具有暂态混沌动力学特性的Hopfield神经网络模型。在Hopfield神经网络中引入混沌机制,使网络逐渐由混沌神经网络向Hopfield网络过渡,达到混沌控制的目的。网络利用了混沌搜索的随机性和轨道遍历性,因而具有较强的全局寻优能力。将其应用于二维自适应系统辨识中,仿真结果表明,该神经网络的寻优和逼近能力较强,辨识曲线与未知系统曲线非常接近。

忆阻自突触Hopfield神经网络的动力学分析与电路仿真

通过理论分析和仿真的方法,研究了一种4维忆阻自突触Hopfiled神经网络(以下简称MAHNN)的动力学行为及其仿真电路的实现。首先,分析了MAHNN能够产生复杂动力学行为的基本条件。其次,利用常规的动力学分析方法如分岔图、李氏指数、相轨迹图和时域图,分析了它的动力学行为。MATLAB数值仿真结果揭示了MAHNN存在与忆阻控制参数有关的特殊动力学行为。最后,采用改进型模块化电路设计方法,设计了MAHNN的模拟等效电路。Multisim电路仿真结果与MATLAB数值仿真结果一致,验证了忆阻自突触Hopfield神经网络理论设计的正确性。

基于混沌模拟退火神经网络模型的电力系统经济负荷分配

在传统混沌神经网络模型的基础上,提出了一种具有衰减混沌噪声的混沌模拟退火神经网络模型(CSA-DCN)。该模型结合了 Hopfield 神经网络(HNN)与模拟退火算法(SA)的优点,并引入通过 Logistic 映射迭代函数产生的衰减混沌噪声,从而使该模型可以有效地解决高维、离散、非凸的非线性约束优化问题。例如电力系统经济负荷分配(ELD)问题,在考虑网损、阀点效应的情况下,将该模型应用于解决 ELD问题。通过多个算例仿真计算表明,该模型的算法是可行和有效的。CSA-DCN 模型是一种适用性很强的优化模型,可以应用于电力系统或其它行业系统的优化问题中。

基于暂态混沌神经网络的组播路由算法

讨论了高速包交换计算机网络中具有端到端时延的组播路由问题 首先给出了这类问题的网络模型及其数学描述 ,然后提出了基于暂态混沌神经网络的组播路由算法 实验结果表明 ,该算法能够快速有效地实现组播路由优化 。

一种混沌神经网络模型及其在优化中的应用

通过在Hopfield神经网络模型 (HNN)中引入非线性自反馈项 ,提出了一种具有暂态混沌动力学行为的神经网络模型。该模型首先经过一个倍周期倒分叉过程进行混沌搜索 ,进而进行类似HNN的梯度搜索。由于它利用了混沌搜索固有的随机性和轨道遍历性 ,因而具有较强的克服陷入局部极小的能力。

一种基于改进暂态混沌神经网络的信道分配算法

该文针对暂态混沌神经网络(TCNN)求解信道分配问题(CAP),分析混沌神经网络模型及其混沌性态,依据其按自反馈连接权值的减小,由混沌态通过逆分岔而收敛到稳定状态的特性,提出了一种对暂态混沌神经网络进行分段退火的策略,即依据混沌神经网络运行过程中,对应Lyaponov指数的变化特性而确定分段点,使网络能有效地利用混沌态进行全局搜索和加快收敛:在7小区的信道分配中,网络收敛速度提升了30%左右,在25小区的Kunz基准测试程序的仿真中,收敛速度也提升了近15%;仿真结果表明其有效减少了网络运算的迭代步数,提高了网络的搜索效率:通过相应理论和仿真结果的分析,对网络的搜索性能、参数的选择与设置进行了进一步的讨论。

基于小波混沌神经网络的图像复原算法

提出了一种将小波理论和混沌理论应用于改进的连续Hopfield神经网络的图像复原算法。文章在Hopfield神经网络应用于图像复原基础上,引入小波理论和混沌理论对Hopfield网络进行训练和调整,给出具体的小波混沌神经网络算法方案设计,并将改进后的算法应用于图像复原仿真。实验结果证明该小波混沌神经网络的图像复原方法得到的复原图像信噪比更高,可视效果更佳。

混沌神经网络在求解优化问题中的应用

本文运用GCM混沌神经网络对Hopfield神经网络在求解优化方面的问题进行了改进。通过混沌遍历 ,可使Hopfield网络在整个相空间进行搜索 ,从而避免网络在运行过程中陷入局部极小值。通过对一个对弈的实例进行实验 ,结果显示Hopfield网络的寻优特性获得了较大改进。

基于混沌神经网络的图像复原算法

文章提出了一种基于混沌神经网络的图像复原新算法。在对退化图像进行复原的过程中,针对Hopfield算法易于陷入局部极小的缺点,在Hopfield神经网络中引入暂态混沌和时变增益,充分利用混沌理论的全局搜索性能进行"粗"搜索,当搜索到全局最优解附近时,再利用Hopfield算法进行局部搜索。通过对图像复原后的效果进行比较,证明基于混沌神经网络方法得到的图像复原的信噪比更高,目视效果更加。

一种基于混沌寻优神经网络模型的语音识别矢量量化算法

矢量量化在语音识别中占有重要的地位,传统的LBG算法虽然收敛速度快,但极易陷入局部最优点。论文利用混沌运动固有的随机性与轨道遍历性等优良性质,提出了一种基于混沌寻优的Hopfield神经网络模型,并将其运用于语音识别中的矢量量化。该算法不仅收敛速度快,而且能够获得全局最优解,且初始解对算法的影响很小。实验结果表明该算法综合性能指标优于传统算法,具有较高的应用价值。

采用OHNN和M-LFSR的字序列密码加密方案

结合反馈型离散Hopfield神经网络(HNN)和改进型的线性反馈移位寄存器(M-LFSR)的优点,提出基于OHNN和M-LFSR的字序列密码.该方案利用离散Hopfield神经网络的混沌吸引子对改进型线性反馈移位寄存器的非线性选择输出,实现加密.安全性分析与仿真验证表明:该算法构造的伪随机序列具有良好的随机性、复杂度等特点,满足密码学的要求.

基于OHNN和驱动表的公钥加密算法

提出基于过饱和Hopfield神经网络(OHNN)和驱动表的公钥加密算法。算法以驱动表作为系统的驱动,经过函数组变换后产生随机数,数据选择器根据OHNN生成的混沌吸引子对随机数作非线性选择输出,从而实现加密。安全性分析与仿真验证表明,该算法构造的伪随机序列具有良好的随机性和复杂度,满足密码学的要求。

基于双Sigmoid小波混沌神经网络的盲检测算法

针对在盲检测环境中暂态混沌神经网络的缺陷,提出了基于双Sigmoid小波混沌神经网络的盲检测算法,构建了新网络的模型和能量函数,并分别在同步和异步更新模式下证明了该网络的稳定性。新网络的设计思想体现在:采用墨西哥帽小波函数和Sigmoid函数的组合作为网络的激励函数,再为每个神经元加一个激活函数构成双Sigmoid。仿真表明:由于小波函数较强的逼近能力以及双Sigmoid快速收敛的特性,提出的算法显著地提高了网络的全局寻优能力和寻优精度。

基于混沌神经网络的盲检测改进新算法

针对Hopfield神经网络的多起点问题,提出了一种新的基于混沌神经网络的盲信号检测算法,实现了二进制移相键控信号盲检测.据此进一步提出双sigmoid混沌神经网络模型,构造了新的能量函数,且证明了该模型的稳定性,并对网络参数进行配置.仿真实验表明:混沌神经网络能够避免局部极小点且具备较强的抗噪性能,双sigmoid混沌神经网络则继承了其所有的优点,且其收敛速度更快,仅需更短的接收数据即可到达全局真实平衡点,从而降低了算法的计算复杂度,减少了运行时间.

基于神经网络的对称密码系统

将混沌机制的非线性和随机特性引入密码系统 ,是加强信息保密的有效途径。离散 Hopfield神经网络存在混沌吸引子 ,基于此可以构造新的加密算法。该文在 GuoDonghui等人提出的对称的概率加密算法的基础上利用密码分组链接模式 (CBC) ,构造了一个较为完整的神经网络分组密码系统 ,它与数字加密标准 (DES)相比 ,更为简单 。