基于量子神经网络的MIMO信号检测技术

MIMO信号的最优检测在常规条件下是一NP难解问题。利用量子并行计算和量子纠缠等特性,量子计算与人工神经网络结合的量子神经网络能有效的解决这一问题。本文采用Hopfield神经网络实现MIMO信号检测,利用基于检测序列最大后验概率最佳接收似然函数与Hopfield神经网络的能量函数对应关系,构造一种量子神经网络的MIMO检测器。计算仿真结果表明：本文所提出的检测器在误码率方面有良好的性能。     

Hopfield神经网络在机组组合问题中的应用

提出利用多层Hopfield神经网络求解机组组合优化问题。通过构造合适的能量函数使得单层Hopfield神经网络可以解决某一时刻的机组出力问题,与之相对应的多层神经网络可以解决任意时间段的机组出力问题。多层Hopfield神经网络的层数由所需求解问题的时间段确定。给出单层及多层神经网络的能量函数及求解算法,能量函数考虑到机组升降功率和出力上下限的约束。通过对已有文献的算例进行计算比对,所得结果和遗传算法基本一致,但Hopfield神经网络通过解微分方程组来确定最优解,计算时间相对较少。     

基于神经网络量子算法的多用户检测器

利用遗传量子算法和Hopfield神经网络，提出了一种融合两种算法优点的神经网络量子算法，并将其应用到CDMA通信系统的多用户检测问题中。所提算法把神经网络嵌入到遗传量子算法的每一代中，可进一步提高量子种群的适应度函数值。通过混合神经网络到GQA中，还可加快GQA的收敛速度进而减少算法的计算复杂度。另外，GQA所提供的良好初值改善了HNN的性能，嵌入的HNN也提高了GQA的性能。仿真结果证明了该方法的抗多址干扰能力和抗远近效应能力都优于传统检测器和一些应用智能算法的多用户检测器。     

量子遗传算法优化神经网络的MIMO-OFDM检测研究

信号的最优检测在常规条件下是一NP难解问题,针对RBF（径向基函数）神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,提出一种新型智能算法并将其用于MIMO-OFDM系统信号检测中：该算法将量子计算、遗传算法与神经网络相结合,用量子遗传算法（QGA）优化神经网络初始值。由于QGA给RBF网络提供了较好的初始值,故能够使RBF网络快速收敛到最优解,避免了由初始值的随机选取而带来的检测误码。实验结果表明,该算法能够有效地提高系统的信号检测性能,降低误码率。     

基于Hopfield神经网络多用户检测技术的研究

多用户检测中的MMSE算法随着用户数增加而受到限制,MMSE的优化问题可以转化为Hopfield神经网络的能量函数的最小化问题。针对基于Hopfield神经网络多用户检测算法进行仿真和分析,仿真表明Hopfield神经网络多用户检测算法在抗多址干扰和远近效应上有所提高。     

基于神经网络的数字水印容量分析

利用Hopfield神经网络记忆宿主图像以及原始水印信息,提出了一种基于神经网络的盲检测数字水印算法.利用噪声可见函数实现了水印的自适应嵌入,在水印检测时实现了水印的盲检测.在此基础上研究了基于神经网络的图像水印容量问题.研究结果表明,嵌入水印的最大信息量取决于神经网络吸引域的大小.     

基于Hopfield神经网络的盲检测数字水印

提出了一种基于Hopfield神经网络的盲检测数字水印算法。基于噪声可见函数实现了水印的自适应嵌入，利用Hopfield神经网络记忆宿主图像以及原始水印信息。在水印检测时，通过神经网络从嵌入水印的图像中联想出宿主图像和水印嵌入信息，再利用嵌水印图像和联想出的宿主图像提取出水印，实现了水印的盲检测。     

基于Hopfield神经网络的作业车间生产调度方法

该文提出了基于Hopfield神经网络的作业车间生产调度的新方法.文中给出了作业车 间生产调度问题(JSP)的约束条件及其换位矩阵表示,提出了新的包括所有约束条件的计算能 量函数表达式,得到相应的作业车间调度问题的Hopfield神经网络结构与权值解析表达式,并 提出相应的Hopfield神经网络作业车间调度方法.为了避免Hopfield神经网络容易收敛到局部 极小,从而产生非法调度解的缺点,将模拟退火算法应用于Hopfield神经网络求解,使Hopfield 神经网络收敛到计算能量函数的最小值0,从而保证神经网络输出是一个可行调度方案.该文 改进了已有文献中提出的作业调度问题的Hopfield神经网络方法,与已有算法相比,能够保证 神经网络稳态输出为可行的作业车间调度方案.     

改进的无线传感网混沌Hopfield盲检测算法

在密集部署的无线传感器网络中,相邻传感器的信号可能高度相关。在无线传感网传输模型分簇的基础上,针对Hopfield神经网络极易陷入局部最优解、收敛速度慢等缺陷,利用混沌序列的遍历性和类随机性,提出一种改进的混沌Hopfield盲检测算法解决无线传感网簇内传感器信号盲检测问题。算法的思想是:利用混沌映射产生初始发送序列,并且在算法出现早熟收敛时进行小幅度的混沌扰动,借此降低算法的误码率。仿真结果表明,改进的混沌Hopfield神经网络算法所需数据量极短,从而成功实现簇内簇首传感器信号盲检测。     

基于Hopfield神经网络的并行干扰抵消多用户检测

基于神经网络运算速度快,并行处理能力强的特点,本文以最小均方误差为准则,利用Hopfield神经网络特有的并行干扰抵消结构及其固有的能量函数快速下降特性,提出了基于Hopfield神经网络的并行干扰抵消多用户检测算法,既解决了局部最优的问题,又降低了MMSE的计算复杂度。     

基于Hopfield神经网络多用户检测技术的研究

最优多用户检测器的优化问题可以映射为Hopfield神经网络的能量函数的最小化问题。本文对基于典型Hopfield神经网络多用户检测器和基于随机Hopfield神经网络多用户检测器进行了性能分析,计算机仿真表明这两种多用户检测器均具有抗多址干扰和抗远近效应的能力强、运算量小、实时性好等优点。     

Multiprocessor Task Assignment with Fuzzy Hopfield Neural Network Clustering Technique

Most scheduling applications have been demonstrated as NP-complete problems. A variety of schemes are introduced in solving those scheduling applications, such as linear programming, neural networks, and fuzzy logic. In this paper, a new approach of first analogising a scheduling problem to a clustering problem and then using a fuzzy Hopfield neural network clustering technique to solve the scheduling problem is proposed. This fuzzy Hopfield neural network algorithm integrates fuzzy c-means clustering strategies into a Hopfield neural network. This investigation utilises this new approach to demonstrate the feasibility of resolving a multiprocessor scheduling problem with no process migration and constrained times (execution time and deadline). Each process is regarded as a data sample, and every processor is taken as a cluster. Simulation results illustrate that imposing the fuzzy Hopfield neural network onto the proposed energy function provides an appropriate approach to solving this class of scheduling problem.       

一种Hopfield神经网络能量函数改进下的作业车间调度*

由于作业车间调度问题的目标函数目前还无法用换位矩阵的元素以数学公式的形式表示,因此无法保证求出全局最优解。文中首先对换位矩阵表示方法进行了改进,给出新的带有目标函数的能量函数表达式,然后提出改进的Hopfield神经网络作业车间调度方法,并将模拟退火应用于Hopfield神经网络求解,避免了陷入局部极值。仿真结果表明,该方法具有全局搜索能力,并能够保证神经网络的稳态输出为全局最优或近似全局最优。     

用改进的差分式Hopfield网络实现线性二次型最优控制

为解决差分式Hopfield网络能量函数的局部极小问题,本文对之改进得到一种具有迭代学习功能的线性差分式Hopfield网络.理论分析表明,该网络具有稳定性,且稳定状态使其能量函数达到唯一极小值.基于线性差分式Hopfield网络稳定性与其能量函数收敛特性的关系,本文将该网络用于求解多变量时变系统的线性二次型最优控制问题.网络的理论设计方法表明,网络的稳态输出就是欲求的最优控制向量.数字仿真取得了与理论分析一致的实验结果.     

基于神经网络的图象序列特征点匹配

利用神经网络优化技术解决图象序列的特征点匹配问题，将特征点匹配归结为一个带约束的优化问题，并用2D Hopfield网络实现，在Hopfield网络的能量函数的设计中，综合考虑了特征点的预测结果、特征点的遮挡等情况，从而克服了现有的多数方法所存在的误匹配现象，对于特征点的跟踪，头3帧图象的正确匹配是十分关键的。本文提出了一种3D Hopfield网络用以解决头3帧图象的特征点匹配，并提出了一个运动平滑性的代价函数用以构造3D Hopfield网络的能量函数，实际图象序列的实验结果证明了本方法的有效性。     

基于递归神经网络的移动域控制方法

构造一种线性差分式Hopfield网络（LDHNN），其稳定状态可使能量函数达到唯一极小值，利用该网络稳定性与其能量函数收敛特性的关系，提出了基于LDHNN的移动域控制方法，LDHNN的理论设计表明，网络的稳态输出即为移动域LQ控制问题的解，当系统满足一定条件时，基于LDHNN的移动域LQ控制能保证闭环最优控制系统的渐近稳定性．数字仿真取得了与理论分析一致的实验结果。