综合联想记忆神经网络的外积取等准则

本文提出了一个新的联想记忆设计准则，即外积取等准则，它具有外积和准则的所有优点。由外积取等准则设计出的联想记忆网络能够存储任意给定的训练模式，即对于训练模式的数目和它们之间相关性的强弱没有限制。外积取等准则可用来定量地评价记忆模式向量各分量对于记忆模式分类或识别的重要性。由外积取等准则设计出的网络的连接权值只取１、０或－１，因而网络易于光学实现。计算机实验结果充分说明了外积取等准则的有效性。     

引入多状态记忆机制的迭代软阈值学习算法及其应用

迭代软阈值学习算法(Learned Iterative Soft-Thresholding Algorithm,LISTA)将迭代软阈值算法(Iterative Soft-Thresholding Algorithm,ISTA)展开为递归前馈神经网络优化稀疏恢复的求解。针对LISTA单次迭代只依赖于前一迭代点限制算法收敛速率的问题,本文提出了一种引入多状态记忆机制的迭代软阈值学习算法(Learned Iterative Soft-Thresholding Algorithm with Multi-state Memory Mechanism,LISTA-MM)。该算法基于一阶迭代固定步长算法对LISTA进行改进,设置状态连接度数,选择性地组合多个先前迭代点的稀疏信息,确保了迭代过程中信息被正确传递并充分利用,进而加快了算法的收敛速度。实验结果表明,LISTA-MM在保证稀疏恢复精度的同时有效提高了收敛速度。此外,本文将LISTA-MM扩展为卷积形式,并探索其在图像超分辨率中的应用,实验结果表明,基于LISTA-MM的网络在图像质量评价指标和可视化效果上均优于其他网络,重构图像具有与原始图像相近的清晰细节纹理。      

前向神经网络训练的一种快速收敛算法

本文介绍了用于训练前向神经网络的一种算法。本算法基于ＲＬＳ算法，它以输入数据的瞬时变化来寻找最佳权值，以运算的复杂性来换取快速收敛。它与ＢＰ算法相比，迭代次数少于ＢＰ算法的３０％，并且初始值的设置受网络限制很小。     

二进神经网络的最稳健设计

本文基于对ｎ维超立方体的分割超平面应处在任两个不同类相邻顶点连线的中点、且与连 的思想，设计了能够实现逻辑功能的具有次强和最强稳健能力的我层前向神经网络、给出了稳健神经元之间的连接权和偏置值的设计规则，并服运用这一规则能够设计出既能实现所希望逻辑功能，又具有对输入数据的次强和最强稳健能力的前向网络，相应的网络规模分别为ｎ－ｋ－１和ｎ－ｎ－ｋ－１由于所构造的网络其连接权值只可能是＋１、－１、０，使得     

量子纠缠联想记忆

提出一种基于量子纠缠的联想记忆神经网络(QuEAM).对比传统的联想记忆网络,QuEAM的存储容量得到了指数级的增大.学习算法是根据纠缠量度的性质,采用Grover量子迭代算法的基本原理局域放大量子位(qubit)的概率振幅,相当于传统计算机的按位操作,讨论了这个学习算法下的量子基本原理.最后给出具体的例子说明了算法的有效性.     

一种自适应B样条网络学习算法

本文提出Ｂ样网络的一种自适应学习算法,在这种算法中,网络隐层Ｂ样条基函数的个数根据训练数据自动确定,而非零Ｂ样条基函数对应的内结点位置和连接权通过梯度下降法迭代调整,计算机模拟结果表明该算法比现有的Ｂ样条网络学习算法更加有效和实用。     

模糊双向联想记忆网络的有效学习算法

基于模糊取大运算和爱因斯坦S-模提出新的模糊双向联想记忆网络模型（Max—SesFBAM），并为该网络提出了一种新的学习算法。在理论上严格证明了，任意给定的模式对集，只要存在有连接权矩阵对使其为Max—SesFBAM的平衡态集，则依该学习算法所确定的连接权矩阵对（W^-，U^-）是所有这样的连接权矩阵对中的最大者；且该最大连接权矩阵对能使Max—SesFBAM对任意输入在一步内就进入平衡态。     

循环神经网络的语音识别算法

通常采用具有前向连接权的连接网络便可实现静态输入输出模式对的联想,但是为了使网络记忆序列信息状态,必须考虑引入反馈连接权。本文构造一个具有动态神经元的多层网络结构,动态神经元带有多时延的局部反馈。此网络结构用于记忆时间序列信息,同时,相应地我们推导一种更有效、更便于实现的网络学习算法。最后,为了测试所提出网络学习动态时变数据的能力,选择几个不同参数的动态神经元模型,进行了一系列实验。     

基于非线性宏观方法的交通信号预测控制分析

为了提高城市路网设计效率，设计了一种基于非线性模型预测控制的城市路网交通流优化。采用预测控制方法，达到最大限度地提高路口的通行能力，并验证了迭代式识别在车辆流量模型的参数识别中的正确性。研究结果表明：随着迭代次数增多，网络各个路段排队车错误值逐渐降低，且保持不变。对网络交通系统的最大错误对比，以更好地体现了迭代识别正确性。虽然道路网的非线性宏观流量模型与道路模拟试验结果总体上是与道路交通流量的实际改变相一致的，验证了该方法在道路网络中的非线性大流量模型的识别性能。在随机扰动在系统中辨识算法可实现对系统期望输出的快速跟踪，具有较快收敛速度。     

用于光子计数单像素成像的去块状采样网络

将光子计数技术和单像素成像结合,能实现高灵敏、低成本的光子计数成像,但存在采样时间和重建时间长的问题。基于深度学习的压缩采样和重建网络,将去除偏置和激活函数的全连接层作为测量矩阵,通过从数据中学得高效的测量矩阵和避免传统迭代算法带来的巨大计算量,实现了更快、更高质量的图像重建。但利用全连接层进行高分辨图像的分块压缩感知时,重建图像会产生块状效应。针对该问题提出了重叠分块采样网络（Os_net）、嵌套采样网络(Ns_net)、卷积采样网络（Cs_net）等三种方法以取代全连接层采样。在重建网络的设计中,使用线性映射网络对图像进行重建,设计实验结果表明Cs_net的去块状化效果最好。将Cs_net二值化后应用于光子计数单像素成像系统,实验结果表明Cs_net除块状化明显优于传统算法TVAL3,且Cs_net在重建质量上也同样取得了较好的效果。     

具有遮挡鲁棒性的目标中心距离加权的跟踪算法

本文提出了一种实时跟踪算法,以目标中心距离加权的目标图像直方图作为模板,采用mean-shift迭代方法进行目标定位;当目标被部分遮挡时,用"分块匹配"的方法提高算法鲁棒性;对于超过一定像素的较大目标,本算法进行"降采样",大大减小运算量,从而实现了对大尺度目标的实时跟踪.实时视频流的实际跟踪系统验证了该方法的有效性.     

前向神经网络的神经元分层逐个线性优化快速学习算法

本文提出了一种新的前向神经网络快速分层学习算法.在此学习算法中,其优化策略为对输出层和隐层神经元的连接权值交替优化.对输出层权值优化算法采用基于广义逆的最小二乘递推算法,对隐层神经元的连接权值采取则对每个神经元逐个进行优化,而且采用正交变换加快每一步学习的计算速度和提高算法的数值稳定性.当学习过程停滞时采用随机扰动的方法摆脱过早收敛.数值实验表明,与BP动量因子法、牛顿型方法和现有的分层优化算法相比,新算法不仅学习速度快学习时间短,而且当网络规模增大时仍然比较有效.     

人工免疫思维进化算法的设计

文中提出一种人工免疫思维进化算法,此算法在免疫系统优化机理的基础上吸取了思维进化算法中的优点,提出了趋同半径和异化半径的概念,实现了免疫算法中抗体的局部和全局寻优,并且给出了一种基于矢量距的概率选择方法。同时,本文描述了算法的具体实现步骤,证明了算法的收敛性,给出了仿真实验。实验结果表明,新算法有机地结合了人工免疫算法和思维进化算法的优点,具有不易陷入局部极值,解的精度高,收敛速度快等特性。     

亚象素运动估值快速算法

高精度的匹配和补偿可以减少预测误差，提高视频图像的压缩效果。文中提出了一种亚象素精度视频运动估值的快速算法，根据半象素精度运动估值的中间结果，直接推算出更高精度的运动估值。该算法为高精度亚象素运动估值的研究提供了算法保证。     

基于混合遗传算法的唯相位直接数据域算法

提出一种基于混合遗传算法的唯相位直接数据域最小二乘算法.通过采用标准遗传算法与Neider-Mead单纯形法相结合的混合遗传算法,提高了优化效率和运算速度.首先根据标准直接数据域算法推导得出目标函数,继而将目标函数作为适应度函数,将所有自适应权值的未知相位作为决策变量,通过混合遗传算法进行非线性优化,从而求得各个自适应权值的优化解.作为一种唯相位自适应算法,它在硬件实现上比传统算法更具简单性.同时,它只对单快拍数据进行处理,避免了样本协方差矩阵的构造以及矩阵求逆运算,更适合于实时处理.仿真结果表明,算法具有良好的信号恢复和干扰置零性能,比基于非线性其轭梯度法的唯相位直接数据域算法性能更优.     

“Stop and Go”判决引导算法中β的选择及其动量算法

本文在分析“stop and go”判决引导算法的基础上,提出了一种选取β的方法。该方法保证对不同的信号和信道“stop and go”判决引导(DD)算法都能快速收敛。为了提高“stop and go”DD算法的收敛速度,提出了一种自适应动量“stop and go”DD算法。该算法比“stop and go”算法的收敛速度更快。     

基于目标中心距离加权和图像特征识别的跟踪算法

本文提出了一种实时跟踪算法,以目标中心距离加权的灰度图像作为模板,采用mean-shift迭代方法实现目标的空间定位;同时建立二值图像模板,根据目标的图像特征,进行尺度定位.本算法改进了kernel-based算法对变尺度目标的跟踪.对于超过一定像素的较大目标,本算法进行"降采样",大大减小运算量,从而实现了对大尺度目标的实时跟踪.实时视频流的跟踪实验验证了该方法的有效性.     

A ROBUST PHASE-ONLY DIRECT DATA DOMAIN ALGORITHM BASED ON GENERALIZED RAYLEIGH QUOTIENT OPTIMIZATION USING HYBRID GENETIC ALGORITHM

A robust phase-only Direct Data Domain Least Squares （D3LS） algorithm based on generalized Rayleigh quotient optimization using hybrid Genetic Algorithm （GA） is presented in this letter. The optimization efficiency and computational speed are improved via the hybrid GA composed of standard GA and Nelder-Mead simplex algorithms. First, the objective function, with a form of generalized Rayleigh quotient, is derived via the standard D3LS algorithm. It is then taken as a fitness function and the unknown phases of all adaptive weights are taken as decision variables Then, the nonlinear optimization is performed via the hybrid GA to obtain the optimized solution of phase-only adaptive weights. As a phase-only adaptive algorithm, the proposed algorithm is simpler than conventional algorithms when it comes to hardware implementation. Moreover, it proc- esses only a single snapshot data as opposed to forming sample covariance matrix and operating matrix inversion. Simulation results show that the proposed algorithm has a good signal recovery and interferences nulling performance, which are superior to that of the phase-only D3LS algorithm based on standard GA.     

基于单参数坐标轮换法的多层前馈型神经网络的一种新型算法

关于前馈型神经网络,本文提出一种基于单参数坐标轮换法的新型高铲算法,并就其计算复杂性方面进行了深入研究。指出本算法之所以收敛速度快,是因为其计算复杂性只与网络单元有关参数关系密切。算例证明了本算法对实际应用问题比ＢＰ算法有明显改进。     

机会网络中基于有权社团结构图的路由协议研究

基于社团检测的机会网络路由算法大多采用无权重网络拓扑划分社团,仅将节点间的关系抽象为一条简单的无权重的边,忽略了节点关系的强弱程度。本文通过引入权重策略改进了QCA社团更新算法,提出了一种基于有权社团结构的路由算法,该算法解决了社团关系定量化单一的问题,更能真实反映出社团成员之间的关系。算法中,节点间的交互信息转化为权重,根据不同的网络环境选择不同的权重转化方案———归一化权重（normalized weight）和非归一化权重（non-normalized weight）。路由算法在检测到周围网络环境变化时自动切换权重计算方案以适应网络环境的变化。通过在仿真环境和真实数据集上测试和分析,该算法能够将网络中的节点划分出合理的社团结构,并在保证较高的传输成功率的情况下降低网络开销。