基于混沌理论的再热汽温神经网络模型

在利用混沌理论揭示火电机组再热汽温混沌动力学特性的基础上，构建了再热汽温神经网络预测模型。该模型利用混沌特性处理输入样本并确定神经网络的结构，用神经网络映射混沌相空间的相点演化的非线性关系，采用改进型遗传算法对神经网络模型进行参数辨识。仿真结果表明：该模型精度较高，收敛速度快，为实际生产过程中再热汽温的预测提供了一种新的思路和方法。     

基于量子粒子群优化算法的新型正交基神经网络分数阶混沌时间序列单步预测

针对分数阶混沌时间序列预测精度低、速度慢的问题,提出了基于量子粒子群优化(QPSO)算法的新型正交基神经网络预测模型。首先,在Laguerre正交基函数的基础上提出一种新型正交基函数,并结合神经网络拓扑构成新型正交基神经网络;其次,利用QPSO算法优化新型正交基神经网络参数,将参数优化问题转化为多维空间上的函数优化问题;最后,根据已优化参数建立预测模型并进行预测分析。分别以分数阶Birkhoff-shaw和Jerk混沌系统为模型,利用Adams-Bashforth-Moulton预估-校正法产生混沌时间序列作为仿真对象,进行单步预测对比实验。仿真表明,与反向传播(BP)神经网络、径向基函数(RBF)神经网络及普通的新型正交基神经网络相比,基于QPSO算法的新型正交基神经网络的平均绝对值误差(MAE)、均方根误差(RMSE)明显减小,决定度系数(CD)更接近于1,平均建模时间(MMT)明显缩短。实验结果表明,基于QPSO算法的新型正交基神经网络提高了分数阶混沌时间序列预测的精度和速度,便于该预测模型的应用和推广。     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

基于改进型遗传算法的再热汽温神经网络模型构建及预测分析

在根据混沌理论非线性重构技术揭示火电机组再热汽温变化的混沌动力学特性的基础上,构建了基于改进型遗传算法(AGA)的再热汽温神经网络模型.该模型利用混沌特性处理输入样本及确定神经网络的网络结构,用神经网络映射混沌相空间相点演化的非线性关系,采用AGA对神经网络模型进行参数辨识.训练结果表明,该模型精度较高,收敛速度快,为生产实际过程中预测机组再热汽温提供了一种新的思路和方法.     

混沌神经动力学行为在多自由度机器人上的应用研究

把高维的混沌神经动力学行为应用到多但有限自由度的机器人以实现适应性控制是一个困难的问题;借鉴大量神经元控制少数肌肉的生物事实,一种简单的神经编码方法被用来使高维的神经网络模式转化成了低维的运动参数;虽然只在神经网络中嵌入了3种简单的姿势动作,但是在混沌神经动力学行为出现时,机器人手臂呈现出复杂的组合运动;利用这一点,提出了一个简单的控制算法用来解决病态问题(不一定有解或者确定的解无法保证的问题);实装实验进一步表明,尽管只有粗略甚至不确定的光源信息,利用提出的控制算法,机器人手臂可以成功的寻找到光源。     

基于在线减法聚类的RBF神经网络结构设计

以设计最小径向基函数（RBF）神经网络结构为着眼点,提出一种在线RBF网络结构设计算法.该算法将在线减法聚类能实时跟踪工况的特性与RBF网络参数学习过程相结合,使得网络既能在线适应实时对象的变化又能维持紧凑的结构,有效地解决了RBF神经网络结构自组织问题.该算法只调整欧氏距离距实时工况最近的核函数,大大提高了网络的学习速度.通过对典型非线性函数逼近和混沌时间序列预测的仿真,表明所提出的算法具有良好的动态特性响应能力和逼近能力.     

一种混沌Hopfiele网络及其在优化计算中的应用

文章讨论了神经网络算法在约束优化问题中的应用,提出了一种混沌神经网络模型。在Hopfield网络中引入混沌机制,首先在混沌动态下搜索,然后利用HNN梯度优化搜索。对非线性函数的优化问题仿真表明算法具有很强的克服陷入局部极小能力。     

Modelling Temporal Series Through Synaptic Delay-based Neural Networks

In this paper we address the problem of the dynamic reconstruction of chaotic time series using a new training algorithm for delay-based neural networks, where the delays can be trained. In signal reconstruction terms, trainable delay-based Artificial Neural Networks (ANN) directly implement a form of the embedding theorem, and the training algorithm we have developed for this particular type of networks implicitly and autonomously obtains the embedding dimension and the normalised embedding delay. This structure and training algorithm permit training neural networks for temporal reasoning without resorting to any explicit time windowing process or determining parameters of the signal, such as the best dimension for the state space in which to unambiguously represent its evolution orthe appropriate sampling rate. In this work, the capacity of the neural network and training algorithm in the modeling of time series is tested in the prediction of future values of chaotic time series using iterative multistep prediction. Finally, to provide some indication of the real world operation of these types of systems in the reconstruction of signals, we present some results obtained in the prediction of hot wire anemometer measurements of the velocity of a turbulent flow in a Karman Vortex Street, which is a difficult problem in fluid dynamics.     

一种混沌Hopfield网络及其在优化计算中的应用

文章讨论了神经网络算法在约束优化问题中的应用,提出了一种混沌神经网络模型。在Hopfield网络中引入混沌机制,首先在混沌动态下搜索,然后利用HNN梯度优化搜索。对非线性函数的优化问题仿真表明算法具有很强的克服陷入局部极小能力。     

基于径向基函数神经网络的混沌干扰信号检测

为提高强混沌背景下谐波信号的检测能力,提高系统的信噪比,提出了一种在混沌背景噪声中提取正弦信号的RBF神经网络方法。依据混沌吸引子固有的几何特性和混沌系统轨迹点在流形中的演化规律,建立混沌系统的RBF神经网络单步预测模型,改进了网络的学习算法,利用RBF神经网络对输入扰动的敏感,预测出误差信号。分析了在低信噪比下的检测性能。通过对Lorenz流和实际舰船辐射噪声信号中的信号检测进行计算机仿真实验,验证了算法的有效性和可行性,并且实验表明信噪比最低达-40dB时,仍能有效检测出信号。     

基于混沌神经网络的发电机定子绕组匝间短路故障诊断

本文采用耦合的混沌振荡子作为单个混沌神经元构造混沌神经网络模型，用改进Hebb算法设计网络的连接权值。在此基础上，实现了混沌神经网络的动态联想记忆并应用该混沌神经网络模型对发电机定子绕组匝间短路故障进行诊断。结果表明，该种方法有助于故障模式的记     

基于Chaos-MEA-Elman的电离层临界频率f0F2预测

针对飞机高频通信中通信频率选择不当导致信号衰落等问题,提出一种基于混沌理论和思维进化算法优化的Elman神经网络相结合的临界频率f0F2预测方法。分析和验证f0F2时间序列的混沌特性;采用混沌理论重构技术重建f0F2时间序列的相空间,并根据相空间结构确定Elman神经网络各层节点个数;利用思维进化算法优化Elman神经网络的初始权值和阈值。数值和实验分析表明,Chaos-MEA-Elman算法比Elman神经网络对电离层临界频率f0F2的预测精确度更高,为预测飞机最佳通信频率提供新的方法。     

一种新的基于混沌神经网络的组播路由算法

探讨了在高速包交换计算机网络中,具有端到端时延及时延抖动限制的组播路由问题,提出了基于混沌神经网络的组播路由优化算法。所提出的方法具有许多优良特性,即暂态混沌特性和平稳收敛特性,能有效地避免传统Hopfield神经网络极易陷入局部极值的缺陷。它通过短暂的倒分叉过程,能很快进入稳定收敛状态。通过计算机仿真,和其它的一些方法进行了对比,结果表明：该算法能根据组播应用对时延和时延抖动的要求,快速、有效地构造最优组播树,具有较强的实时性。     

A noisy chaotic neural network for solving combinatorial optimization problems: stochastic chaotic simulated annealing

Recently Chen and Aihara have demonstrated both experimentally and mathematically that their chaotic simulated annealing (CSA) has better search ability for solving combinatorial optimization problems compared to both the Hopfield-Tank approach and stochastic simulated annealing (SSA). However, CSA may not find a globally optimal solution no matter how slowly annealing is carried out, because the chaotic dynamics are completely deterministic. In contrast, SSA tends to settle down to a global optimum if the temperature is reduced sufficiently slowly. Here we combine the best features of both SSA and CSA, thereby proposing a new approach for solving optimization problems, i.e., stochastic chaotic simulated annealing, by using a noisy chaotic neural network. We show the effectiveness of this new approach with two difficult combinatorial optimization problems, i.e., a traveling salesman problem and a channel assignment problem for cellular mobile communications.     

基于径向基函数神经网络的混沌背景谐波提取

为提高强混沌背景下谐波信号的提取能力,给出混沌系统的单步预测模型,提出了一种新的径向基函数神经网络模型.由混沌吸引子的维数来确定网络的输入,并给出了基于卡尔曼滤波器的动态学习算法,利用学习算法可以在网络训练时同时确定径向基神经网络隐层中心和输出层权值,提高了网络的收敛速度和预测性能.通过对Bossler混沌背景下低信噪比谐波信号的提取进行计算机认真实验,并且实验表明信噪比最低达一27dB时,仍能有效提取出谐波信号,验证了算法的有效性和可行性.     

用进化RBF神经网络控制Lorenz混沌

对镇定一嵌入在Lorenz混沌吸引子内的不稳定平衡点上的混沌轨道提出了一种利用进化RBF网控制混沌系统的新方法,采用了基于两层编码改进进化规划（IEP）的RBF网学习算法,要以同时确定网络的拓扑结构和参数,仿真结果表明本文控制Lorenz混沌响应速度快,控制精度高。     

一种小波神经网络的混沌加密算法研究

概括了小波神经网络的主要理论,将小波神经网络和混沌系统相结合,建立了一种混沌序列的生成模型,给出基于小波神经网络的混沌加密算法,最后对算法进行计算机仿真实验.结果表明小波神经网络具有更快的收敛速度和更准确的逼近能力,而基于小波神经网络的混沌加密算法具有很高的安全性.     

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，并且计算性能及解的质量优于基于Hopfield神经网络的路由算法。     

基于改进型遗传算法的前馈神经网络优化设计

阐明了遗传算法和神经网络结合的可行性，提出了一种改进的面向神经网络权值学习的遗传算法。通过对XOR问题的实验，显示出其快速学习网络权值的能力，且能摆脱局部极值的困扰和初始权值的限制，从各方面都表现出优于标准遗传算法和BP算法的性能。     

一种基于退火策略的混沌神经网络优化算法

Ｈｏｐｆｉｅｌｄ网络（ＨＮＮ）中引入混沌机制,首先在混沌动态下粗搜索,并利用退火策略控制混沌动态退出和逆分贫出现,进而ＨＮＮ梯度优化搜索,提出了一种具有随机性和确定性并存的优化算法,对经典旅行商（ＴＳＰ）的研究,表明算法具有很强的克服陷入局部极小能力,较大程度提高了优化、时间和对初值的鲁棒性能,同时给出了模型参数对性能影响的一些结论。