不同重连概率的小世界脉冲神经网络抗扰功能研究

现今各种电磁干扰对电子系统造成的不良影响越来越严重,传统防护方式的局限性日益凸显。电磁仿生学由此被提出,目的是通过借鉴生物体的自适应抗扰的优良特性,以期建立新的防护模式。构建了以Izhikevich神经元模型为节点,兴奋性和抑制性突触可塑性模型共同调节基于小世界网络拓扑的小世界脉冲神经网络;基于复杂网络理论对比分析了不同重连概率的小世界网络的拓扑特性;对比分析了不同重连概率的小世界脉冲神经网络在高斯白噪声刺激下的抗扰功能。实验结果表明:小世界网络的平均路径长度和全局效率值受重连概率的影响较小,平均聚类系数和小世界属性受重连概率的影响较大;构建的不同重连概率的脉冲神经网络均具有一定抗扰功能且高聚类系数和低平均路径长度显著的小世界脉冲神经网络抗扰功能最优。     

不同聚类系数无标度脉冲神经网络动态特性对比分析

拓扑结构可以影响脉冲神经网络的功能。聚类系数是反映网络连通性的重要拓扑性质之一，基于不同聚类系数拓扑进行脉冲神经网络的研究对于进一步理解网络拓扑性质对网络功能影响具有重要意义。以Izhikevich神经元模型为节点，突触可塑性为边，分别构建高、低聚类系数无标度拓扑的脉冲神经网络，评估并对比两种网络的动态特性。实验结果表明，两种网络动态特性随时间均先剧烈变化而后逐渐趋于稳定；在网络连接强度、局部和全局信息传输效率、小世界属性方面，高聚类均比低聚类无标度脉冲神经网络更具优势。     

小世界人工神经网络模型及其应用研究

关于优化神经网络模型的快速性和精度,为了寻找最优的神经网络结构,在复杂网络的研究方法对多层前向神经网络模型的基础上,提出一种在层次结构上处于规则型到随机型神经网络过渡的中间网络模型-NW型多层前向小世界人工神经网络模型.利用对多层前向规则神经网络中神经元以某一概率p随机化向后层跨层连接,构建新的神经网络模型,然后将不同跨层概率下的小世界人工神经网络应用于函数逼近.在设定精度相同情况下对不同概率下的收敛次数做比较,仿真发现随机化加边概率p处于p =0.08附近时的小世界人工神经网络比同规模的规则网络和随机网络具有更好的收敛速度,实验证实采用NW型小世界多层前向人工神经网络模型,在精度和收敛速度上均得到提高.     

多层前向小世界神经网络及其函数逼近

借鉴复杂网络的研究成果, 探讨一种在结构上处于规则和随机连接型神经网络之间的网络模型—-多层前向小世界神经网络. 首先对多层前向规则神经网络中的连接依重连概率p进行重连, 构建新的网络模型, 对其特征参数的分析表明, 当0 < p < 1时, 该网络在聚类系数上不同于Watts-Strogatz 模型; 其次用六元组模型对网络进行描述; 最后, 将不同p值下的小世界神经网络用于函数逼近, 仿真结果表明, 当p = 0:1时, 网络具有最优的逼近性能, 收敛性能对比试验也表明, 此时网络在收敛性能、逼近速度等指标上要优于同规模的规则网络和随机网络.     

电机温度时滞耦合系统自抗扰控制仿真研究

电机温度过高会造成绝缘性能老化,电机安全性能下降;电机控制系统是典型的非线性系统,电机温度也因此具有时滞性和耦合性的特点,难以建立准确的数学模型;传统的方法对电机温度的控制精度较差,从而导致电机温度失控;为此,提出基于BP神经网络自抗扰控制算法的电机时滞耦合关系下温度控制方法;将BP神经网络与PID控制方法相结合建立电机温度网络自抗扰控制器模型,利用梯度下降法修正电机温度控制器模型的权值系数,从而实现了BP神经网络自抗扰控制器参数的实时调整;实验结果表明,利用BP神经网络自抗扰算法进行电机时滞耦合关系下温度调整,能够有效提高控制的精确度,缩短了控制过程中的时间延时。     

一种基于神经网络的多节点非线性PID队列控制

针对异步传输模式(ATM)网络可利用比特率(ABR)业务流多数都具有突发性,往往会造成网络过载,甚至引起严重的网络拥塞问题,提出了一种基于BP神经网络的缓冲队列的非线性控制机制并对其进行了抗扰性分析。在多节点的业务流模型基础上,运用OPNET软件对其进行了不同工作条件下的仿真,结果显示,在所设计的控制机制下,网络的有关性能良好。     

小世界网络抗毁性及介-度相关性研究

日常生活中,复杂网络主要面临随机攻击和选择性攻击,网络模型的结构特性使复杂网络在不同攻击方式下的抗毁性有很大的差异.综合考虑复杂网络的抗毁性参数和网络模型的结构特性差异,文章以节点的最大度值、平均度值、最大介数和平均介数为度量参数,通过5种不同攻击方式对WS小世界网络的抗毁性进行了测试,得到了介度关系曲线,随着节点的移除,动态分析了WS小世界网络的抗毁性和攻击下小世界网络的介 度相关性.实验结果表明,WS小世界网络在RD攻击下表现出一定的脆弱性,在其他攻击方式下有很强的鲁棒性,而其介度关系在某些区域呈线性关系,但大部分区域呈现无规律性,其动态相关性需要进一步研究.小世界网络较强的抗毁性对组建网络有重要的影响,鉴于小世界网络的结构特性,组建网络时应尽量不要把网络的功能集中在少数Hub节点上.针对WS小世界网络较强的鲁棒性,结合小世界网络的结构特性,将做进一步研究,以便提出更高效的攻击策略.     

小世界网络拓扑下的多Agent网络传输有效性和限定性满足问题研究*

首先探讨了小世界拓扑下的多Agent网络的有效性、可靠性,相比于规则Agent网络和完全随机Agent网络,小世界网络拓扑具有更高的有效性和可靠性;其次,对于Agent网络的限定满足问题的解决,规则Agent网络比小世界Agent网络和完全随机Agent网络更优.     

基于深度自编码网络语音识别噪声鲁棒性研究

为了解决传统径向基（Radial basis function,RBF）神经网络在语音识别任务中基函数中心值和半径随机初始化的问题,从人脑对语音感知的分层处理机理出发,提出利用大量无标签数据初始化网络参数的无监督预训练方式代替传统随机初始化方法,使用深度自编码网络作为语音识别的声学模型,分析梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）和基于Gammatone听觉滤波器频率倒谱系数（Gammatone Frequency Cepstrum Coefficient,GFCC）下非特定人小词汇量孤立词的抗噪性能。实验结果表明,深度自编码网络在MFCC特征下较径向基神经网络表现出更优越的抗噪性能;而与经典的MFCC特征相比,GFCC特征在深度自编码网络下平均识别率相对提升1.87%。     

基于QDRNN-ADRC的重力稳定平台控制研究

针对稳定平台系统存在系统模型不够精确或者参数变化,或者外部干扰未知等现象,以及采用自抗扰控制器存在参数众多且难以整理的问题,提出了一种基于准对角递归神经网络—自抗扰控制器(QDRNN—ADRC)的重力稳定平台控制算法.通过自抗扰控制器对系统的"总扰动"进行估计并补偿,同时引入神经网络的辨识功能对自抗扰控制器部分参数进行在线整定,基于自抗扰控制技术核心架构设计了QDRNN—ADRC.仿真结果表明:有效解决了重力稳定平台利用神经网络的辨识功能对自抗扰控制器部分参数进行在线整定外扰动的干扰以及参数自适应整定问题,相对于传统控制方法,其在稳定精度、快速性及抗干扰性方面均具有一定优势.     

Short-term potentiation effect on pattern recall in sparsely coded neural network

It has been shown in studies of biological synaptic plasticity that synaptic efficacy can change in a very short time window, compared to the time scale associated with typical neural events. This time scale is small enough to possibly have an effect on pattern recall processes in neural networks. We study properties of a neural network which uses a cyclic Hebb rule. Then we add the short term potentiation of synapses in the recall phase. We show that this approach preserves the ability of the network to recognize the patterns stored by the network and that the network does not respond to other patterns at the same time. We show that this approach dramatically increases the capacity of the network at the cost of a longer pattern recall process. We discuss that the network possesses two types of recall. The fast recall does not need synaptic plasticity to recognize a pattern, while the slower recall utilizes synaptic plasticity. This is something that we all experience in our daily lives: some memories can be recalled promptly whereas recollection of other memories requires much more time.     

基于Temporal rule的忆阻神经网络电路

忆阻器是一种动态特性的电阻,其阻值可以根据外场的变化而变化,并且在外场撤掉后能够保持原来的阻值,具有类似于生物神经突触连接强度的特性,可以用来存储突触权值。在此基础上,为了实现基于Temporal rule对IRIS数据集识别学习的功能,建立了以桥式忆阻器为突触的神经网络SPICE仿真电路。采用单个脉冲的编码方式,脉冲的时刻代表着数据信息,该神经网络电路由48个脉冲输入端口、144个突触、3个输出端口组成。基于Temporal rule学习规则对突触的权值修改,通过仿真该神经网络电路对IRIS数据集的分类正确率最高能达到93.33%,表明了此神经系统结构设计在类脑脉冲神经网络中的可用性。     

基于PCNN的图像椒盐噪声滤除方法

传统的降噪方法在图像降噪之后会损坏图像的部分边缘细节信息,致使图像的轮廓变得模糊不清。为了达到更好的图像降噪效果,提出一种改变突触链接强度和改进阈值函数的脉冲耦合神经网络的图像降噪方法。该方法将基本脉冲耦合神经网络模型进行简化,使突触链接强度自适应取值,将阈值函数改进为分段的衰减函数,从而提高对图像不同灰度值的分辨力,并根据神经元与其周围神经元点火时间差定位噪声点,提高了算法对噪声点的辨识精确度,进而实现更好的降噪效果。实验结果表明,改进方法准确地辨识出了图像的椒盐噪声点,并且能够有效去除噪声点,同时很好地保护图像边缘细节。     

基于神经网络PID的嵌入式电源控制系统

针对传统PID控制器对非线性时变系统实时性差、抗干扰能力弱,且控制参数人工整定较为困难的问题,研究利用神经网络自学习、抗干扰能力强的特性以及任意逼近非线性函数的能力,在硬件层面实现神经网络控制。利用高性能嵌入式系统芯片作为神经网络计算核心,设计搭建了自整定PID逆变电源控制系统和电路。通过实验验证了该神经网络优化的PID控制系统在两种误差指标上分别降低了15.2%和67.8%,并实现了对期望输出更好的跟踪效果,提高了控制系统的自适应能力,实现了智能算法和功能。     

自适应模糊神经网络预测阳离子标准熵的研究

依据独立共同可别粒子体系的熵与配分函数的关系,采用自适应模糊神经网络的方法,以元素原子量和其电子层数为参数,关联阳离子标准熵。利用减法聚类算法确定模糊神经网络的结构,并结合模糊推理系统调整网络参数,仿真的结果令人满意。成功地关联了固体化合物中70种阳离子的标准熵。在此基础上,预报目前尚缺的17种阳离子的标准熵。自适应模糊神经网络可望成为研究元素和化合物构效关系的辅助手段。     

Adaptive dynamic programming for linear impulse systems

We investigate the optimization of linear impulse systems with the reinforcement learning based adaptive dynamic programming （ADP） method. For linear impulse systems, the optimal objective function is shown to be a quadric form of the pre-impulse states. The ADP method provides solutions that iteratively converge to the optimal objective function. If an initial guess of the pre-impulse objective function is selected as a quadratic form of the pre-impulse states, the objective function iteratively converges to the optimal one through ADP. Though direct use of the quadratic objective function of the states within the ADP method is theoretically possible, the numerical singularity problem may occur due to the matrix inversion therein when the system dimensionality increases. A neural network based ADP method can circumvent this problem. A neural network with polynomial activation functions is selected to approximate the pr~impulse objective function and trained iteratively using the ADP method to achieve optimal control. After a successful training, optimal impulse control can be derived. Simulations are presented for illustrative purposes.     

类脑神经网络与神经形态器件及其电路综述

为了系统地了解类脑神经网络电路,在对类脑神经网络进行简要介绍的基础之上,重点阐述两种类别的神经形态器件及功能,包括不同类型的浮栅管和不同工艺材料的忆阻器来模拟单个神经元和突触可塑性功能;然后,以神经形态器件为基础,分别介绍了基于浮栅管和忆阻器实现神经网络电路;最后总结当前神经形态器件及类脑神经网络芯片存在的问题,并对有关类脑计算研究方向进行了展望.     

Evolutionary robot controllers with competitive and cooperative neural networks

This article describes a new approach for control systems for an autonomous mobile robot by using sandwiches of two different types of neural network. One is a neural network with competition and cooperation, and is used for recognizing sensor information where synaptic coupling are fixed. The second is a neural network with adaptive synaptic couplings corresponding to a genotype in a creature, and used for self-learning for the wheel controls. In a computer simulation model, we were successful in obtaining four types of robot with good performance when going along a wall. The model also showed robustness in a real environment. This work was presented, in part, at the Sixth International Symposium on Artificial Life and Robotics, Tokyo Japan, January 15–17, 2001     

Dimensional reduction for reward-based learning

Reward-based learning in neural systems is challenging because a large number of parameters that affect network function must be optimized solely on the basis of a reward signal that indicates improved performance. Searching the parameter space for an optimal solution is particularly difficult if the network is large. We show that Hebbian forms of synaptic plasticity applied to synapses between a supervisor circuit and the network it is controlling can effectively reduce the dimension of the space of parameters being searched to support efficient reinforcement-based learning in large networks. The critical element is that the connections between the supervisor units and the network must be reciprocal. Once the appropriate connections have been set up by Hebbian plasticity, a reinforcement-based learning procedure leads to rapid learning in a function approximation task. Hebbian plasticity within the network being supervised ultimately allows the network to perform the task without input from the supervisor.