延迟离散Hopfield型神经网络异步收敛性

离散Ｈｏｐｆｉｅｌｄ型神经网络的一个重要性质是异步运动方式下总能收敛到稳定态。同步运行方式下总能收敛到周期不超过２的极限环,它是该模型可以用于联想记忆设计,组合设计计算的理论基础,文中给出了延迟离散Ｈｏｐｆｉｅｌｄ型网络的收敛性定理,在异步运动方式下,证明了对称连接权阵的收敛性定理,推广了已有的离散Ｈｏｐｆｉｅｌｄ型网络的收敛性结果,给出了能量函数极大值点与延迟离散Ｈｏｐｆｉｅｌｄ型网络的稳定态的     

离散Hopfield-型神经网络的动态行为

主要利用网络的状态转移方程和定义能量函数的方法对非对称离散Hopfield神经网络在并行演化方式的动力学行为进行了研究。同时,给出了一些新的网络的收敛性条件。所获结果推广了一些已有的结论。     

一种求解Shubert函数优化问题的演化算法

综合国内外演化计算研究现状,基于热力学中的自由能极小化原理, 设计了一个全新的热力学演化算法,并通过对于Shubert函数优化问题求解的数值试验,测试了热力学演化算法的优良性能,实验结果表明了热力学演化算法求出的解比一般演化算法求出的解更加接近于全局最优。     

用Excel求解网络优化问题

规划求解在各个行业都得到广泛的应用，并取得了显著的经济效益。各个领域中的大量问题都可以归结为线性规划问题。通过实例，分析了用Excel提供的“规划求解”功能解决网络优化中的主要问题，论证Excel对于需要大量进行处理数据研究中的实用性。使用Excel的“规划求解”工具可以很方便解决此类问题，为网络决策分析活动制定最优方案。     

用Excel求解网络优化问题

规划求解在各个行业都得到广泛的应用,并取得了显著的经济效益。各个领域中的大量问题都可以归结为线性规划问题。通过实例,分析了用Excel提供的“规划求解”功能解决网络优化中的主要问题,论证Excel对于需要大量进行处理数据研究中的实用性。使用Excel的“规划求解”工具可以很方便解决此类问题,为网络决策分析活动制定最优方案。     

求解六峰值驼背函数优化问题的热力学演化算法

作为计算智能关键技术的演化计算,因其在对复杂和非线性问题的求解中表现出良好的适应性、并行性、鲁棒性等众多优点,受到众多领域专家学者的广泛关注.在综合国内外演化计算研究现状的基础上,基于热力学中的自由能极小化原理,设计了一个全新的热力学演化算法,并通过对于六峰值驼背函数优化问题求解的数值试验,测试了热力学演化算法的优良性能,试验结果表明了热力学演化算法求出的解比一般演化算法求出的解更加接近于全局最优.     

求解时变非线性不等式的新型动态学习网络

为有效地求解时变矢量型非线性不等式,针对传统的零化神经网络在求解时变矢量型非线性不等式时收敛速度慢、鲁棒性弱的问题,提出了一种新型混合变参动态学习网络(mixed variant-parameter dynamic learning network, MVP-DLN)。首先,定义矢量型的无界误差函数;其次,构造混合变参神经动力学设计公式;最后,通过替代方法和神经动力学设计公式,开发出MVP-DLN模型。理论分析表明MVP-DLN模型具有全局的收敛性能和强鲁棒性。最后,采用仿真实验验证模型的性能,实验结果表明,相比于传统的零化神经网络,MVP-DLN模型在求解时变非线性不等式时具有更好的收敛性能和更强的鲁棒性。     

事件驱动型无线传感器网络MAC协议研究

提出一种应用于事件驱动型无线传感器网络的ED-MAC协议。该协议定义了网络的2种状态(常规态和事件态),为常规态的簇内数据采集和簇头汇报设计了不同的TDMA机制,事件态时采用预约机制对中继转发链路节点进行逐跳预约。实验结果表明:ED-MAC协议相比S-MAC协议具有能耗低、传输延时短的特点。     

光网络中波长转换器的优化放置问题求解

基于分层图模型,提出了一种的简化的计算具有波长转换器光网络中光链路阻塞率的数学模型和公式,并应用于遗传算法的迭代函数,通过遗传算法对波长转换器在光网络中的优化放置问题进行求解,分析了波长转换器的最优放置和波长转换器的最小使用数量。通过在美国自然科学基金网(NSFNet)的仿真模拟,得出了使用部分和全部波长转换时的网络阻塞特性。     

求解高维多模优化问题的正交小生境自适应差分演化算法

针对传统优化算法在求解高维多模态优化问题时存在收敛速度慢、求解精度低的问题,提出一种基于正交设计与小生境精英策略的自适应差分进化算法ONDE。首先利用正交表产生初始种群,然后采用小生境精英策略来产生小生境种群(NP),并用小生境种群更新精英个体;接着应用拥挤裁剪避免种群陷入局部搜索,最后利用自适应差分变异算子改进了差分进化(DE)算法。通过对7个benchmark函数仿真验证,实验结果表明,算法在收敛速度、求解精度和稳定性方面都有较大优势。     

Hopfield型连续神经网络指数收敛速度的估计

讨论了Hopfield型连续神经网络的指数收敛速度问题,从理论上得到了新的局部指数收敛条件,与以往的结果相比,本文导出指数收敛的阶更大,指数收敛的速度要更快,文中还给出了数值举例。     

延迟离散Hopfield网络的动态特征分析

神经网络的稳定性被认为是神经网络各种应用的基础．主要利用网络的状态转移方程和能量函数来研究带有延迟项的离散Hopfield神经网络动力学行为．给出了延迟离散Hopfield神经网络收敛于周期小于等于2的极限环的一些充分条件．给出了延迟网络收敛于周期为2和4的特殊极限环的一些充分条件．同时，得到了网络不存在任何稳定点的一些必要条件．所获结果不仅推广了一些已有的结论，而且为网络的应用提供了一定的理论基础．     

一种用神经技术学习模糊分类规则的方法

本文提出一种用神经网络技术学习模糊分类规则的算法－有导师共振竞争学习算法（ＳＲＣＬ）。ＳＲＣＬ方法有机地把无导师ＡＲＴ学习方法和有导师竞争学习方法结合起来，可有效地学习模糊分类规则。警戒线参数是自适应变化的，从而可自动地确定连结权向量的个数。言语中给出一个数字例了，并对实验结果进行了分析。     

一种新的前向神经网络自适应学习算法

针对时变和／或非线性输入的前向神经网络提出了一种感知自适应算法。其本质是迫使输出的实际值和期望值之间的误差满足一个渐近稳定的差分方程，而不是用后向传播方法使误差函数极小化。通过适当排列扩张输入可以避免算法的奇异性。     

Extracting Rules from Composite Neural Networks for Medical Diagnostic Problems

Recently, neural networks have been applied to many medical diagnostic problems because of their appealing properties, robustness, capability of generalization and fault tolerance. Although the predictive accuracy of neural networks may be higher than that of traditional methods (e.g., statistical methods) or human experts, the lack of explanation from a trained neural network leads to the difficulty that users would hesitate to take the advise of a black box on faith alone. This paper presents a class of composite neural networks which are trained in such a way that the values of the network parameters can be utilized to generate If-Then rules on the basis of preselected meaningful coordinates. The concepts and methods presented in the paper are illustrated through one practical example from medical diagnosis.     

全局优化RBF网络的一种新算法

神经网络的输入变量、隐含层结点以及中心的选择对模型的性能都有重大的影响,以前的研究一般只考虑优化网络的参数或其结点数。为解决这个问题,提出了一种新的全局优化算法来自动选择RBF神经网络的输入变量和结点数目,并同时优化其参数。在提出的算法中,RBF网络的结点数目、输入变量的选择和参数都采用二进制编码,并用遗传算法来优化。为提高算法的性能和收敛速度,在遗传算法优化的同时引入了一种高性能的基于梯度的局部搜索算子(结构化的非线性参数优化方法)来优化RBF网络中的参数。Box-Jenkins煤气炉标准时间序列的预测问题被用来检验算法的性能。实验结果表明,提出的算法可以得到非常"紧凑"的RBF网络,且其性能优于其他一些算法。     

Approximate Match of Rules Using Backpropagation Neural Networks

This paper presents a method for approximate match of first-order rules with unseen data. The method is useful especially in case of a multi-class problem or a noisy domain where unseen data are often not covered by the rules. Our method employs the Backpropagation Neural Network for the approximation. To build the network, we propose a technique for generating features from the rules to be used as inputs to the network. Our method has been evaluated on four domains of first-order learning problems. The experimental results show improvements of our method over the use of the original rules. We also applied our method to approximate match of propositional rules converted from an unpruned decision tree. In this case, our method can be thought of as soft-pruning of the decision tree. The results on multi-class learning domains in the UCI repository of machine learning databases show that our method performs better than standard C4.5's pruned and unpruned trees.     

前馈神经网络的混沌学习方法研究

采用混沌优化策略，提出一种前馈神经网络权参数的最优学习方案．由于BP算法优化神经网络权参数时存在收敛速度慢、自身参数选取困难、易陷入局部极小等缺陷．采用混沌变量优化神经网络权参数，具有全局性、快速性、并行性的特点．仿真实验表明采用该方案对强非线性问题的逼近具有精度较高、学习较快的优点．