迟滞混沌神经元/网络的控制策略及应用研究

为了保持神经网络在优化计算求解过程中结构不被改变, 以迟滞混沌神经元和迟滞混沌神经网络为研究对象, 提出了一种基于滤波跟踪误差的控制策略来实现神经元/网络的稳定控制. 采用该控制策略, 在不改变非线性特性发生机理的情况下, 神经元/网络可实现函数优化计算问题的求解. 所设计的控制律包含两部分: 一部分是系统进入滤波跟踪误差面时的等效控制部分, 另一部分为确保系统快速进入滤波跟踪误差面的控制部分. 采用Lyapunov方法对神经元/网络的控制进行了稳定性证明. 根据待寻优函数直接求得神经元的控制律, 在该控制律的作用下, 神经元/网络可逐渐稳定到优化函数的极值点, 从而实现优化问题的求解, 仿真实验结果验证了该控制方法在优化计算中的可行性和有效性.     

基于节能的绿色光网络路由算法的研究

在传统的网络路由算法中,一般采用最短路径算法进行路由选路,最短路径算法以节点间的距离为权重,计算一条由源节点至目的节点的权重最小的路径以完成路由。最短路径算法虽然最小化了距离长度代价,却没有考虑能耗问题,所以使用最短路径算法所得出路径的能耗并不一定是最小的。针对这一问题,提出一种新型的综合性绿色路由算法,设定能耗作为节点间的权重,融合光旁路及业务量疏导,同时考虑路由和波长分配(RWA)问题,将完成每个业务所需要的能耗最小化,实现节能。仿真结果表明,与最短路径算法相比,绿色路由算法在较大规模网络中能够节省约40%的能耗,节能效果相当显著。     

基于Cholesky分解的增量式RELM及其在时间序列预测中的应用

针对应用于混沌时间序列预测的正则极端学习机(RELM)网络结构设计问题,提出一种基于Cholesky分解的增量式RELM训练算法.该算法通过逐次增加隐层神经元的方式自动确定最佳的RELM网络结构,并以Cholesky分解方式计算其输出权值,有效减小了隐层神经元递增过程的计算代价.混沌时间序列预测实例表明,该算法可有效实现最佳RELM网络结构的自动确定,且计算效率高.利用该算法训练后的RELM预测模型具有预测精度高的优点,适用于混沌时间序列预测. 关键词： 神经网络 极端学习机 混沌时间序列 时间序列预测     

具有幂率度分布的因特网平均最短路径长度估计

针对具有幂律度分布的复杂网络的平均最短路径长度进行了研究.给出了一个计算因特网平 均最短路径长度的公式.提出因特网的整体构造实质是以最小代价换取最大收益，从此出 发通过对因特网这类复杂网络平均最短路径长度影响因素分析，推断出网络最短路径长度分 布P(l)的基本性质，进而构造了一个只含参数α的P(l)的简洁形式，直接打通了拓扑具有幂 律度分布的因特网的度分布P(k)与网络最短路径长度分布P(l)之间的关系.然后说明了导出 的公式的物理意义，即参数α代表网络节点连接方式和网络的总边数对平均最短路径长 度的影响.此公式意味着只要掌握幂律P(k)～k-α中α值，就可以直接计算相应网 络的平均最短路径长度.通过对已知数据的计算，验证了公式的有效性.阐明了参数 α对网络设计的重要性和对网络功能的影响. 关键词： 复杂网络 幂律 度分布 平均最短路径长度     

基于混沌神经网络的盲检测改进新算法

针对Hopfield神经网络的多起点问题,提出了一种新的基于混沌神经网络的盲信号检测算法,实现了二进制移相键控信号盲检测.据此进一步提出双sigmoid混沌神经网络模型,构造了新的能量函数,且证明了该模型的稳定性,并对网络参数进行配置.仿真实验表明:混沌神经网络能够避免局部极小点且具备较强的抗噪性能,双sigmoid混沌神经网络则继承了其所有的优点,且其收敛速度更快,仅需更短的接收数据即可到达全局真实平衡点,从而降低了算法的计算复杂度,减少了运行时间.     

基于神经网络的粒子输运问题高效计算方法

蒙特卡罗方法是求解粒子输运问题的有力工具之一,其局限性在于为达到精度要求需模拟大量粒子,计算耗时长,这阻碍了该方法的进一步应用,尤其在需快速响应的情形.本文结合神经网络和若干蒙特卡罗方法基本原理发展了一种计算方法,能够实现源分布可变,几何、材料和目标计数不变的中子输运问题的快速准确求解.首先,为高效生成用于神经网络训练的数据,利用重要性原理实现在同样模拟次数基础上有效扩充训练数据集容量,在一定程度上克服了使用蒙特卡罗计算获取训练数据耗时长的缺点.进而,基于目标计数是源分布与重要性函数乘积积分的事实,设计了利用神经网络实现快速输运计算的策略.该网络的输入是中子源项,输出是目标计数,在几何、材料和目标计数固定的情况下,该神经网络可重复使用,根据新的源项快速准确得到目标计数.本文所提出方法的原理和框架同样适用于其他种类粒子的同类型输运问题.基于若干基准模型的验证表明,训练得到的神经网络能在不到1 s的时间内得到目标计数,且与蒙特卡罗大样本模拟得到基准结果的平均相对偏差均低于5%.     

基于LM-BP神经网络算法饱和醇结构拓扑指数与保留指数相关性的研究

基于LM-BP神经网络算法,建立了饱和醇结构拓扑指数和物理化学性质与在不同固定相上保留指数相关性的人工神经模型.网络的传输函数都是线性的(Purelin函数),隐含层有3个神经元.饱和醇包括带有伯、仲、叔基官能团的直链和支链醇.讨论了隐含层神经元数对神经网络的影响,由19个饱和醇得到的网络适合预测测试醇的精确保留指数....     

基于忆阻器的脉冲神经网络硬件加速器架构设计

脉冲神经网络(spiking neural network, SNN)作为第三代神经网络,其计算效率更高、资源开销更少,且仿生能力更强,展示出了对于语音、图像处理的优秀潜能.传统的脉冲神经网络硬件加速器通常使用加法器模拟神经元对突触权重的累加.这种设计对于硬件资源消耗较大、神经元/突触集成度不高、加速效果一般.因此,本工作开展了对拥有更高集成度、更高计算效率的脉冲神经网络推理加速器的研究.阻变式存储器(resistive random access memory, RRAM)又称忆阻器(memristor),作为一种新兴的存储技术,其阻值随电压变化而变化,可用于构建crossbar架构模拟矩阵运算,已经在被广泛应用于存算一体(processing in memory, PIM)、神经网络计算等领域.因此,本次工作基于忆阻器阵列,设计了权值存储矩阵,并结合外围电路模拟了LIF(leaky integrate and fire)神经元计算过程.之后,基于LIF神经元模型实现了脉冲神经网络硬件推理加速器设计.该加速器消耗了0.75k忆阻器,集成了24k神经元和192M突触.仿真结果显示,在5...     

基于最短路径长度的空间网络路由

以通信网、电力网、交通网为代表的很多复杂网络以传输负载为基本功能.在这些网络中,网络的吞吐量是衡量网络传输性能的重要指标,如何提升网络的吞吐量是研究热点之一.不少研究人员提出了不同的路由算法,通过调节传输路径来提高网络吞吐量.但之前的研究很少考虑网络中节点的空间位置.本文针对空间网络提出了一种高效的路由策略,通过节点位置得到路径长度;采用该算法,负载从源节点沿着最短长度的路径传输到目标节点.为了检验算法的有效性,采用网络从自由流状态转变成拥塞状态的相变点Rc来衡量网络的吞吐量.在匀质和异质空间网络上的仿真表明,与传统的最少跳数路由策略相比,本文提出的基于最短路径长度的路由算法能有效提高空间网络的吞吐量.     

量子过程神经网络模型算法及应用

为提高过程神经网络的逼近和泛化能力, 从研究过程神经元信息处理的量子计算实现机理入手, 提出基于量子旋转门及多位受控非门的物理意义构造量子过程神经元的新思想. 将离散化后的过程式输入信息作为受控非门的控制位, 经过量子旋转门作用后控制目标量子位的状态, 以目标量子位处于状态|1>概率幅作为量子过程神经元的输出. 以量子过程神经元为隐层, 普通神经元为输出层, 可构成量子过程神经网络. 基于量子计算机理推导了该模型的学习算法. 将该模型用于太阳黑子数年均值预测, 应用结果表明, 所提方法与普通过程神经网络相比, 预测精度有所提高, 对于复杂预测问题具有一定理论意义和实用价值.     

A temporal ant colony optimization approach to the shortest path problem in dynamic scale-free networks

A large number of networks in the real world have a scale-free structure, and the parameters of the networks change stochastically with time. Searching for the shortest paths in a scale-free dynamic and stochastic network is not only necessary for the estimation of the statistical characteristics such as the average shortest path length of the network, but also challenges the traditional concepts related to the “shortest path” of a network and the design of path searching strategies. In this paper, the concept of shortest path is defined on the basis of a scale-free dynamic and stochastic network model, and a temporal ant colony optimization (TACO) algorithm is proposed for searching for the shortest paths in the network. The convergence and the setup for some important parameters of the TACO algorithm are discussed through theoretical analysis and computer simulations, validating the effectiveness of the proposed algorithm.     

A self-organizing shortest path finding strategy on complex networks

The shortcomings of traditional methods to find the shortest path are revealed, and a strategy of finding the self-organizing shortest path based on thermal flux diffusion on complex networks is presented. In our method, the shortest paths between the source node and the other nodes are found to be self-organized by comparing node temperatures. The computation complexity of the method scales linearly with the number of edges on underlying networks. The effects of the method on several networks, including a regular network proposed by Ravasz and Barabási which is called the RB network, a real network, a random network proposed by Ravasz and Barabási which is called the ER network and a scale-free network, are also demonstrated. Analytic and simulation results show that the method has a higher accuracy and lower computational complexity than the conventional methods.     

动态随机最短路径算法研究

静态最短路径问题已经得到很好解决, 然而现实中的网络大多具有动态性和随机性. 网络弧和节点的状态及耗费不仅具有不确定性且相互关联, 弧和节点的耗费都服从一定的概率分布, 因此把最短路径问题看作是一个动态随机优化问题更具有一般性. 文中分析了网络弧和节点的动态随机特性及其相互关系, 定义了动态随机最短路径; 给出了动态随机最短路径优化数学模型, 提出了一种动态随机最短路径遗传算法; 针对网络的拓扑特性设计了高效合理的遗传算子. 实验结果表明, 文中提出的模型和算法能有效地解决动态随机最短路径问题, 可以运用到交通、通信等网络的网络流随机优化问题中.     

Causality-Network-Based Critical Hazard Identification for Railway Accident Prevention: Complex Network-Based Model Development and Comparison

This study investigates a critical hazard identification method for railway accident prevention. A new accident causation network is proposed to model the interaction between hazards and accidents. To realize consistency between the most likely and shortest causation paths in terms of hazards to accidents, a method for measuring the length between adjacent nodes is proposed, and the most-likely causation path problem is first transformed to the shortest causation path problem. To identify critical hazard factors that should be alleviated for accident prevention, a novel critical hazard identification model is proposed based on a controllability analysis of hazards. Five critical hazard identification methods are proposed to select critical hazard nodes in an accident causality network. A comparison of results shows that the combination of an integer programming-based critical hazard identification method and the proposed weighted direction accident causality network considering length has the best performance in terms of accident prevention.     

基于灰色神经网络模型的企业碳排放峰值预测

为预测企业碳排放峰值,帮助企业设计碳排放的减排路径,需要对企业碳排放峰值预测方法进行研究。当前采用基于TFDI模型的预测模型对企业碳排放峰值进行预测,预测过程中无法全面考虑企业碳排放影响因素,导致预测企业碳排放峰值出现误差。为此,提出一种基于灰色神经网络模型的企业碳排放峰值预测模型。该模型是以灰色模型为基础,与神经网络相融合构建的灰色神经网络,将模型中企业碳排放原数据进行叠加,并用微分方程表示,将VSTE算法作为灰色神经网络模型预测的基础算法,计算企业碳排放路径碳排放值,满足高斯分布随机函数,以此进行企业碳排放峰值的预测。实验结果证明,所提模型可以准确预测企业碳排放峰值,有效帮助企业设计碳排放减排路径。     

智能光网络中一种新型的分布式恢复方法

提出了一种基于固定备用路由和目的端触发的智能光网络中的分布式恢复方法,所选择的任一对源端节点和目的的端节点之间的固定备用路由包括该节点对之间的k条最短路径路由和基于部分链路无关的路由.目的端节点一旦探测到业务通道的失效将立即启动恢复进程,根据网络当前的资源使用情况,在这些备用路由中按照一定的次序选择一条恢复路由并为此分配一条可用的波长(对于没有波长变换器的光网络),然后将恢复通道的建立请求消息发送给该恢复通道的相关节点,这些相关节点可以锁定相关的网络资源,以避免来自其他恢复通道的竞争.所提出的算法增加了固定备用路由的数量,从仿真结果可以看出,该方法明显改善了失效连接的阻塞性能.     

声纹的变压器放电与机械故障诊断研究*

变压器中的一些放电和机械故障会产生异常声音,可用于故障检测。据此,本文提出基于可听声的变压器放电和机械故障诊断方法。针对机械故障声音与变压器本体噪声特征相似易混淆的问题提出改进小波包-BP神经网络算法,与传统小波包-BP神经网络算法相比声音的识别率提高了5.7%。为提高声音识别系统的泛化性,提出基于梅尔对数频谱和卷积神经网络的声音识别算法。两种算法相互验证,提高了系统的可靠性。在真实变压器油箱中模拟了不同类型放电和机械故障。试验结果表明,本文提出的两种方法能成功识别放电和机械故障的声音,声音识别率分别为99.6％和97.57％。     

Optical Learning Neural Network Using Photorefractive Waveguides

A model of an optical neural network with learning ability is proposed. We numerically evaluate the learning ability of the proposed network by using parameters determined by experiments. Adaptive connections between artificial neurons are implemented using photorefractive (PR) waveguides that can be optically modified by guided beams. The network consists of three layers and has bipolar weights within the limited range. The bipolar weight is encoded as the difference between optical power transmittances of signal beams in two channels of the PR waveguides. The adaptivity of the transmittance of PR waveguide is experimentally evaluated and is incorporated into the proposed network simulated in a computer. The proposed network is trained by a simplified local learning algorithm. Numerical results showed that the proposed three-layered network with six hidden neurons can solve the exclusive-or problem.     

利用传感器距离和能耗约束的无线传感器网络路由优化

针对大多数现有的无线传感器网络设计方法通常仅找到给定图的最短路径而导致只能优化单个用户性能的问题,提出了一种寻找节点之间的最短路径和最低能耗的路由优化模型,该模型约束WSNs的特定资源,考虑多种约束条件：多周期、最短距离和低能耗。本文按照混合整数线性规划,使用11.0 ILOG CPLEX优化引擎的ILOG OPL开发工具5.5进行编码和求解本文的优化模型。实验结果表明,相比一般可行网络,本文模型的节点的总距离和能耗均有明显降低,此外,在三个不同周期和约束条件数下,每组实验花费的时间均少于10s,完全满足资源有限的无线网络应用要求。     

Neural Network Used for the Fusion of Predictions Obtained by the K-Nearest Neighbors Algorithm Based on Independent Data Sources

The article concerns the problem of classification based on independent data sets—local decision tables. The aim of the paper is to propose a classification model for dispersed data using a modified k-nearest neighbors algorithm and a neural network. A neural network, more specifically a multilayer perceptron, is used to combine the prediction results obtained based on local tables. Prediction results are stored in the measurement level and generated using a modified k-nearest neighbors algorithm. The task of neural networks is to combine these results and provide a common prediction. In the article various structures of neural networks (different number of neurons in the hidden layer) are studied and the results are compared with the results generated by other fusion methods, such as the majority voting, the Borda count method, the sum rule, the method that is based on decision templates and the method that is based on theory of evidence. Based on the obtained results, it was found that the neural network always generates unambiguous decisions, which is a great advantage as most of the other fusion methods generate ties. Moreover, if only unambiguous results were considered, the use of a neural network gives much better results than other fusion methods. If we allow ambiguity, some fusion methods are slightly better, but it is the result of this fact that it is possible to generate few decisions for the test object.