混沌神经网络中的超混沌

神经网络是高度复杂的非线性动力系统,存在着混沌现象.通过消除暂态混沌神经元的模拟退火策略,产生了一种可以永久保持混沌搜索的混沌神经元.研究由4个该混沌神经元连接的混沌神经网络的拓扑结构,分析了混沌神经网络的Lyapunov指数谱,发现混沌神经网络中存在超混沌现象;同时,研究了参数变化对混沌神经网络Lyapunov指数谱的影响.     

Josephson结阵列中的超混沌行为及超混沌控制

考虑由3个本征电阻电容电感分路的Josephson结串联组成阵列的动力学行为, 并根据线性反馈理论提出控制该阵列中超混沌的方案. 数值模拟结果表明： 由于参数区间不同, 因此该阵列系统可处于周期、 混沌或超混沌状态; 该方案可使阵列中的超混沌状态进入稳定的周期状态, 通过调节反馈强度可获得具有不同周期数稳定的周期状态.     

六阶耦合chua电路超混沌控制研究

给出了六阶耦合Chua电路的模型,并Lyapunov指数图分析了该系统的超混沌行为。利用了两种方法实现了系统的混沌控制,将系统的超混沌行为有效地控制到稳定的周期轨道或不动点。     

用主动-被动法同步超混沌的实验研究

将主动－被动方法应用于自行设计的具有三个正性Lyapunov指数的混沌电路上,不仅从实验上实现了用这种方法同步超混沌,而且从还从理论分析和计算机模拟两方面证实了实验结果的可靠性和正确性。     

一个新超混沌系统

为产生复杂的超混沌吸引子,基于一个3维混沌系统构造了一个新的4维超混沌系统,用非线性动力学分析方法研究了该系统吸引子的相图、时间响应、功率谱、系统的分岔图、Lyapunov指数谱图和Lyapunov维数等.分析结果表明,新的4维系统当参数满足一定条件时,具有2个正的Lyapunov指数,是一个新超混沌系统,随着新引入的参数变化呈现周期、复杂周期、拟周期、混沌及超混沌等复杂的动力学行为.     

一个新的超混沌系统

构造了一个新的四维超混沌系统,用数值模拟的方法研究了该系统的超混沌吸引子的相图、系统的分岔图、Lyapunov指数谱图和Lyapunov维数等.分析结果表明,新的四维系统当参数满足一定条件时,具有两个正的Lyapunov指数,是一个超混沌系统,随着新引入的参数变化呈现出丰富的动力学行为.     

一个双参数恒Lyapunov指数的超混沌系统及电路仿真

提出了一个四维自治超混沌系统,该系统含有两个参数.分析表明,随着参数的变化该系统呈现周期、伪周期、混沌和超混沌运动.在一定参数范围内,超混沌系统的4个Lyapunov指数保持恒定,不随参数的改变而改变.而且系统的两个正的Lyapunov指数都比较大,尤其是第2个Lyapunov指数较已有的超混沌系统都要大,因此,该系统具有更显著的超混沌特征.最后,设计了模拟电路,电路实验结果表明,在电路中分别呈现的周期、伪周期、混沌和超混沌特性与数值仿真完全一致.     

一个新的四维超混沌系统的参数识别研究

对一个四维超混沌系统的的参数辨识问题进行了研究.首先基于非线性动力学理论,利用超混沌吸引子,随不同参数变化的分岔图和Lyapunov指数谱准确地表征了系统的动力学行为.通过两种参数辨识方法,即基于观测器的参数辨识方法和基于自适应控制的参数辨识方法分别实现该系统的所有未知参数的辨识.数值仿真验证了理论分析和数值计算的正确性.     

一种新六维超混沌系统及其电路实现

通过Duffing混沌系统和lorenz混沌系统的结合,产生了一个新的结构复杂、多参数的六维超混沌系统,对系统中7个参数的Lyapunov指数仿真实验显示此超混沌系统具有强混沌特征。分析了该新超混沌系统的相空间结构图、Lyapunov指数图、Poincare映射、功率谱以及时域等特性,设计了该新混沌系统的电路实现和仿真实验,理论分析和实验结果证实了该系统属于一种新的超混沌系统。     

混沌神经网络模型研究

回顾了近年来混沌神经网络模型的研究进展历史.对全局耦合映射（GCM）模型、A ihara混沌神经网络模型和Inoue混沌神经网络模型等模型的构成和特点进行了全面的分析,综述了混沌神经网络的主要应用领域,评述了混沌神经网络的今后发展方向和主要研究内容.     

正弦函数混沌神经网络研究

通过复合正弦函数和Sigmoid函数构成激励函数,构造了一种新的暂态混沌神经网络.对混沌神经元模型的倒分岔和Lyapunov指数谱图进行了分析.基于这个神经元模型,建立了混沌神经网络.对各参数进行了网络寻优能力的比较和分析.通过对非线性连续函数的寻优问题的解决,验证了该网络的有用性和有效性.     

一种暂态混沌神经网络及其应用

讨论了Hopfield神经网络算法在优化计算中的应用,提出了一种暂态混沌神经网络模型,把混沌动力学与收敛动力学相结合,使网络逐渐由混沌神经网络向Hopfield网络过渡,达到控制混沌的目的,并且提供一个在全局最优解附近的初值,然后用Hopfield网络得到最优解,有效地解决了Hopfield网络的局部极值问题.仿真结果表明算法对于初始值是稳健的,并且具有很强的克服陷入局部极小能力.     

基于增广RBF神经网络的混沌系统辨识

混沌系统的建模与辨识是混沌控制的基础。提出一种动态线性子系统与ＲＢＦ神经网络并联的增广ＲＢＦ神经网络模型,该模型不仅对动态非线性系统具有良好的逼近能力,而且网络学习速度很快。对Ｈｅｎｏｎ系统时间序列的仿真预测结果表明,增广ＲＢＦ网络能有效地用于混沌系统辨识。     

二维物体识别的暂态混沌神经网络方法

给出了一种二维物体识别混沌神经网络的方法 ,该方法采用图匹配方式的二维物体识别可以转化为一个组合优化问题求解 ,根据二维物体识别的能量函数定义式推导出一种新的暂态混沌神经网络模型 (TCNN) ,它采用混沌模拟退火方式求解优化问题 .随着分叉尺度参数的逐步降低 ,TCNN由混沌解逐步稳定在全局最优的解上 ,从而得出该方法优于Hopfield神经网络的方法     

傅立叶混沌神经网络模型中的模拟退火策略

分析了傅立叶混沌神经网络模型的动力学特性对自反馈连接权值的敏感性,研究了退火函数对优化过程中的准确性和计算速度的影响.并利用暂态混沌神经网络退火过程分段的思想对傅立叶混沌神经网络模型进行改进, 提出了一种具有随机性和确定性并存的优化算法,在保证优化算法准确性的基础上,加快收敛速度,并利用对经典旅行商问题的研究,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, 验证了这种优化策略的有效性,同时给出了模型参数对性能影响的一些结论.     

暂态混沌神经网络算法在矿井通风网络风量优化中的应用

针对传统矿井通风网络解算方法的缺陷,提出一种新的暂态混沌神经网络的解算方法,利用混沌变量在混沌运动过程中所具有的遍历性、随机性来寻找全局的最优解,克服陷入局部极小的趋势.以通风总能耗最低为目标函数建立通风网络优化的数学模型,应用暂态混沌神经网络算法对一个简单通风网络的优化模型进行求解.实验结果表明:优化后通风系统总能耗降低了2.63 kW,节能率大约为3.78％.     

对复杂混沌时间序列快速预测的前馈神经网络

提出了一种基于前馈神经网络结构的适合于非线性预测的在线学习方法，这种方法吸收了最小二乘法和传统在线ＢＰ算法的优点，具有收敛速度快，跟踪性能好、适用于非线性预测等特点。