论文部分内容阅读
Hopfield神经网络已经在广大领域得到了应用,但是单纯的人工神经网络只是对生物神经网络的简化、抽象和模拟以实现对人脑结构的模仿,这种模仿就目前来说还处于较低水平,为此科学家们一直致力于探索新的理论方法来模拟人体大脑的功能。近年来,人们发现人脑中存在混沌现象,因此将混沌理论引入到Hopfield神经网络中成为近几年科学家们的研究热点。 混沌的引入使得人工神经网络具有更加复杂的动力学特性,众多学者在对混沌神经网络进行深入研究后,提出了许多混沌神经网络模型。本文基于几种常见的暂态混沌神经网络以及它们的改进模型,分析了改进模型的不足之处,并在其中的一种暂态混沌神经网络模型—噪声混沌神经网络的基础上做出改进,提出新的网络模型。新的网络模型主要对原模型进行了两处改进:首先利用余弦函数改进了增益函数的动态特性,其次根据Logistic映射的变化特性对网络中的噪声项进行改进以控制网络的收敛速率。为了检验新的混沌神经网络模型解决实际问题的能力,将改进模型应用于TSP问题的求解,仿真实验表明新模型在实际应用中获得了预期的效果,比前人所做的模型收敛性更好,显示了其优越性。 本文的研究工作主要基于以下几个方面的内容: 1.本文系统的介绍了混沌反馈神经网络的发展历程,研究的现状,前人提出的几种混沌反馈神经网络模型及其潜在应用。 2.对Hopfield神经网络的基础知识做了简单的介绍,特别是Hopfield神经网络的模型、能量函数及其应用,同时指出了Hopfield神经网络的易陷于局部极小点的缺点。 3.全面系统的介绍了混沌的定义、特性以及通往混沌的道路,最后重点介绍了典型的混沌系统—Logistic映射的倍周期分岔图像,尤其是在各周期轨道中系统控制参数的取值范围及其变化特点。 4.分析了单个神经元模型及几种常见的暂态混沌神经网络模型。重点分析了模型的不足之处,并在噪声混沌神经网络模型的基础上做出了两次改进,从而提出了新的暂态混沌神经网络模型。利用新的网络模型应用于函数优化,实验表明网络最终获得了函数的全局最优解。 5.将新的暂态混沌神经网络模型应用于TSP问题的求解,分析比较其与基本Hopfield神经网络在解决实际应用时所具有的优势。