张椅[1]2014年在《基于忆阻器的混沌神经网络及应用》文中指出人工神经网络,简称神经网络,是一种模仿生物神经网络结构和功能的数学模型,由多个人工神经元互相连接构成。神经网络能够通过神经元之间的相互作用,表现出复杂的动力学特性,是一种高度的非线性动力学系统,具有并行处理能力、信息存储能力、容错能力、自组织和自适应能力。混沌是一种普遍存在的非线性现象,其行为复杂且貌似随机。生物实验表明,生物脑神经系统中存在有混沌现象,神经网络与混沌密切相关。引入混沌动力学的神经网络,即混沌神经网络,被认为是可实现其真实世界计算的智能信息处理系统之一,广泛应用于优化计算、模式识别、图像处理和联想记忆等领域。本文系统深入的研究了混沌神经网络的理论知识,介绍了混沌理论的相关内容,包括混沌的提出,混沌的特征,混沌与神经网络的结合；然后详细讲述了混沌神经网络在分离迭加模式、多对多联想和连续学习中的应用。进一步,文章通过对第四种基本电路元件——忆阻器的基础特性分析和研究,提出了将忆阻器用于混沌神经网络构建忆阻混沌神经网络的方法,利用忆阻器来实现混沌神经网络中的迭代运算,并通过计算机仿真验证了方案的可行性,能够实现分离迭加模式、多对多联想和连续学习。该方案有望大大简化混沌神经网络结构,有利于混沌神经网络的电路实现。同时,忆阻器独特的特性使其非常适合用来构建突触电路,以实现混沌神经网络中的连接权值。文章详细介绍了几种突触电路的实现方案,提出了一种基于放大电路的忆阻突触模型。理论推导和计算机仿真证明其能够实现正负突触权值。在此基础上,提出用自旋忆阻器来构建桥电路以实现突触权值,由于自旋忆阻器的阈值特性,基于自旋忆阻器的桥电路突触模型在突触参数设定上具有更加优秀的表现。最后,对基于此桥电路模型的混沌神经网络的联想记忆能力进行了详细的分析,通过引入延迟反馈控制信号成功实现了对网络的控制,使得网络的输出具有周期性。本文的研究成果将推动混沌神经网络的发展,有望简化混沌神经网络结构,为其物理实现提供了理论基础。
王涛[2]2011年在《全局耦合网络的特性及其混沌控制研究》文中指出全局耦合映射(Globally Coupled Map, GCM)网络是一种特殊的混沌神经网络,网络的每个神经元的运动由混沌映射决定。网络有一类特殊的吸引子被称为“聚类冻结吸引子”(Cluster Frozen Attractors, CFA),可有效的用于信息处理和联想记忆等。本文通过对不同的GCM网络的研究,揭示了这一类型网络的整体性质；通过对网络的控制使得GCM网络可以用于动态联想记忆的应用。论文的主要工作有1.研究了几个混沌映射的性质。首先提出了新的混沌映射——叁次Logistic映射,并对叁次Logistic映射、正(余)弦映射和一种特殊非线性映射所构成的离散混沌迭代系统进行了研究,通过Lyapunov指数和分岔图刻画了系统的混沌行为,给出了混沌系统的参数域。其次从映射密度的角度揭示了它们的性质,指出不同的分岔参数导致分布密度的遍历性产生变化,并且影响密度函数的形状。最后从相关性分析、功率谱和均匀分布的卡方检验等方而研究了混沌映射的性质,说明了不同的混沌映射具有不同的混沌特性,为后文分析出它们构成的GCM网络打下基础。2.分析了网络的宏观和微观特性。首先针对不同GCM网络分析了网络的特性,指出聚类冻结吸引子是GCM网络的共性特征,不会随信息传递函数而改变。其次提出了两种延时耦合方法,分析了延时耦合方式下不同GCM网络的宏观特性,指出延时的引入不改变网络的聚类冻结吸引子,并且能够使得网络具有更多的动力学性质。最后研究了网络微观特性,从神经元的迭代方程出发,分析了不同耦合项对神经元运动产生的影响,结论指出GCM网络的混沌特性主要由每个神经元产生,而聚类特性主要受耦合项的影响。3.分析了网络的动力学特性。首先从数学角度说明了GCM网络平衡点的存在性,这一结论与网络的信息传递函数无关,适用于所有的GCM网络。其次给出了S-GCM网络和CL-GCM网络零平衡点渐近稳定的一个充分条件；并针对一维和二维情形分析了两个网络平衡点的稳定性和分岔行为,仿真结果说明了理论分析的正确性。4.研究了GCM网络的两种控制方法和网络的应用。提出的第一种方法为反馈控制方法,这种方法不需利用外部信息,而是将系统两次运行的状态之差反馈回系统,通过调节动态参数的值实现了网络的不动点和周期控制,说明了这种方法适用于绝大部分的GCM模型。第二种控制方法是对Ishii方法的一个改进,通过调整参数阈值实现GCM网络的控制,但这种方法不适用于所有的GCM网络。在两种控制模式中都说明了延时耦合GCM网络具有比常规耦合GCM网络更好的性质。最后利用改进的参数调制控制方法研究了网络的联想记忆,指出了CL-GCM网络和SI-GCM实现了混沌神经网络的动态联想记忆,网络既可以输出固定模式,也可以输出包含正确模式的周期模式。
段书凯[3]2003年在《混沌神经网络的联想记忆特性研究》文中研究指明信息量的迅速增长要求计算机在信息处理方面具有智能处理能力，而探索新的联想记忆方法是其重要研究课题。将混沌的随机性、遍历性、对初值敏感等特点和神经网络的大规模并行处理、分布式信息存贮、联想记忆、鲁棒性等特点相结合的方法是研究联想记忆的一种新途径。在他人研究基础上，本论文深入探讨了混沌神经网络的联想记忆特性，着重研究了以下叁个方面：(1)网络参数对联想记忆特性的影响；(2)网络结构对多对多联想的影响；(3)混沌神经网络的连续学习能力。 论文分为叁部份，从第一章到第二章详细论述了混沌与神经网络相结合的方法在智能信息处理特别是联想记忆中的重要意义，简述了联想记忆混沌神经网络的理论基础。从第叁章到第五章重点研讨了网络参数、网络结构对混沌神经网络联想记忆特性的影响以及混沌神经网络的连续学习功能，得出了一些有意义的结果。第六章总结本文所做的工作并对可以进一步展开的研究进行了展望。 总之，经过本文的研究发现：混沌神经网络在信息处理特别是联想记忆包括分离迭加模式、多对多联想和连续学习方面具有巨大优势。
夏旻[4]2009年在《基于突触计算的神经网络情景记忆模型研究》文中研究指明生物学研究表明,一些生物网络具有复杂的时空连接特性,并伴有可复现的序贯活动,许多复杂的生命行为与此紧密关联。时空连接网络的模式转移序贯行为的研究还可以为序贯决策,记忆搜索,外部刺激的编码与识别等生物智能系统的建模提供可借鉴的方法。本文对基于突触计算的神经网络情景记忆模型进行了系统深入的研究。主要研究了动态突触、混沌神经元、非线性内电位构造函数以及非全连接结构对网络性能的影响,给出了可复现的模式转移序贯行为的产生方法与机理、产生的时空连接条件及调控方法,并分析了时空连接网络模式转移行为的稳定性。论文的主要研究内容和创新点如下:(1)基于动态突触和非线性内电位构造函数的神经网络联想记忆模型研究神经生理学的研究表明,多种神经元的突触连接强度在短时程内会发生较大的变化。本文首先将动态突触植入人工神经网络,研究抑制型动态突触神经网络模型联想记忆。并且进一步设计出一种以非线性内电位函数构造为核心的抗伪状态方案,以取代传统的Hebb规则及其外积法,建立了一种抗伪状态的联想记忆网络,并通过吸引域的变化研究抗伪状态方案的正确性和有效性。仿真结果表明:比采用抑制型动态突触和非线性内电位函数构造的模型比传统Hebb规则及其外积法的Hopfield联想记忆网络在容错性上更优,记忆状态的吸引域明显增大,存储容量也有所增加。(2)基于可控混沌神经元的神经网络联想记忆模型研究在神经系统中,从微观的神经元到宏观的脑电波,理论和实验两方面都发现了混沌现象的存在,它在人工神经网络的信息处理中起着重要作用。但是混沌神经网络的混沌特性使得网络不能稳定到某个模式或者周期性轨道,这样就妨碍了混沌神经网络在信息处理中的应用。本文提出了一种混沌神经网络控制的动态抑制模型,其动态抑制作用于混沌神经元的内状态。混沌神经网络在动态抑制控制作用下,网络的控制目标不需要预先给定,网络可以以自适应的方式进行控制。仿真结果表明:只要控制强度参数选取合理,混沌神经网络在控制作用下就可以稳定到记忆模式。(3)基于复杂网络构造的神经网络联想记忆模型研究真实的大脑神经网络是稀疏网络,而且具有几何效应。为了更加真实地模拟真实神经系统的工作特性,本文提出了一种连接度为正态分布的网络结构,并研究了不同平均连接度对神经网络存储容量和吸引域的影响,以及不同网络结构对神经网络性能的影响。研究结果表明:对于连接度正态分布的神经网络其最大存储容量是平均连接度为0.64N的时候,网络的存储容量是传统的全连接Hopfield神经网络的两倍多。但是,神经元平均连接度越高的网络对联想记忆的鲁棒性越好,而吸引域则随着平均连接度的减小而减小。非全连接的神经网络具有高的存储容量,但是容错性却降低了,网络存储容量的提高是以牺牲网络的容错性为代价的。通过对正态分布网络,ER分布网络,Small-world网络联想记忆性能的比较,得出了一个关于非全连接网络的一般性的结论:网络存储容量的大小不完全取决于网络的平均连接度,而且取决于网络的结构;吸引域的大小与网络的结构无关,只与网络的平均连接度有关。(4)基于混沌神经元和动态突触的情景记忆模型研究许多研究结果表明神经网络的模式转移现象依赖于动态突触和混沌神经元,而传统的情景记忆还没有将神经元突触的动态性以及神经元的混沌性考虑进去。为了准确地描述神经元在情景记忆中的功能,本文提出了一种基于动态突触和混沌神经元的情景记忆模型,并分析研究了抑制型动态突触和混沌神经元对神经网络情景记忆的存储容量、模式转移时间,序列的稳定性以及模式稳定时间的影响。仿真实验结果表明:抑制型动态突触可以提高网络情景记忆的存储容量,缩短模式转移时间,提高情景记忆的稳定性,缩短模式的稳定时间;混沌神经元的特性使得网络模式的稳定时间缩短,并且模式的稳定时间的大小可以由混沌特性参数决定;另外,混沌神经元的特性缩短了模式转移时间。(5)稳定时间可控的情景记忆模型研究在传统的情景记忆模型中,模式的稳定时间是不可以控制的,这与真实的神经系统情景记忆是不符合的。为此,本文研究研究稳定时间可控的情景记忆模型,首先提出了一种基于指数内核取样函数的模式稳定时间可控的情景记忆模型,模式的稳定时间通过取样间隔时间参数来控制。其次,本文又进一步将非全连接结构和内电位构造函数引入情景记忆模型,分别提出了基于复杂网络的情景记忆模型和基于非线性内电位构造函数的多序列情景记忆模型,并分析了神经元不同连接度下神经网络情景记忆的性能,和非线性内电位构造函数对神经网络情景记忆的影响。结果表明,非全连接结构网络情景记忆可以更加有效率地使用神经元之间的连接资源,并且对于不同结构的非全连接网络,在同样的平均连接度下,利用连接资源的效率是一样的,而内电位构造函数则可以提高情景记忆的存储容量。最后,为了更有效地模仿真实神经系统情景记忆的状态,本文提出了一种基于神经元协同激励的不同模式的稳定时间不同的情景记忆模型。在该模型中,不同模式的稳定时间可以通过该模式和输入模式之间的相似性来控制,相似度越高,模式稳定时间越长。另外,神经元协同激励情景记忆存储容量比传统的情景记忆模型得到明显的提高,并且存储容量和网络规模成指数比例关系。
向利华[5]2012年在《混沌神经网络及其联想记忆功能的研究》文中进行了进一步梳理随着科学的进步，人工智能的研究也取得了突飞猛进的进展。创造出一台能够完全模拟人大脑功能的，能思考、会学习的智能系统是广大科研工作者的共同目标。而作为人脑最基本的功能——联想记忆也一直被科学家们所研究，并试图用计算机实现联想记忆功能。如今，实现联系记忆的算法有很多，其中基于神经网络的联想记忆功能的实现是研究的热点。被大家所熟知的具有联想记忆功能的神经网络是1982年Hopfiled神经网络。这30年间，国内外的科学家也提出了许多Hopfiled神经网络的改进方法以提高网络的存储量和容错率。然而，由于Hopfiled神经网络自身的限制，其联想记忆功能的研究已进入瓶颈期。基于生物结构的神经网络被推向研究的前沿，生物学家实验发现，人的大脑里存在混沌现象。1990年，Ahara根据生物电化学实验的结果提出了混沌神经网络。这二十年间，混沌神经网络被广大的国内外学者所研究，并取得了一些成果。本文基于现有成果，对混沌神经网络的联想记忆功能进行深入研究。首先，文章将对混沌神经网络的基本理论进行介绍，并在基于理论与实验的基础上对混沌神经网络的联想记忆功能进行分析。原来的混沌神经网络在一定的参数范围内，网络神经元将会进入混沌状态，从而神经元没有正确的输出。为了克服这一缺陷，本文将提出一种混沌神经网络的控制方法，并通过实验验证改进后的混沌神经网络的联想记忆功能得到了提高。在文章的最后，将把改进的混沌神经网络应用于字符识别，将混沌神经神经网络应用于实践。
严晨[6]2007年在《抑制型动态突触神经网络模型及其应用研究》文中指出迄今绝大多数的人工神经网络模型都认为神经元之间的突触是静态的，然而神经生理学的研究表明，多种神经元的突触连接强度在短时程内会发生较大的变化。突触的这种短时可塑性会对神经元的传输特性产生影响。本文将动态突触植入人王神经网络，研究抑制型动态突触神经网络模型，并将抑制型动态突触神经网络应用于组合优化和联想记忆两个领域。本文首先对改进型能量函数进行了深入研究，提出了H-派生神经网络的概念，采用改进型能量函数取代Hopfield能量函数，提高了网络可行解的收敛性。接着，将动态突触融入了传统离散型Hopfield网络(DHNN)，从而建立了DS-DHNN模型。在瞬态混沌神经网络的基础上，提出了具有动态突触及瞬态混沌特性的神经网络模型(DS-TCNN)，该网络同时具备收敛动力学、混沌动力学及混沌模拟退火等多重特性，使网络不易陷入局部最优点，有效解决了传统Hopfield网络的不足。对DS-DHNN和DS-TCNN模型在以TSP问题为代表的组合优化领域中进行了应用研究。基于DS-DHNN模型的仿真结果表明：与静态突触的传统Hopfield神经网络相比，含有动态突触的DS-DHNN模型的计算效率更高。基于DS-TCNN模型对10城市、20城市的TSP问题分别进行了求解，并和传统的随机模拟退火算法做了比较和分析。仿真结果表明：DS-TCNN模型对于NP-hard组合优化问题具有高计算效率和强搜索能力，获得全局最优解的搜索时间少于静态突触神经网络。在此基础上，进一步提出了DS-TCNN-TSP算法，并对整个搜索过程以及统计过程给出了完整的程序流程图。此外，对求解TSP问题时的神经元偏置激活电流做了新的定义，对参数选取等关键问题做了探讨。最后对抑制型动态突触神经网络在联想记忆中的应用进行了研究。提出了“非线性函数构造法”的抗伪状态新方案，改进了传统Hebb学习规则及其线性外积法，建立ASS-SSNN模型。仿真结果表明：该方案能有效提高网络的容错性；另一方面，采用新方案后的联想记忆网络在扩大吸引域的同时，存储容量也有所增加。在ASS-SSNN模型的基础上，又建立了一种抗伪状态的新型动态突触联想记忆网络(ASS-DSNN)。仿真结果表明：ASS-DSNN模型不仅保持了ASS-SSNN抗伪状态的优势，而且抑制型动态突触联想记忆网络具有比传统的静态突触联想记忆网络更加丰富的动态特性，进一步扩大了记忆状态的吸引域，减小了伪状态的吸引域，容错性更佳。
唐墨[7]2007年在《新型模糊混沌神经网络模型及特性研究》文中研究指明近年来,人们对人脑局部功能的认识有所提高,但是对人脑完整工作过程仍缺乏认识。模糊逻辑和混沌动力学都是人脑所具有的特征,将现有的人工神经网络、模糊逻辑和混沌动力学相融合构成模糊混沌神经网络是一个新的方法和思路,对于模拟人脑整体功能,处理非线性系统建模和联想记忆等问题具有理论和现实的意义。目前模糊混沌神经网络技术的研究尚处于一个初步探索阶段。本文基于几种模糊神经网络模型和混沌神经网络模型,对模糊混沌神经网络新模型的构成方法和实际应用进行研究。首先,针对模糊径向基函数神经网络,提出了一种新型的混合混沌BP算法。针对几种典型的混沌映射函数进行混沌特性和概率密度分析,为构造混沌BP算法时混沌映射函数的选取提供了依据。给出了模糊径向基函数神经网络两阶段学习方法的步骤,提出一种能够根据可调参数的值进行自动调节,并由退火系数控制算法收敛性的混沌BP算法。用所提出的算法对混沌时间序列建模,验证了算法的有效性。其次,基于现有的递归模糊神经网络模型,构造了一种混沌递归模糊神经网络模型。推导了网络的数学模型和基于动态BP算法的权值训练公式。在此基础上,对学习算法的收敛性进行分析,推导出学习速率调整的范围。分别用自适应模糊推理系统、递归模糊神经网络、混沌递归模糊神经网络和变学习速率的混沌递归模糊神经网络对两个典型的非线性混沌系统建模,仿真结果验证了所提模型和算法的有效性。再次,分析了一种带有微分环节的动态模糊神经元和动态模糊神经网络的混沌特性。通过对耗散性和Lyapunov特征指数的分析,推导出了单个动态模糊神经元具有耗散性的必要条件、Lvapunov特征指数大于0的必要条件;以及动态模糊神经网络具有耗散性的充分条件、Lyapunov特征指数大于0的必要条件。最后,根据模糊Hopfield神经网络模型的构成方法和自发展混沌神经网络的工作原理,构造了一个自发展模糊混沌神经网络模型。首先分析了自发展混沌神经网络的周期特性和混沌特性。然后将自发展混沌神经网络模型进行模糊化处理,构成了自发展模糊混沌神经网络模型。证明了该模型在模糊聚类时的收敛性和稳定性,分析了其联想记忆特性。仿真实验结果表明,自发展模糊混沌神经网络不但能够完成模糊聚类功能,还能对聚类结果进行联想记忆。
王涛, 王科俊, 贾诺[8]2011年在《用于信息处理的延时混沌神经网络》文中进行了进一步梳理为了提高混沌神经网络用于信息处理的能力,采用一种参数调节控制方法,通过对一种延时对称全局耦合混沌神经网络的黏合参数的控制研究了网络的动态联想记忆,使被控网络在仅有部分神经元进入周期态的情况下达到输出稳定,并且稳定输出序列只包含与输入模式相关的存储模式及其相反模式。仿真实验说明网络具有良好的容错能力和很高的回忆正确率,适合应用于信息处理和模式识别。
秦科[9]2010年在《混沌神经网络本征分析及在模式识别和密码体制中的应用研究》文中指出科学研究发现,混沌在脑电波活动过程中扮演了非常重要的角色。人脑的思维是在混沌与有序的边界上演化,经典的神经网络并不能模拟这种演化过程。混沌神经网络的出现弥补了这方面的遗憾。作为一门新理论与新工具,混沌神经网络引起了研究者们的极大热情。与经典神经网络不同,混沌神经网络具有不动点吸引子、周期吸引子以及奇怪吸引子。这些特殊性质使得混沌神经网络在人工智能、信息安全、海量存储、智能搜索、最优化计算等领域具有重要应用价值。目前,对混沌神经网络的研究主要是分析混沌神经元的动力学性质、网络的动态行为及其应用,较少有人对网络拓扑结构等问题做深入研究。本篇论文针对混沌神经网络的本质特征、拓扑结构以及潜在应用价值进行了深入分析,取得了如下具有创新性的研究成果:(1)深刻分析了Adachi混沌神经元(后面简称Adachi神经元)的动力学性质和Adachi混沌神经网络(后面简称Adachi网络)的动态行为。本文论证了Adachi神经元的控制参数对分岔的影响;利用Lyapunov指数分析,指出Adachi网络的所有Lyapunov指数均为负,证明了Adachi网络的动力学特性其实并不是严格“混沌”;深入分析了在不同条件下,Adachi网络的动态联想记忆和模式识别能力。这些结论在Adachi和Aihara的文章中并没有给出,在相关文献中也不曾涉及。这部分研究成果发表在我的学术论文[1]中(EI检索:20090511877722)。(2)成功构造了四种具有较低连接复杂度的新型混沌神经网络。本文基于Adachi网络,通过最大生成树、随机图、小世界网络、无标度图构造方法和梯度搜索算法,构造了四种新颖的混沌神经网络,分别是:Linear-Adachi,Ramdom-Adachi,SmallWorld-Adachi和ScaleFree-Adachi。这些新的网络所拥有的边数远远小于O ( N 2),其中Linear-Adachi网络的边数仅为N-1,Random-Adachi和SmallWorld-Adachi网络的任意神经元的连接度近似满足泊松分布。它们具有更小的计算代价、更丰富的生物学意义和更强的混沌模式识别能力。这部分研究成果发表在IEEE trans. NN [2]和Chaotic Systems[3]中。(3)提出了一种基于Logistic映射和Hopfield网络的新型混沌神经网络(Logistic NN)。通过计算Lyapunov指数分析了该网络的动态特性;利用实验仿真的手段证明了Logistic NN具有很好的混沌模式识别能力:当Logistic NN受到已知模式刺激时,神经元状态变量之间呈某种“有序”关系;而受到未知模式刺激时,神经元状态变量之间呈“混沌”关系。这种在有序与混沌之间切换的行为,表明Logistic NN可以较好地模拟人脑思维活动。这部分研究成果体现在我的学术论文[4]中(EI待检索)。(4)指出了当前部分混沌密码体制的安全缺陷,针对特殊的安全多播应用场合,设计了基于Chebyshev多项式和Jacobian椭圆有理映射的多播密钥管理方案,并对该密钥管理方案进行了一步步完善和安全性分析,证明该方案和基于离散对数的DH密钥交换方案具有相同的安全程度。这部分研究成果体现在我的学术论文[5,6,7,8]中(其中[5]被EI检索:20080411054447,[6]待检索)。(5)针对基于混沌神经网络的密码体制这个交叉学科进行了深入分析,指出了基于Chebyshev神经网络的加密算法并非如原文声称的那样安全,攻击者容易通过神经网络的同步来破译密码;基于混沌神经网络的消息认证算法也是不安全的,在一定条件下,攻击者可以成功找到冲突;在特殊情况下,网络的输出Hash值对密钥和明文并不敏感;基于时延神经网络的密码算法也是脆弱的,攻击者可以在不知道网络参数的情况下利用已知明文攻击来破译部分明文内容;针对以上算法的脆弱性,本文给出了相应的补救措施。这部分研究成果体现在我的学术论文[9]中。
刘畅[10]2015年在《迟滞混沌神经元/网络的模糊滑模控制及应用研究》文中指出针对当前人工神经网络研究的热点——复合型混沌神经网络,以迟滞混沌神经元／网络为对象,对其控制与应用进行研究。目前传统反馈型神经网络联想记忆多为二值模式的联想记忆,记忆网络的存储能力不高,且很难存储相关性较强的样本模式。由此,本文提出了一种基于改进Hebb规则的多值联想记忆网络并利用简单的电子器件实现了网络的硬件电路。迟滞混沌神经网络的控制常采用退火策略,即通过不断衰减自反馈系数,神经网络的混沌特性随之逐渐衰减至消失,最终退化成传统神经网络。而混沌特性是神经网络信息处理能力的基础,以破坏混沌发生机制为代价并不是真正实现对混沌神经网络的控制。考虑到迟滞混沌神经元／网络的参数不确定性和外界扰动项的影响,本文提出一种模糊滑模控制策略实现对迟滞混沌神经元／神经网络的稳定控制及同步控制,根据状态误差的大小来调节控制律的作用强度,利用模糊控制来减小甚至消除抖振。利用Lyapunov稳定性理论证明该控制的稳定性。实验结果验证了该控制策略在混沌控制和混沌同步控制的可行性和有效性。在实现对迟滞混沌神经元／网络控制的基础上进行应用研究。优化计算应用先构造待寻优函数的能量函数,根据能量函数求出寻优控制律,在该控制律作用下神经网络可很快地收敛到待优化函数的最优解上,实现优化问题的求解。针对混沌同步在保密通信领域的应用,在迟滞混沌神经网络异结构同步控制的前提下,提出一种混沌遮掩方式的加密方案。仿真结果验证了该方案在函数优化计算问题求解和保密通信应用的可行性。
参考文献：
[1]. 基于忆阻器的混沌神经网络及应用[D]. 张椅. 西南大学. 2014
[2]. 全局耦合网络的特性及其混沌控制研究[D]. 王涛. 哈尔滨工程大学. 2011
[3]. 混沌神经网络的联想记忆特性研究[D]. 段书凯. 西南师范大学. 2003
[4]. 基于突触计算的神经网络情景记忆模型研究[D]. 夏旻. 东华大学. 2009
[5]. 混沌神经网络及其联想记忆功能的研究[D]. 向利华. 东北师范大学. 2012
[6]. 抑制型动态突触神经网络模型及其应用研究[D]. 严晨. 东华大学. 2007
[7]. 新型模糊混沌神经网络模型及特性研究[D]. 唐墨. 哈尔滨工程大学. 2007
[8]. 用于信息处理的延时混沌神经网络[J]. 王涛, 王科俊, 贾诺. 计算机应用. 2011
[9]. 混沌神经网络本征分析及在模式识别和密码体制中的应用研究[D]. 秦科. 电子科技大学. 2010
[10]. 迟滞混沌神经元/网络的模糊滑模控制及应用研究[D]. 刘畅. 天津工业大学. 2015