《基於混沌神經網路軌道空間的模式識別技術研究》是依託浙江大學，由何國光擔任項目負責人的面上項目。
基本介紹
- 中文名：基於混沌神經網路軌道空間的模式識別技術研究
- 依託單位：浙江大學
- 項目負責人：何國光
- 項目類別：面上項目
項目摘要,結題摘要,
項目摘要
本項目根據被控混沌神經網路的運動軌道空間依賴於網路初始模式這一特性，提出了基於混沌神經網路軌道空間的模式識別技術的新思路。項目將圍繞混沌神經網路的軌道空間特性、建立初始模式與被控混沌神經網路的軌道空間關係，探索新型的模式識別技術開展研究，主要包括（1）混沌神經網路的混沌控制研究、(2) 混沌神經網路的軌道空間研究、(3) 軌道空間特徵信息的提取研究、(4) 影響模式識別率的因素研究這四方面研究內容。項目的實施，將解決混沌神經網路套用於模式識別中的關鍵技術，從而提出基於混沌神經網路軌道空間的模式識別新技術，這對促進混沌神經網路的套用，推進模式識別技術的發展，具有重要的理論與套用價值。
結題摘要
根據生物體真實神經系統動力學特性提出的混沌神經網路，由於對初始條件的十分敏感，使得具有細小差別的兩個初始模式，導致兩個截然不同的運動軌道空間，這一性質是模式識別的天然條件，為此我們提出了“基於混沌神經網路軌道空間的模式識別技術研究”的課題。圍繞這一課題，我們主要展開了（1）混沌神經網路的控制方法研究，（2）混沌神經網路的學習算法研究以及與模式識別關係研究，（3）混沌神經網路複雜性研究，（4）混沌神經網路的軌道空間與特徵空間研究這四方面的研究。 混沌控制方法的研究中，我們結合大腦神經系統活動特性，開創性地將反映大腦意識活動特徵的腦波信號的主要成分，正弦信號，引入到混沌控制中，使混沌神經網路的混沌控制符合人腦的思維活動。研究結果表明，只有當控制信號的頻率處於反映大腦思考解決問題時的腦波頻率上時，混沌神經網路的混沌不僅能很好地被控制，而且網路的輸出序列中僅包含與初始模式相關的存儲模式，這對模式識別等信息處理極其重要。我們的研究結果，對於理解大腦思維活動機制有著重要的積極意義。 神經網路的學習算法決定了網路的學習能力與知識更新能力，為此我們提出了被動遺忘的動態Hebb學習算法。研究表明，用被動遺忘的動態Hebb學習算法學習的混沌神經網路，具有類似模糊模式識別能力，具有更好的模式識別能力，外部刺激能提高模式識別的正確率。研究結果不僅對提高模式識別能力有十分重要的意義，而且對研究大腦記憶認知等思維活動，同樣有十分重要的指導意義。 在對複雜網路研究中，我們提出的歸一化KLD係數，解決了KLD維度和KLD維密度固有的局限性，能靈敏地檢測到多維序列中僅有兩個時間序列的相關結構發生改變，還可用於非平穩時間序列的分析以及非線性系統的相關結構分析。小世界混沌神經網路的研究結果表明，小世界混沌神經網路的神經元的同步率低於規則連線的混沌神經網路，當重連機率較低時，出現規則的斑圖。小世界混沌神經網路中神經元的激活率是類周期性的，可以清晰方便地區別出規則混沌神經網路所具有的特性。小世界混沌神經網路中的孤立節點數比例大於一臨界值時，將嚴重影響著小世界混沌神經網路的同步特性。
