基于混沌神经网络轨道空间的模式识别技术研究

本项目根据被控混沌神经网络的运动轨道空间依赖于网络初始模式这一特性，提出了基于混沌神经网络轨道空间的模式识别技术的新思路。项目将围绕混沌神经网络的轨道空间特性、建立初始模式与被控混沌神经网络的轨道空间关系，探索新型的模式识别技术开展研究，主要包括（1）混沌神经网络的混沌控制研究、(2) 混沌神经网络的轨道空间研究、(3) 轨道空间特征信息的提取研究、(4) 影响模式识别率的因素研究这四方面研究内容。项目的实施，将解决混沌神经网络应用于模式识别中的关键技术，从而提出基于混沌神经网络轨道空间的模式识别新技术，这对促进混沌神经网络的应用，推进模式识别技术的发展，具有重要的理论与应用价值。

根据生物体真实神经系统动力学特性提出的混沌神经网络，由于对初始条件的十分敏感，使得具有细小差别的两个初始模式，导致两个截然不同的运动轨道空间，这一性质是模式识别的天然条件，为此我们提出了“基于混沌神经网络轨道空间的模式识别技术研究”的课题。围绕这一课题，我们主要展开了（1）混沌神经网络的控制方法研究，（2）混沌神经网络的学习算法研究以及与模式识别关系研究，（3）混沌神经网络复杂性研究，（4）混沌神经网络的轨道空间与特征空间研究这四方面的研究。. 混沌控制方法的研究中，我们结合大脑神经系统活动特性，开创性地将反映大脑意识活动特征的脑波信号的主要成分，正弦信号，引入到混沌控制中，使混沌神经网络的混沌控制符合人脑的思维活动。研究结果表明，只有当控制信号的频率处于反映大脑思考解决问题时的脑波频率上时，混沌神经网络的混沌不仅能很好地被控制，而且网络的输出序列中仅包含与初始模式相关的存储模式，这对模式识别等信息处理极其重要。我们的研究结果，对于理解大脑思维活动机制有着重要的积极意义。. 神经网络的学习算法决定了网络的学习能力与知识更新能力，为此我们提出了被动遗忘的动态Hebb学习算法。研究表明，用被动遗忘的动态Hebb学习算法学习的混沌神经网络，具有类似模糊模式识别能力，具有更好的模式识别能力，外部刺激能提高模式识别的正确率。研究结果不仅对提高模式识别能力有十分重要的意义，而且对研究大脑记忆认知等思维活动，同样有十分重要的指导意义。. 在对复杂网络研究中，我们提出的归一化KLD系数，解决了KLD维度和KLD维密度固有的局限性，能灵敏地检测到多维序列中仅有两个时间序列的相关结构发生改变，还可用于非平稳时间序列的分析以及非线性系统的相关结构分析。小世界混沌神经网络的研究结果表明，小世界混沌神经网络的神经元的同步率低于规则连接的混沌神经网络，当重连概率较低时，出现规则的斑图。小世界混沌神经网络中神经元的激活率是类周期性的，可以清晰方便地区别出规则混沌神经网络所具有的特性。小世界混沌神经网络中的孤立节点数比例大于一临界值时，将严重影响着小世界混沌神经网络的同步特性。