基于改进Hopfield神经网络的图像特征点匹配算法
hopfield神经网络及其应用教学课件
求解人员在旅行时路径最短方案的问题。
3 最短路问题
求解网格地图上从起点到目标的最短路径问题。
Hopfield神经网络在金融风险评估中的应用
应用场景
可用于预测市场波动、分析股票的波动风险、风险 指数的评估等。
数据处理
通过分析历史数据并训练神经网络模型进行预测， 可帮助投资者更好地控制风险。
优点
能够实现自我组织、自我修复和自我学习的功能，具有很强的容错能力。
2
缺点
存在模型建立时间长、计算复杂度高等问题，在大规模网络中应用受到限制。
3
发展趋势
将向更多交叉领域发展，如神经系统科学、人工智能等，同时将致力于提高网络计算效 率和准确度。
Hopfield神经网络及其应用实例介绍
电子显微镜图像处理
Hopfield神经网络在模式恢复与记忆中的应 用
图像恢复
绘画
能够自动去除损伤、扭曲等现象， 对于图像降噪也有一定效果。
将草图转化为具有更多细节和色 彩的绘画作品。
音乐恢复
将不同曲调的曲谱恢复成原音。
Hopfield神经网络在优化问题求解中的 应用
1 逆向工程
能够自动优化物理结构的技术，可应用于电路设计、芯片布局等领域。
Hopfield神经网络在交通流预测中的应 用
应用场景
能够应用于道路交通流预测、车流控制、智能交通系统等实践应用领域。
模型构建
通过分析交通流数据并构建合理的神经网络模型，可以精确预测交通流量及拥堵情况。
优势
较传统交通流预测算法更高效且具有更高的精确度。
Hopfield神经网络的优缺点与发展趋势
1
通过神经网络对显微镜图像进行 优化处理，提高图像清晰度和对 比度。
《hopfield神经网络》课件
神经网络的学习算法
1
Hebbian学习规则
根据同时激活的神经元之间的相关性来更新连接权重。
2
Delta规则
使用反向传播算法根据误差信号来调整连接权重，以逼近期望输出。
3
学习的稳定性
神经网络的学习算法可以保证网络的稳定性和收敛性。
神经网络的应用领域
1 模式识别
2 优化问题
通过学习和存储模式来实现模式识别和分类， 例如图像识别和语音识别。
《hopfield神经网络》PPT 课件
介绍《hopfield神经网络》的PPT课件，包含神经网络的基本概念与应用，学 习算法以及与其他神经网络的比较，展望神经网络未来的发展趋势。
Hopfield神经网络概述
Hopfield神经网络是一种用于模式识别和优化问题的反馈神经网络，基于神 经元之间的相互连接和信号传递。
Kohonen网络
Kohonen神经网络适用于聚类和自组织特征映射， 常用于无监督学习和可视化。
神经网络中的记忆与自组织
记忆
Hopfield神经网络可以学习和存储输入模式，并能够通过模式关联实现模式识别和记忆恢复。
自组织
神经网络中的神经元可以自动组织为有效的连接结构，以适应不同问题的处理和学习需求。
神经网络的基本形式
结构
Hopfield神经网络由神经元和它们之间的连接组成， 形成一个全连接的反馈网络结构。
激活函数
神经元通过激活函数将输入信号转换为输出信号， 常用的激活函数包括Sigmoid函数和ReLU函数。
反向传播算法
Hopfield神经网络使用反向传播算法来量函数
能量函数是Hopfield神经网络的核心概念，它通过计算网络状态的能量来衡 量模式之间的关联性和稳定性。
霍普菲尔德(Hopfield)神经网络概述
Hopfield网络的提出
1982年，美国加州理工学院物理学家 J .J.Hopfield教授提出一种单层反馈神经网 络，后来人们将这种反馈网络称为Hopfield 网络。 1985年，J.J.Hopfield和D.W.Tank用模拟电 子线路实现了Hopfield网络，并用它成功地 求解了旅行商问题(TSP)的求解方法。
Hopfield网络的特点
单层反馈式网络
x1 o1 W x2 o2 … … xn
on
Hopfield网络的特点
灌输式学习方式 灌输式学习中网络权值不是通过训练逐渐 形成的，而是通过某种设计方法得到的。 权值一旦设计好就一次灌输给网络，不再 变动， 这种学习是死记硬背式的，而不是训练式 的。
Hopfield网络的特点
权值一旦设计好就一次灌输给网络不再变动考虑了输入与输出的延迟因素hopfield网络的分类离散型hopfield神经网络dhnn连续型hopfield神经网络chnnnetnetnetnet组合优化tsp问题组合优化问题就是在给定约束条件下求出使目标函数极小或极大的变量组合问题
霍普菲尔德（Βιβλιοθήκη opfield Hopfield） Hopfield 神经网络概述
旅行商问题(TSP)
旅行商问题（Traveling Saleman Problem， TSP）又译为旅行推销员问题、货郎担问题， 简称为TSP问题，是最基本的路线问题。
是指一名推销员要拜访多个地点时，如何 找到在拜访每个地 TSP问题点一次后再回 到起点的最短路径。
旅行商问题(TSP)
旅行商问题(TSP)
Hopfield网络的应用
分类、模式识别
联想记忆
各神经元的状态在运行中不断更新
应用Hopfield神经网络优化最大熵的图像恢复算法
像恢复的优化 目标， 构造能量函数连续型 Ｈ ｐ ｅ 神经网络模型，由能量 函数极小化得到图像恢复的最 ｏｆｌ ｉｄ
优解 ．
收稿 日期 ： ０ ０ １ —２ ２ ｌ ．２ １ 基金项 目： 南省教 育厅 基金项 ｆ（０ ０ ５ ） 湖 １１ｃ ７ ３
作者简 介 ： 卫平 （９４ ） 丁 １６ ，男，湖南岳 阳人，硕 上， 湖南 理 Ｉ 院数 学学 院副教 授 主要研 究方 向：信息 论及应 用 学
算法 在不断 改进，运算 速度也 越来 越快．
本文提出一种基于 Ｈ ｐ ｅ ｏｆ ｌ ｉ ｄ神经 网络模型优化 的最大熵图像恢 复算法， 图像恢复问题转 化为 将
Ｈ ｐ ｅｄ 经 网络优 化 问题 ， 恢 复 图像 最 大熵 函数 及 原始 图像 与恢 复 图像 的误 差 平 方和 为最小 作 为 图 ｏ ｆ ｌ神 ｉ 取
ｉ ｍａ ｉ ｍ ｆｉ ｇ ｎ ｒ ｐ ｎ ｎ ｍｉ ａ ｉ ｎ ｏ ｑ ａ ｅ ｒｏ ｅ ｗｅ ｎ ｔ ｅ ｏ ｉ ｉ ａ ｍａ ｅａ ｄ ｒ ｓｏ ａ ｉ ｅ ｉ ｇ ｕ ｏ ｔ ｅ ｓ ｘ ｍｕ ｏ ｍａ ｅ ｅ ｔｏ ｙ ａ ｄ ｍｉ ｉ ｚ ｔ ｆｓ ｕ ｒ ｄ ｅ ｒ ｒ ｂ ｔ ｅ ｈ ｒｇ ｎ ｌ ｏ ｉ ｇ ｎ ｅ ｔ ｒ ｔｖ ｍａ ｅ ｄ ｅ ｔ ｈ
网络 用于 图像恢复 的方法最 早由 ｚｏＹＴ等人提 …，他们将恢 复 问题与 Ｈｏｆ ｌ ｈｕ ｐ ｅｄ神经 网络 通过 能量 函数 ｉ 联系起 来，将 图像恢复 问题转 化为适 合神经 网络计 算 的优 化 问题 ， 来 Ｐｉ 人对 比进行 了改进Ｌ． 年 后 ａ ｋ等 ２近 Ｊ 来，关 于 神经 网络 图像复 原方 法 ［６的研究 也 越来 越 多，其 用 于图 像复 原 的神 经 网络模 型 在不 断地 丰 富， ３１ － －
基于改进Hopfield神经网络的图像特征点匹配算法
基于改进Hopfield神经网络的图像特征点匹配算法
黄新;保文星
【期刊名称】《计算机工程与设计》
【年(卷),期】2010(031)009
【摘要】针对图像特征点匹配算法的运行时间呈指数增长的问题,提出了一种新的匹配算法NHop.该算法通过加入新的网络输入输出函数、点对间差异的度量和启发式选择目标点的方式,对传统的Hopfield神经网络进行了改进.新算法不仅解决了传统Hopfield神经网络运行时间长、能量函数易陷入局部极小点的问题,而且也有效地实现了图像特征点的匹配.实验结果表明,与传统的Hopfield神经网络相比,NHop算法的匹配速度更快、准确率更高,对于图像特征点的匹配效果更好.【总页数】5页(P1961-1964,2115)
【作者】黄新;保文星
【作者单位】北方民族大学,计算机科学与工程学院,宁夏,银川,750021;北方民族大学,计算机科学与工程学院,宁夏,银川,750021
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于改进的FREAK算法的图像特征点匹配 [J], 谢红;王石川;解武
2.基于改进SIFT特征点匹配的图像拼接算法 [J], 宋佳乾;汪西原
3.基于改进ORB算法的图像特征点提取与匹配方法 [J], 杨弘凡;李航;陈凯阳;李嘉
琪;王晓菲
4.基于改进ORB算法的图像特征点提取与匹配方法 [J], 杨弘凡;李航;陈凯阳;李嘉琪;王晓菲
5.基于改进SIFT特征点匹配的图像拼接算法研究 [J], 张勇;王志锋;马文
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Hopfield神经网络的有限元模型修正
d o i :10.3963/j .i s s n .1674-6066.2022.04.012基于H o pf i e l d 神经网络的有限元模型修正杨昕怡(武汉理工大学土木工程与建筑学院,武汉430070)摘 要: 工程结构的有限元模型对结构的健康监测与可靠性评估有重大意义,但实际工程中测量数据和模型都与结构初始有限元模型有一定的差异,因此有必要对实际结构的有限元模型进行修正㊂首先建立有限元模型修正方程来表达结构响应与待修正参数之间的关系,再通过H o p f i e l d 递归神经网络技术,对模型修正方程进行求解㊂通过一个数值梁模型对提出的方法进行了验证,结果显示H o p f i e l d 神经网络在求解线性模型修正仿真中有较好的效果㊂关键词: H o pf i e l d 神经网络; 模型修正; 线性方程组; 有限元模型F i n i t eE l e m e n tM o d e lM o d i f i c a t i o nB a s e do nH o p f i e l d N e u r a lN e t w o r kY A N G X i n -yi (S c h o o l o fC i v i l E n g i n e e r i n g a n dA r c h i t e c t u r e ,W u h a nU n i v e r s i t y o fT e c h n o l o g y ,W u h a n430000,C h i n a )A b s t r a c t : T h e f i n i t e e l e m e n tm o d e l o f e n g i n e e r i n g s t r u c t u r ew a so f g r e a t s i g n i f i c a n c e t o t h eh e a l t h m o n i t o r i n g a n d r e l i a b i l i t y e v a l u a t i o n o f t h e s t r u c t u r e ,b u t t h em e a s u r e d d a t a a n d t h em o d e l i n t h e a c t u a l e n g i n e e r i n g w e r e d i f f e r e n t f r o m t h e i n i t i a l f i n i t e e l e m e n tm o d e l o f t h es t r u c t u r e ,s o i tw a sn e c e s s a r y t o m o d i f y t h e f i n i t ee l e m e n tm o d e l o f t h ea c t u a l s t r u c t u r e .F i r s t l y ,t h e f i n i t ee l e m e n tm o d e lm o d i f i c a t i o ne q u a t i o n w a se s t a b l i s h e dt oe x p r e s st h er e l a t i o n s h i p b e t w e e n s t r u c t u r a l r e s p o n s e a n d p a r a m e t e r s t o b em o d i f i e d ,a n d t h e n t h eH o p f i e l d r e c u r s i v e n e u r a l n e t w o r k t e c h n o l o g y wa s u s e d t os o l v e t h em o d e lm o d i f i c a t i o n e q u a t i o n .An u m e r i c a lb e a m m o d e lw a s u s e d t o v e r i f y t h e p r o p o s e dm e t h o d ,a n d t h e r e -s u l t s s h o w e d t h a tH o p f i e l dn e u r a l n e t w o r kw a s e f f e c t i v e i n s o l v i n g l i n e a rm o d e lm o d i f i c a t i o n s i m u l a t i o n .K e y wo r d s : H o p f i e l dn e u r a l n e t w o r k ; m o d e lm o d i f i c a t i o n ; l i n e a r e q u a t i o n s ; f i n i t e e l e m e n tm o d e l 收稿日期:2022-04-08.基金项目:武汉理工大学土木工程与建筑学院国家级大学生创新创业训练计划资助(202110497067).作者简介:杨昕怡(2000-),本科生.E -m a i l :y a n g x i n y i @w h u t .e d u .c n 自有限单元元分析法问世至今,一直备受工程界学者的广泛关注㊂利用有限元模型来模拟研究结构响应对结构的设计㊁运营㊁维护㊁监测等活动具有重大作用㊂有限元模型修正主要是用结构实测的响应来反演结构力学参数,如弹性模型㊁质量㊁密度㊁尺寸参数等㊂常用的结构实测响应数据主要有静力数据和动力数据㊂由于结构动力数据种类丰富㊁测量方便,因此基于动力数据的有限元模型修正方法较多㊂国内外很多工程领域的研究人员都对基于动力数据的模型修正方法开展了研究,例如,方圣恩等[1]提出了一种模型修正措施,将建立的响应面模型与应用蒙特卡罗仿真技术得到的结构响应样本相联合,用于结构有限元模型修正㊂姚春柱等[2]采用了贝叶斯模型修正方法,将使用吉布斯抽样的蒙特卡罗马尔科夫链抽样方法得到的数据代入随机模型,应用贝叶斯理论,得到关于模型参数的后验分布动态统计特征,达到对参数进行识别的目标㊂陈辉等[3]结合结构随机响应实测数据列出了能准确表达待修正参数与结构反应之间联系的模型修正方程式,并在求解该方程时运用混合摄动-伽辽金方法,从而获取修正参数的概率统计特征㊂在国际上,美国的B e c k JL 教授[4]在对线弹性土木结构的随机模型修正研究中应用了贝叶斯方法,通过判断所抽取样本对应的响应与测量结果是否吻合来确定修正参数㊂R u i [5]通过响应面法㊁改进的蒙特卡洛统计模拟法和移动最小二乘法求解了模型修正方程㊂模型修正是力学反问题,求解模型修正方程,会涉及大型矩阵反复求逆,或存在多解或者病态问题,导致64建材世界 2022年 第43卷 第4期计算精度不高㊂并且根据目前国内外研究人员的研究成果可以看出学者们对模型修正的研究还在初级阶段,还需克服许多困难㊂因此,在工程界的迫切需求下,提出更为实用和高效的模型修正方法具有必要性㊂使用H o p f i e l d神经网络来求解模型修正方程能有效解决上述问题㊂首先建立基于动力模态数据的模型修正方程,并对H o p f i e l d神经网络解决实际问题的理论解与模型推导进行阐述,然后通过一个两跨连续梁对该方法进行了验证㊂结果表明,该方法能非常准确地求解模型修正方程,使修正结果与预设的工况一致,修正后的结构参数能够复现结构动力响应,具有实际工程意义㊂1理论1.1模型修正方程的建立考虑具有N个自由度的无阻尼结构,初始模型满足以下特征值方程K aφi=λi M aφi(i=1, ,n c)(1)式中,K a和M a分别是初始结构模型的整体刚度矩阵和质量矩阵;λi和φi分别是初始模型的第i阶特征值和特征向量;n c为初始模型的计算模态个数㊂类似地,实际结构的特征方程可以表示为K dφ-j=λ-j M dφ-j(j=1, ,n m)(2)式中,K d和M d分别是实际结构模型的整体刚度矩阵和质量矩阵;λ-j和φ-j分别是实际模型的第j阶特征值和特征向量;n m为实际模型的计算模态的个数㊂初始结构跟实际结构的质量矩阵与刚度矩阵存在以下关系M d=M a+ðN e n=1βn M n(3)K d=K a+ðN e n=1αn K n(4)式中,N e为结构的单元个数;K n和M n分别是结构第n个单元的NˑN单元组装矩阵;αn和βn分别为结构第n个单元的质量和刚度的修正系数,表示为实际结构的单元刚度和质量相对于初始矩阵的变化率㊂将式(1)的每个方程左乘φ-T j,其中j=1, ,n m㊂同样,将式(2)的每个方程左乘φT i,其中i=1, ,n c㊂可以得到φ-T j K aφi=λiφ-T j M aφi(5)φT i K dφ-j=λ-T jφi M dφ-j(6)合并式(5)和式(6)可以得到φT i K dφ-jφT i K aφ-j =λ-jφT i M dφ-jλiφT i M aφ-j(7)将式(3)㊁式(4)代入式(7)可以得到1+ðN e n=1αnφT i K nφ-jφT i K aφ-j =λ-jλi1+ðN e n=1βnφT i M nφ-jφT i M aφ-æèçöø÷j(8)对式(8)进行因式变换可以得到ðN e n=1αnφT i K nφ-jφT i K aφ-j -ðN e n=1βnφT i M nφ-jφT i M aφ-j=λ-jλi-1(9)式(9)可以简写为C(0)E(0[])㊃γ(0)=f(0)(10)式中,C=Φ()i T K nΦj,E=ðN e n=1-λ-jΦ()i T M nΦj,f(0)=λ-jΦ()i T MΦj-Φ()i T KΦj,γ=α[]βT㊂1.2H o p f i e l d神经网络H o p f i e l d神经网络作为一种递归神经网络,具有多反馈回路㊂递归神经网络通过结构递归建立,根据不同形式的递归性应用,产生了许多具有不同结构的递归网络㊂在各种神经网络的学习算法中,梯度下降法应用十分广泛㊂采用H o p f i e l d神经网络来求解现行矩阵方程,根据得到的解与理论解之间的对比,能判断该74建材世界2022年第43卷第4期神经网络模型求解线性矩阵方程的有效性㊂数学矩阵论中求C (0)E (0[])㊃γ(0)=f (0)的方法如下x =C ()0 E ()[]0/f ()0=C ()0 E ()[]0-()1㊃f ()0 下面依据负梯度设计方法推导该神经网络模型:1)构造一个基于矩阵范数的标量误差函数ε(t )= C ()0E ()[]0 22/2=C ()0E ()[](0㊃γ()0-f ())0T C ()0E ()[]0㊃γ()0-f ()()0/2 2)为了使上述误差减小,可采用经典的负梯度方法,因此我们可以得到如下误差函数负梯度方向作为下降方向-∂ε∂χ=-C ()0E ()[]0T C ()0E ()[](0㊃γ()0-f ())0 3)线性的基于负梯度的神经网络模型如下γ㊃()0()t =-γC ()0E ()[]0T C ()0E ()[](0㊃γ()0-f ())0其中参数γ>0决定网络的收敛速度,如条件允许,越大越好㊂2 数值算例下面对一个双跨连续梁进行模型修正研究,跨长和梁截面如图1所示㊂模拟连续梁的有限元模型由12个相同的欧拉-伯努利梁单元组成㊂单元中的每一个节点包括两个自由度㊁一个垂直位移和一个扭转角度㊂假设初始梁模型弹性模量为2.8ˑl 010P a ,密度为2.5ˑ103k g /m 3㊂假设第②㊁⑤㊁⑩三个单元的真实质量分别下降了40%㊁30%和20%,同时第③㊁⑤㊁⑨㊁⑩㊁单元的弹性模量分别减少30%㊁40%㊁35%㊁30%和20%,其他单元的质量与弹性模量保持初始值不变㊂将12个单元的弹性模量和质量认定为修正参数㊂修正后的弹性模量参数从左到右编为1~12号,相应的质量参数为13~24㊂换句话说,修正后的参数总数为24㊂计算得到该两跨连续梁24个参数修正后的神经网络预测值与实际真值结果对比如图2所示㊂由图2可以看出,修正后的H o p f i e l d 识别值与实际真值基本吻合,由此可证明H o p f i e l d 神经网络修正模型的有效性㊂(下转第65页)84建材世界 2022年 第43卷 第4期建材世界2022年第43卷第4期[10]施有志,柴建峰,赵花丽,等.地铁深基坑开挖对邻近建筑物影响分析[J].防灾减灾工程学报,2018,38(6):927-935.[11]郑翔,汤继新,成怡冲,等.软土地区地铁车站深基坑施工全过程对邻近建筑物影响实测分析[J].建筑结构,2021,51(10):128-134.[12]A n JB,S u nCF.S a f e t y A s s e s s m e n t o f t h e I m p a c t s o f F o u n d a t i o nP i t C o n s t r u c t i o n i nM e t r oS t a t i o no nN e a r b y B u i l d i n g s[J].I n t e r n a t i o n a l J o u r n a l o f S a f e t y a n dS e c u r i t y E n g i n e e r i n g,2020,10(3):423-429.[13]王利军,邱俊筠,何忠明,等.超大深基坑开挖对邻近地铁隧道变形影响[J].长安大学学报(自然科学版),2020,40(6):77-85.[14]尚国文,李飒,翟超,等.基坑开挖与邻近地铁结构变形相关性的实测分析[J].防灾减灾工程学报,2020,40(1):107-115.[15]丁智,张霄,金杰克,等.基坑全过程开挖及邻近地铁隧道变形实测分析[J].岩土力学,2019,40(S1):415-423.[16]许四法,周奇辉,郑文豪,等.基坑施工对邻近运营隧道变形影响全过程实测分析[J].岩土工程学报,2021,43(5):804-812.[17]左自波,黄玉林,吴小建,等.基坑施工对下方双线地铁隧道影响的数值模拟[J].北京交通大学学报,2019,43(3):50-56.[18]章润红,刘汉龙,仉文岗.深基坑支护开挖对临近地铁隧道结构的影响分析研究[J].防灾减灾工程学报,2018,38(5):857-866.[19]S u nH S,W a n g,L W,C h e nSW,e t a l.AP r e c i s e P r e d i c t i o n o f T u n n e l D e f o r m a t i o nC a u s e d b y C i r c u l a r F o u n d a t i o nP i t E x-c a v a t i o n[J].A p p l i e dS c i e n c e s,2019,9(11),2275.[20]徐宏增,石磊,王振平,等.深基坑开挖对邻近大直径管线影响的优化分析[J].科学技术与工程,2021,21(2):714-719.[21]贺雷,张亚楠,曹明洋,等.软土区基坑开挖对邻近电缆隧道的影响研究[J].建筑结构,2020,50(S1):1032-1037.[22]施有志,葛修润,李秀芳,等.地铁深基坑施工对周边管线影响数值分析[J].中山大学学报(自然科学版),2017,56(6):83-93.[23]L iWJ,H a nX M,C h e nT,e t a l.R e s e a r c ho n I n f l u n e n c eL a wo f E x i s t i n g P i p e-j a c k i n g T u n n e lA f f e c t e db y A d j a c e n t F o u n-d a t i o nP i tE x c a v a t i o ni nS o f tC l a y S t r a t u m[J].I O P C o n fe r e n c eS e r i e s M a t e r i a l sS c i e n c ea n d E n g i n e e r i n g,2019,688:022041.(上接第48页)3结论该文提出了一种基于H o p f i e l d人工神经网络和模态数据求解有限元模型修正参数的方法㊂基于结构实测响应,通过构建修正方程与H o p f i e l d神经网络对一两跨连续梁质量与弹性模量参数进行修正,修正后得到的有限元模型与结构实际特征基本统一㊂因此可以认为将H o p f i e l d神经网络引入模型参数修正中可以避免大型矩阵求逆和正则化,能更准确的修正结构参数㊂参考文献[1]方圣恩,林友勤,夏樟华.考虑结构参数不确定性的随机模型修正方法[J].振动.测试与诊断,2014,34(5):832-837,973.[2]姚春柱,王红岩,芮强,等.车辆点焊结构有限元模型参数不确定性修正方法[J].机械科学与技术,2014,33(10):1545-1550.[3]陈辉,张衡,李烨君,等.测量模态不确定的梁式结构随机有限元模型修正[J].振动工程学报,2019,32(4):653-659.[4] B e c k JL,K a t a f y g i o t i sLS.U p d a t i n g M o d e l s a n dT h e i rU n c e r t a i n t i e s-I:B a y e s i a nS t a t i s t i c a l F r a m e w o r k[J].J o u r n a l o f E n-g i n e e r i n g M e c h a n i c s,1988,124(4):455-461.[5] R u iQ,O u y a n g H,W a n g H Y.A nE f f i c i e n tS t a t i s t i c a l l y E q u i v a l e n tR e d u c e d M e t h o do nS t o c h a s t i c M o d e lU p d a t i n g[J].A p p l i e d M a t h e m a t i c a lM o d e l l i n g,2013,37(8):6079-6096.56。
基于Hopfield神经网络多用户检测技术的研究的开题报告
基于Hopfield神经网络多用户检测技术的研究的开题报告1. 研究背景随着互联网的发展与普及，人们已经习惯了使用互联网来实现信息传递、交流和分享等功能。
但是，在这个过程中，也存在着数据被篡改或者被窃取的风险，这就需要通过网络安全技术来保障数据的安全。
目前，网络安全技术已经成为了计算机科学研究的重要方向之一，其中之一就是多用户检测技术。
而Hopfield神经网络作为一种常见的神经网络，能够处理具有复杂结构的问题，并且具有强大的模式识别能力，因此被广泛应用于图像识别、模式识别、聚类分析等领域。
而将Hopfield 神经网络应用于多用户检测技术的研究，则将会对网络安全技术的发展产生重要的影响。
2. 研究内容本研究的主要内容是基于Hopfield神经网络的多用户检测技术。
具体而言，研究将从以下三个方面展开：（1）Hopfield神经网络的原理与算法研究，对Hopfield神经网络进行详细分析，研究其基本原理和算法，为后续多用户检测技术研究提供理论基础。
（2）基于Hopfield神经网络的多用户检测技术研究，将Hopfield神经网络应用于多用户检测技术中，通过构建Hopfield神经网络的多用户检测模型，提高网络中多用户的检测性能，并且探究不同参数设置对检测性能的影响。
（3）验证与实验分析，通过实验验证多用户检测技术的可行性与有效性，并分析实验数据，探究多用户检测技术的优缺点，为拓展多用户检测技术的应用提供实验支持。
3. 研究意义本研究的意义主要有以下几个方面：（1）对Hopfield神经网络的运用进行深入探究，发掘其在多用户检测技术中的优势，扩展其应用领域，为网络安全技术的发展提供新的思路。
（2）研究能够提高多用户检测技术的检测性能的方法与算法，提升网络的安全性能，保护网络中的信息安全。
（3）通过实验验证研究成果的可行性与有效性，为多用户检测技术的应用与推广提供实验支持，加速网络安全技术的发展。
4. 研究方法本研究主要采用理论研究与实验方法相结合的方式，具体包括：（1）理论研究，对Hopfield神经网络进行详细分析，研究其原理和算法，并将其应用到多用户检测技术中。
一种基于遗传Hopfield神经网络求解TSP问题的算法
一种基于遗传Hopfield神经网络求解TSP问题的算法帅训波;马书南【期刊名称】《微型机与应用》【年(卷),期】2009(028)021【摘要】For the Hopfield network in solving traveling salesman problem often getting invalid and not optimal solution, an improved constrained optimization energy function is used as fitness function of the genetie algorithm. A solving traveling salesman problem algorithm based on the genetic Hopfield network is constructed. Compared with traditional Hopfield network algorithm, the solving algorithm in this paper can easy obtain effective global optimd solution is proved by simulation experiment results.%针对Hopfield网络求解TSP问题时出现无效解和收敛性能差的问题,对约束条件能量函数进行改进,构造了一种求解TSP问题的遗传Hopfield神经网络算法,并与经典Hopfield神经网络求解TSP方法进行对比.实验结果表明,本文算法具有更好的整体求解性能.【总页数】4页(P7-9,15)【作者】帅训波;马书南【作者单位】中国石油勘探开发研究院廊坊分院,地球物理与信息研究所,河北,廊坊,065007;北京工业大学,计算机科学学院,北京,100022【正文语种】中文【中图分类】TP301.6【相关文献】1.基于遗传算法求解TSP问题的一种算法 [J], 敖友云;迟洪钦2.基于遗传算法求解TSP问题的一种算法 [J], 刘三满3.用Hopfield神经网络与遗传算法rn求解TSP问题的实验比较与分析 [J], 余一娇4.一种基于粒子群算法和Hopfield网络求解TSP问题的方法 [J], 龚淑蕾;张煜东;吴含前;韦耿5.一种基于遗传算法的TSP问题多策略优化求解方法 [J], 孙文彬;王江因版权原因，仅展示原文概要，查看原文内容请购买。
了解Hopfield神经网络算法的实现原理
了解Hopfield神经网络算法的实现原理Hopfield神经网络算法是一种基于神经网络的求解最优化问题的算法。
它可以用于解决诸如图像处理、模式识别、最优化问题等应用领域。
Hopfield神经网络算法最初由J. J. Hopfield在1982年提出，其理论基础来源于生物学领域中的神经元行为研究。
Hopfield神经网络算法的实现原理主要包括四个方面：神经元模型、神经网络结构、网络训练方法以及应用场景。
1. 神经元模型在Hopfield神经网络算法中，每个神经元都是一个二值状态（取值为+1或-1）的模型。
这种模型通常称为McCulloch- Pitts模型。
其原理是在神经元内部通过大量的来自其他神经元的输入，进行累加、加权、激活等操作后产生输出。
在Hopfield神经网络中，每个神经元之间的连接按照一定的权重系数进行连接，这些权重系数通常由网络训练时产生。
2. 神经网络结构Hopfield神经网络结构通常是一个全连接的反馈神经网络。
这种结构下的每个神经元都被连接到其他所有神经元，并且这些连接是双向的。
当网络被激活时，输入信号的影响被传递给其他所有神经元，并且这些神经元的状态也会影响到其他神经元的状态。
由于Hopfield神经网络具有全连接的属性，因此在处理较大规模的问题时，网络的计算量非常大，这是其计算效率相对较低的原因之一。
3. 网络训练Hopfield神经网络的训练通常是指对神经元之间的连接权重进行调整，使得网络在接收到输入时能够达到预期的输出。
这种训练方法被称为Hebbian学习规则。
在Hopfield神经网络中，权重矩阵W的元素一般由下式计算：W(i，j) = ∑( xi *xj )其中，xi和xj分别表示神经元i和神经元j的状态，可以取值为+1或-1。
通过反复进行这种权重更新，最终可以得到一个合理的网络权重矩阵W。
4. 应用场景Hopfield神经网络算法被广泛应用于图像处理、模式识别以及最优化问题的求解。
基于Hopfield混沌神经网络的彩色图像加密算法
收稿日期：2012-05-25作者简介：李锦青（1980-），女，博士研究生，讲师，主要从事信息安全，网络安全，混沌保密通信，图像加密的研究，E-mail ：lijinqing@ 。
长春理工大学学报（自然科学版）Journal of Changchun University of Science and Technology （Natural Science Edition ）第35卷第4期2012年12月Vol.35No.4Dec.2012基于Hopfield 混沌神经网络的彩色图像加密算法研究李锦青1，柏逢明2，底晓强1（1.长春理工大学计算机科学技术学院，长春130022；2.长春理工大学电子信息工程学院，长春130022）摘要：本文提出了一种基于混沌控制参数的置乱扩散结构的图像加密算法。
在本算法中，复合混沌映射被用于生成置乱阶段的控制参数，用以进行图像洗牌，置乱图像像素之间的高度相关性。
在扩散阶段，不同初始条件和控制参数的复合混沌映射作为生成Hopfield 混沌神经网络的初始状态，迭代该神经网络，生成扩散阶段的密钥流。
对算法进行仿真实验及数值统计分析表明，本算法具备良好的抗攻击性能，达到相应的安全水平。
关键词：Hopfield 神经网络；复合混沌映射；图像加密；信息熵中图分类号：TP309文献标识码：A文章编号：1672-9870（2012）04-0117-05Color Image Encryption Algorithm based on HopfieldChaotic Neural NetworksLI Jinqing 1，BAI Fengming 2，DI Xiaoqiang 1（1.Changchun University of Science and Technology School of Computer Science and Technology ，Changchun 130022；2Changchun University of Science and Technology School of Electronics and Information Engineering ，Changchun 130022）Abstract：This paper put forward an image encryption algorithm based on the parameters of chaos control for permuta-tion-diffusion structure.In this algorithm ，Tent-Logistic map is used to generate permutation phase of the control pa-rameters ，analyze high correlation between shuffle image and permutation image pixels.In the diffusion stage ，Tent-Lo-gistic map for different initial conditions and control parameters generate initial state of Hopfield chaotic neural network ，iterate that neural network ，and generate the key stream for diffusion stage.Algorithm simulation experiment and numeri-cal statistics analysis shows that the algorithm has good performance against the attack ，reach the corresponding safety level.Key words：Hopfield neural networks ；tent-logistic map ；image encryption ；information entropy信息安全在网络通信、多媒体系统、医疗图像、远距离医疗等许多领域起着至关重要的作用。
一种基于SIFT的改进特征点匹配算法
一种基于SIFT 的改进特征点匹配算法摘要本文提出一种改进的特征点匹配算法基于尺度不变特征变换（SIFT）算法，主要解决了SIFT 算法的准确性和速度问题。
改进算法通过改进SIFT 中的特征点匹配，提高了算法匹配准确性，同时采用了基于KD 树和多通道颜色直方图的快速匹配算法，加速了匹配速度。
实验结果表明，该算法在准确性和速度方面都优于传统的SIFT 算法。
关键词：SIFT；特征点匹配；KD 树；多通道颜色直方图引言近年来，计算机视觉技术的研究受到了广泛关注，其中尺度不变特征变换（SIFT）是一种被广泛采用的特征点提取算法。
SIFT 算法具有尺度不变性、旋转不变性和光照不变性等特点，是一种非常有效的特征点提取算法，被广泛应用于计算机视觉领域中的物体识别、图像配准、三维重建等多个领域。
然而，尽管SIFT 算法被广泛采用，但是其在特征点匹配时存在一些问题，例如准确性和匹配速度等问题。
传统的SIFT 算法采用暴力匹配的方式进行特征点匹配，虽然匹配精度较高，但是匹配速度较慢，尤其是对于大规模图像数据集，运算时间呈指数级别增长，导致运算效率较低。
因此，改进SIFT 算法的特征点匹配算法是一项非常必要的任务。
本文提出了一种基于KD 树和多通道颜色直方图的改进特征点匹配算法，旨在提高SIFT 算法的特征点匹配精度和匹配速度。
本文通过实验对SIFT 算法和改进算法进行比较分析，并验证了改进算法的优越性。
基于SIFT 的特征点匹配SIFT 算法是一种基于尺度空间图像的特征点提取算法，旨在提取图像局部特征并对其进行描述。
SIFT 算法主要分为四个步骤：尺度空间极值检测、关键点精确定位、方向赋值以及特征点描述。
在这个过程中，主要通过DOG（差分高斯）算子来构造尺度空间，通过寻找局部最大值来检测图像中的特征点。
接着，使用DoG 空间的极值点，对每个极值点进行精准定位和方向赋值。
尽管SIFT 算法已经被证明是一种非常有效的特征点提取算法，但是它的特征点匹配存在一定的难点。
基于hopfield神经网络的hsdpa调度算法研究
第1章绪论第1章 绪论1.1 课题背景近年来，第三代移动通信技术蓬勃发展，可提供的数据速率越来越高，涌现了许多新的应用，而用户也对这些高速数据服务表现出极高的热情，带动数据服务，流量呈现指数型的增长。
为了满足这类下载或流媒体等需要更高传输速率和更低时延业务的需求，WCDMA对其空中接口作了改进，引入了高速下行分组接入技术HSDPA (High Speed Downlink Packet Access )。
HSDPA支持高速不对称数据服务，可以在不改变已有WCDMA网络结构的情况下，把下行数据业务速率提高到14.4Mbps[1]，同时可以把当前无线频谱中的系统数据容量提高一倍以上，是WCDMA网络建设后期提高下行容量和数据业务速率的一种重要技术。
随着HSDPA技术的成熟和发展，其良好的应用前景和平滑的演进能力正在引起越来越多人们的热切关注。
HSDPA技术一方面能够满足高速增长的互联网业务、实时业务和多媒体应用对网络的带宽、QoS和可扩展性提出的更高要求；另一方面能够解决无线信道通信易受干扰、衰落等问题，将大大推动多媒体应用的普及。
HSDPA技术能够允许比以往更多的用户同时享受到高速数据服务。
但提到实际商用，HSDPA虽被认为具有十足的商用能力，但问题也随着商用进程的临近逐步清晰，比如如何建网的问题。
如果HSDPA与R99/R4共载频组网，则HSDPA设备必须支持动态功率和码资源调整机制，而且，在业务机制保障方面，除了无线资源管理中的接入控制、负载控制、拥塞控制外，基于数据业务的调度策略是HSDPA业务的主要保障机制。
设备需要根据端到端业务质量的要求，在HSDPA承载上考虑业务的优先级和时延要求的情况下，兼顾公平性原则尽量使小区的吞吐量最大化。
在业务发生拥塞时，无线资源管理启动负载调整机制，通过HSDPA的动态功率和码字资源调整，优先保障专用信道(DCH)的资源，承载话音等实时业务[2.3]。
在HSDPA 的包调度上，通过功率和码字资源的实时动态分配来保障HSDPA承载的流业务质量。
基于神经网络的优化计算实验
实验六基于神经网络的优化计算实验一、实验目的掌握连续Hopfield神经网络的结构和运行机制，理解连续Hopfield神经网络用于优化计算的基本原理,掌握连续Hopfield神经网络用于优化计算的一般步骤。
二、实验原理连续Hopfield神经网络的能量函数的极小化过程表示了该神经网络从初始状态到稳定状态的一个演化过程。
如果将约束优化问题的目标函数与连续Hopfield神经网络的能量函数对应起来，并把约束优化问题的解映射到连续Hopfield神经网络的一个稳定状态，那么当连续Hopfield神经网络的能量函数经演化达到最小值时，此时的连续Hopfield神经网络的稳定状态就对应于约束优化问题的最优解。
实验报告1、画出连续Hopfield神经网络求解TSP问题的流程图。
2、根据实验内容，给出相应结果及分析。
(1)、参考求解TSP问题的连续Hopfield神经网络源代码（设置参数A=15,B=15,D=0.015, u0=0.02,h=0.5，r= cityNumber*10），给出15个城市和20个城市的求解结果（包括最短路径和最佳路线），分析连续Hopfield神经网络求解不同规模TSP问题的算法性能。
1）int main(int argc,char *argv[])：修改路径计算的代码2）最后要求输出：TSP4(2)、对于同一个TSP问题（例如15个城市的TSP问题），设置不同的网络参数（A=50,B=50,D=0.01,C=50，u0=0.02, h=0.5，r=cityNumber*100；A=0.5, B=0.5, D=0.5, C=0.2，u0=0.02,h=0.5,r=cityNumber*100；A=500,B=500,D=500,C=200，u0=0.02,h=0.5, r=cityNumber*100;A=5, B=5, D=0.01, C=5，u0=0.02,h=0.5, r=cityNumber*100），分析不同参数对算法结果的影响。
基于Hopfield神经网络的图像分割算法研究
基于Hopfield神经网络的图像分割算法研究一、背景介绍图像分割是数字图像处理领域中的一个重要任务，其作用是将一幅图像按照不同的区域进行划分，以便于后续的图像识别、目标跟踪、图像压缩等应用。
Hopfield神经网络是一种经典的神经网络结构，其应用广泛，被应用于图像处理、优化问题等各个领域。
本文将探讨基于Hopfield神经网络的图像分割算法的研究。
二、Hopfield神经网络的原理Hopfield神经网络是一种基于能量函数的反馈神经网络，其结构包括输入层、隐藏层以及输出层。
该网络的基本原理是通过将能量函数最小化来达成不同神经元之间的平衡状态。
在训练阶段，首先建立一个能量函数，然后通过反向传播算法来更新网络中各个神经元的权值，最终学习到一个稳定状态，该状态即为网络的输出。
三、基于Hopfield神经网络的图像分割算法图像分割是一个经典的图像处理问题，其目的是将一幅图像分为若干个不同的区域。
基于Hopfield神经网络的图像分割算法的基本思路是将图像中的像素点作为网络中的神经元，并利用Hopfield神经网络实现像素点的分类，以便于实现图像分割的目的。
1. 输入图像的预处理在图像分割算法中，必须进行一系列的预处理操作，以保证输入图像符合算法的要求。
预处理的过程中需要对图像进行降噪、增强、二值化等操作，以便于提取出有效的像素点信息。
同时，还需要将输入图像转换为一维向量形式，以便于在神经网络中进行处理。
2. 建立Hopfield神经网络模型基于Hopfield神经网络的图像分割算法需要建立一个神经网络模型，以便于对图像中的像素点进行分类。
在建立模型时，需要考虑神经元之间的相互作用关系，并利用反向传播算法来更新神经元的权值，以便于实现图像分割的目的。
3. 维度规约在对图像进行分类时，常常需要考虑维度规约的问题，以去除冗余信息、提高分类的准确率。
在Hopfield神经网络中，维度规约的操作可以通过PCA（Principal Component Analysis）降维来实现，以提高分类的效果。
Hopfield神经网络优化方法
n
x 可见 v i与
i的积总是正的。 E i =-xi v i
= ( wijv j i ) j i
vi
n
故节点i的能量可定义为： Ei ( wijvj i)vi ji
对于离散型网络方程，Hopfield将网络整体能量函数定义为：
E(t)1n
2i1
n ji
wijvivj
i
ivi
Hopfield神经网络优化方法神经网络优化方法
解： 1．计算步骤如下： （1）按式（10-9）确定如下能量函数：
E1n
2i1
n ji
wijvivj
i
ivi
（2）随机选取神经元i，按下式判断该神经元输出状态vi（即采用了阈值为0的 双极硬限函数），按串行工作方式，直至状态不变，计算终止：
若神经元i的状态 若神经元i的状态
n
xi wijv j i>0，则取vi=1 ji n
在Hopfield模型中，神经网络之间的联系总是 设为对称的，这保证了系统最终会达到一个固 定的有序状态，即稳定状态。
Hopfield神经网络优化方法神经网络优化方法
17
Hopfield网络基本结构:
其中，I1, I2,..., In是外部对网络的输入；v1, v2,..., vn是网络系 统的输出；u1, u2, ..., un是对相应神经元输入，wij是从第j个 神经元对第i个神经元的输入的权值，wji=wij，wii=0。f(•)是
网络状态按串行异步方式更新，则网络必收敛于状态空间 中的某一稳定状态。
能量函数与稳定性之间的关系 ：如果网络是稳定
的，则在满足一定的参数条件下，某种能量函数在网络运
行过程中是不断降低并最后趋于稳定平衡状态的——网络
Hopfield神经网络的军事装备维修保障点选址等级分类
Hopfield神经网络的军事装备维修保障点选址等级分类董鹏;唐梦妮;罗朝晖;杨超
【期刊名称】《火力与指挥控制》
【年(卷),期】2017(042)012
【摘要】针对当前军事装备维修保障点选址问题热点,分析提出了基于Hopfield 神经网络的选址等级分类问题研究思路,构建了Hopfield神经网络模型,设计了具体计算步骤,并结合实际算例进行了选址等级分类适用性验证分析,较好解决了在没有专家参与时的选址等级分类问题,为军方开展各类军事装备维修保障点选址工作提供了较为简捷实用的理论方法借鉴.
【总页数】5页(P27-30,34)
【作者】董鹏;唐梦妮;罗朝晖;杨超
【作者单位】海军工程大学,武汉 430033;海军工程大学,武汉 430033;海军工程大学,武汉 430033;华中科技大学管理学院,武汉 430074
【正文语种】中文
【中图分类】F272;TJ07
【相关文献】
1.Hopfield 人工神经网络在物流配送中心选址优化中的应用 [J], 马正元;黄斌
2.基于改进Hopfield神经网络的图像特征点匹配算法 [J], 黄新;保文星
3.基于BP和RBF神经网络的军事装备维修保障点选址问题研究 [J], 董鹏;卢苇;秦芙蓉
4.物流中心选址算法改进及其Hopfield神经网络设计 [J], 曹云忠
5.Hopfield神经网络平衡点的存在性和稳定性 [J], 邢青红;何景婷
因版权原因，仅展示原文概要，查看原文内容请购买。
一种改进的Hopfield神经网络SST图像恢复方法
一种改进的Hopfield神经网络SST图像恢复方法
仲伟波;金声震;宁书年
【期刊名称】《计算机工程》
【年(卷),期】2004(30)24
【摘要】提出了采用三元存储结构和图像分块的改进算法,同时利用模拟退火算法和遗传算法来提高恢复算法的收敛速度,从而进一步提高图像恢复的实时性.最后利用所提出的基于Hopfield神经网络的快速恢复方法进行模拟计算,其运算效率和恢复结果都能达到SST图像恢复的使用要求.
【总页数】3页(P10-12)
【作者】仲伟波;金声震;宁书年
【作者单位】中国矿业大学北京校区计算中心,北京,100083;中国科学院国家天文台空间天文实验室,北京,100012;中国科学院国家天文台空间天文实验室,北
京,100012;中国矿业大学北京校区计算中心,北京,100083
【正文语种】中文
【中图分类】TP183
【相关文献】
1.连续Hopfield神经网络图像复原算法的改进 [J], 吴城磊
2.基于改进Hopfield神经网络的图像特征点匹配算法 [J], 黄新;保文星
3.一种改进的Hopfield神经网络对TSP问题的求解方法 [J], 闫玉莲
4.一种改进的Hopfield神经网络对TSP问题的求解方法 [J], 闫玉莲;
5.一种基于图像融合和卷积神经网络的相位恢复方法 [J], 周静;张晓芳;赵延庚
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进Hopfield神经网络的自适应二维噪声对消器
基于改进Hopfield神经网络的自适应二维噪声对消器
黄健;张冰
【期刊名称】《电声技术》
【年(卷),期】2008(32)2
【摘要】提出了基于连续型Hopfield神经网络(CHNN)的自适应二维噪声对消器,讨论了神经网络的结构和原理及相应的自适应滤波算法,并从理论上进行了论证.仿真结果表明相对于采用最小均方算法的二维线性噪声对消器,CHNN噪声对消器能更有效实现二维噪声的消除,保持原信号的完整性,获得较好的去噪声效果.
【总页数】4页(P75-78)
【作者】黄健;张冰
【作者单位】江苏科技大学,电子信息学院,江苏,镇江,212003;江苏科技大学,电子信息学院,江苏,镇江,212003
【正文语种】中文
【中图分类】TB53
【相关文献】
1.一种用于自适应噪声对消器的改进LMS算法 [J], 吴炜;常义林;高慧
2.一种改进的Volterra自适应噪声对消器 [J], 张秀梅;赵知劲;尚俊娜
3.神经网络自适应噪声对消器仿真 [J], 杨家兴
4.神经网络自适应有源噪声对消器 [J], 莫玮;蒋洪睿;谢维信
5.基于改进的NLMP的自适应脉冲噪声对消器 [J], 王晓东;王成;贾继鹏;王卓
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ａ ｃ ａ ｙ， ａｂ ｔｅ ａｃ ｉ ｇ ｆｅ ｔｏ ｉ ａ ｅｆ ａ ｕ ｅｐｏｉｔ ａ ｕｎｓｆ ｓｅ ｈａ ｔａ ｉｉ ｎａ ｕ ａ ｔ ｏ ｋ． ｃ ｕ ｃ ｅｔ ｒｍ ｔ ｈ ｎ ｅ ｃ ｎ ｍ ｇ ｅ ｔ ｒ ｎ ， ｎｄｒ ａ ｔｒｔ ｎ ｄｔｏ ｌ ｒ ｌｎｅ ｒ ｒ ｎｅ ｗ ｒ
ＨＵＡＮＧ ｉ， ＢＡＯ ｅ — ｉｇ Ｘ ｎ Ｗ ｎ ｘｎ
（ ｓｔｔｏ ｏ ｐ ｔｒ ｃｅｃ ｎ ｎ ｉ ｅｉ ， Ｎｏｔ Ｕ ｉｅｓｙｏ ｈ ｉ ， Ｙｎｈ ａ ５ ０ ｈｎ） Ｉ ｔｕｅ ｆ ｍ ｕｅ Ｓ ｉ ｅ ｄ ｇ ｅｒ ｇ ｎｉ Ｃ ｎ ａ Ｅ ｎ ｎ ｒ ｎｖｒｉ ｆ ｔｎｃ ｈ ｔ Ｅ ｓ ｉｃ ｕｎ７ ０２ ，Ｃ ｉａ １
ｐ ｉ ｔ ｕ ｉ ｇｈ ｕ ｉｔ ｌ ｓ Ｔ ｅｎ ｗ ｌ ｏ ｉ ｍ ｏ ｎ ｙｓ ｌ ｅ ｅ ｒ ｂ ｅ ｔ ａ ａ ｉ ｏ ａ ｐ ｅ ｄｎ ｕ ａ ｅ ｏ ｋ ｒ ｎ ｒ ｎ ｍｅ ｏ ｎ ｓ ｒ ｎ ｅ ｒｓｉ ｒ ｅ ． ｈ ｅ ａｇ ｒｔ ｎ ｔ ｌ ｏ ｖ ｓｔ ｏ ｌ ｍ ｔ ｒ ｄｔ ｎ ｌ ｄ ｃｕ ｈ ｏ ｈ ｐ ｈ ｔ ｉ Ｈｏ ｆ ｌ ｅ ｌ ｔ ｒ ｓ ｏ ｌ ｇｔ ｉ ｒ ｎｗ ｕ ｆ ａｏ ｉ
摘 要 ： 对 图像 特征 点 匹配 算法 的运行 时间呈指 数 增长 的 问题 ， 出了一种新 的 匹配 算法 Ｎ ｐ 针 提 Ｈｏ 。该算 法通过加 入新 的 网 络 输入输 出函数 、 点对 间差 异的度 量和 启发 式选择 目标 点的方 式 ， 对传 统 的 Ｈ ｐ ｅ 神 经 网络进行 了改 进。新算 法不仅解 决 ｏｆｌ ｉ ｄ 了传 统 Ｈ ｐ ｅ ｏｆｌ ｉ ｄ神经 网络运 行 时间长 、 能量 函数 易陷入局 部极 小点 的 问题 ， 而且也 有效 地 实现 了图像特征 点 的 匹配 。实验 结 果表 明 ， 与传 统 的 Ｈ ｐ ｅｄ 经 网络相 比 ， Ｈｏ ｏｆｌ神 ｉ Ｎ ｐ算法 的 匹配速度 更快 、 准确率 更 高， 于 图像特征 点 的 匹配 效果更好 。 对
ａ ｄ ｔ ｎ ｏ ｔ ｅｍｅｈ ｄ ｔ ａ ｅ ｉ ｐ ｔｏ ｔｕ ｎ ｔ ｎ ｏ ｎ ｔ ｒ ， ｔ ｅｄ ｆｅ ｅ ｃ ａ ｕ ｅ ｎ ｅ ｅ ｎ ｔ ｏ ｎ ｓ ｎ ｅｅ ｔ ｇｔ ｒ ｅ ｄ ｉ ｏ ｆ ｈ ｔ ｏ ｔ ｎ ｗ ｕ — ｕ ｐ ｔ ｕ ｃｉ ｆ ｅ ｗｏ ｋ ｈ ｉ ｒ ｎ ｅ ｍｅ ｓ ｒ ｍｅ ｔ ｔ ｅ ｉ ｈ ａ ｎ ｆ ｏ ｂ ｗ ｗｏ ｐ ｉ ｔ ａ ｄｓ ｌｃ ｉ ｇ ｔ ｎ ａ
计 算 机 工程 与设 计 Ｃ ｍ ｕ ｒ ｎｉ ｅｎ ｄ ｅｉ ｏ ｐｔ Ｅ ｇ ｅ ｉ ａ Ｄ ｓ ｎ ｅ ｎ ｒｇ ｎ ｇ
２ １， ９ ００ １（ ３ ）
１６ ９１
・多媒 体技 术 ・
基于改进 Ｈ ｐ ｅ 神经网络的图像特征点匹配算法 ｏｆ ｌ ｉｄ
黄 新 ， 保 文星
（ 方 民族 大学 计算机 科 学与工 程 学 院 ，宁夏 银 川 ７ ０ ２ ） 北 ５０ １
关 键 词 ： 征 点 匹 配 ； 输 入 输 出 函 数 ； 差 异 度 量 ；Ｈｏｆ ｌ 特 ｐｅ ｉ ｄ网络 ； 启 发 式 规 则
中图法分 类号 ： Ｐ ８ Ｔ １３
文献标 识码 ： Ａ
文章 编号 ：０ ０７ ２ ２ １） ９１６ ．４ １０ —０４（０ ０ ０ —９ １ ０
Ｉ ｇ ｅ ｔ ｒ ｏ ｎ ’ ｔｈ ｎ ｌ ｏ ｉ ｍ ａ ｅ ｎｉ ｒ ｖ ｄＨｏ ｆ ｌ ｅ ｒ ｌ ｅｗｏ ｋ ｍａ ｅｆａｕ ｅｐ ｉ ｔ Ｓｍａｃ ｉ ｇ ａｇ ｒｔ ｂ ｓ ｄ ｏ ｈ ｍｐ ｏ ｅ ｐ ｅｄ ｎ ｕ ａ ｔ ｒ ｉ ｎ
ａ ｄｉ ｎ ｒ ｙｆ ｎ ｔ ｎｉ ａ ｙ ｔ ｒ ｐ ｉ ｔ ｅｌ ｃ ｌ ｉ ｉ ｍ ， ｂ ｔ ｌｏｒ ａｉ ｅ ｅ ｒ ｂ ｅ ｏ ｉ ｇ ｅ ｔ ｒ ｏ ｎ ’ ａｃ ｉ ｇ ｅ ｅ ｔ ｅｙ ｎ ｓ ｅ ｇ ｃ ｉ ｅ ｓ ｄ ｏ ｏｔ ａ ｎ ｍｕ ｔｅ ｕ ｏ ｓ ｏ ｎ ｈ ｏ ｍ ｕ ｓ ｌ ｓ ｈ ｏ ｌｍ ｆ ｍａ ｅｆａ ｕ ｅ ｉ ｔ Ｓ ｔ ｈ ｎ ｆ ｃ ｉ ｌ． ａ ｅ ｚ ｔ ｐ ｐ ｍ ｖ Ｔｈ ｘ ｅ ｉ ｎ ａ ｓ ｌ ｓ ｏ ａ ｏ ａ ｅ ｔ ｅｔａ ｉ ｏ ａ ｐ ｅｄｎ ｕ ａ ｅｗｏ ｋ ｈ ｅ ａｇ ｒｔ ｍ ｅｅ ｐ ｒ ｍｅ ｔｌ ｅ ｕ ｔ ｈ ｗｓ ｈ ｔ ｍｐ ｒ ｄｗｉ ｔ ｄ ｔ ｎ ｌ ｒ ｔ ｃ ｈｈ ｒ ｉ Ｈｏ ｆ ｌ ｅ ｌ ｔ ｒ ，ｔ ｅｎ ｗ ｌ ｏ ｈ ＮＨｏ ａ ｉ ｈ ｒ ｔｈ ｎ ｉ ｒ ｎ ｉ ｐｈ ｓ ｈ ｇ ｅ ｃ ｉ ｇ ａ ｍａ
ａ ｅ ｌｏ ｔ （ ｏ ）ｔ ｅｌ ｅｔｅｐｏ ｌ ｏ ｔ ｉｇｉ ｐｅｅｔｄ Ｔ ｉ ａｇ ｒｈ ｉ ｒｖ ｓ ｐ ｅｄｎ ｕａ ｎｔ ｒ ｙｔｅ ｗ ａ ｒｈ ＮＨ ｐ ｏｒａ ｚ ｒｂｅ ｆ ｎ ｇｉ ｍ ｉ ｈ ｍ ｍａｃ ｎ ｒｓｎｅ ． ｈｓ ｌ ｉ ｍ ｈ ｓ ｏｔ ｍｐｏ ｅ ｆ ｌ ｅｒｌ ｅ Ｈｏ ｉ ｗｏｋｂ ｈ