小波迟滞混沌神经元系统及其应用

2021-12-20 11:05:44邱泽国甄鑫鑫徐耀群
哈尔滨商业大学学报(自然科学版) 2021年6期

邱泽国,甄鑫鑫,徐耀群,2

(1.哈尔滨商业大学 计算机与信息工程学院,哈尔滨 150028; 2.哈尔滨商业大学 系统工程研究所,哈尔滨 150028)

混沌神经网络是在Hopfield神经网络中引入混沌动力学,利用混沌系统全局遍历的特点,可以有效的避免在解决优化问题时,陷入局部极小值[1-4].另一方面,研究发现,将迟滞动力学引入Hopfield神经网络构建的迟滞神经网络,可以提高神经网络的优化性能[5-6].LIU等学者将具有迟滞特性的激励函数引入混沌神经网络,提出具有混沌和迟滞特性的单神经元模型,并利用该模型解决优化问题,结果表明,该模型可以同时利用混沌和迟滞动力学,防止收敛到局部极小值[7].本文在此基础上,将两个相互偏离的Sigmoid与Gauss组合作为新的激励函数,提出小波迟滞混沌神经元.分析了模型中参数变化时对混沌特性的影响.对模型产生的时间序列进行随机性的检验,将其应用至图像加密算法中,并对加密结果进行性能分析.

1 小波迟滞混沌神经元动力系统

1.1 小波迟滞混沌神经元模型

本文在此基础上,将两个相互偏离的Sigmoid与Gauss组合作为新的激励函数,提出小波迟滞混沌神经元,表示为:

(1)

y(t+1)=ky(t)-z(t)x(t)+h

(2)

z(t+1)=(1-β)z(t)

(3)

a(t+1)=(1-β1)a(t)

(4)

b(t+1)=(1-β2)b(t)

(5)

其中:y(t)是神经元在t时刻的内部状态;x(t)为激励函数即神经元在时刻的输出;k表示神经元保留内部状态的能力,取值范围为0≤k≤1;β是退火速度参数.

Sigmoid与Gauss组合的函数是非单调的,但总体上呈递增趋势,可以有效地提高混沌搜索的效率.图1为本文所使用的迟滞激励函数图像.相比于单函数激励函数,迟滞激励函数的学习效率更高,并不容易到达饱和状态.当神经元在t时刻的输入大于(t-1)的输入时,则采用激励函数A;……

登录APP查看全文