第3卷第3期 智能系统学报 Vol 3 Na 3 2008年6月 CAAI Transactions on Intelligent Systems Jun 2008 DHN优化设计新方法及在板形模式识别的应用 张秀玲,张志强 燕山大学电气工程学院,河北秦皇岛066004) 摘要:基于离散Hop field神经网络(DHNN)的联想记忆能力,提出了随机扰动优化设计DHNN的新方法.该方法降 低了DHNN对权值矩阵的苛刻要求,避免进入伪稳定点:并将其用于板形模式识别,采用勒让德多项式表示常见的6 种板形基模式,不需大量的测试样本来训练网络,是一种更简单、实用的板形模式识别新方法,为实现板形控制提供 依据,仿真结果证明了这种方法的可行性. 关键词:离散Hopfield神经网络(DNN);随机扰动优化设计;勒让德多项式;板形模式 中图分类号:TP18文献标识码:A文章编号:1673-4785(2008)01025004 A novel method of optimnal design ing DHNN and applied to fla mess pa ttern recogn ition ZHANG Xiu-ling,ZHANG Zhi-qiang (College of Electrical Engineering,Yanshan University,Q inhuangdao 066004,China) Abstract:A novel method of optmal designing DHNN is proposed based on random destabilization and its associa- tive memory Thismethod reduces the harshness requirement of the weightmatrix and avoids getting into the pseudo stability point The method is applied to flatness pattem recognition Denote seven kinds of basis flatness modes that meet with usually by Legendre orthodoxy polynom ials,don't need more sample in training the netork It is a more siple and availability method in flatness pattem recognition and makes reference for carrying out the flatness control Smulation result shows this way is practicable Keywords:discrete Hopfield neural neworks(DHNN);random destabilization optmal designing Legendre ortho- doxy polynom ials flatness pattem 离散Hopfield神经网络(discrete Hopfield neural了DHNN对权值矩阵的苛刻要求,避免了进入伪稳 netorks,DHNN)的每个神经元将输出传给其他神 定点.板带材在国民生产中起到了举足轻重的作用, 经元,同时又接收其他神经元传来的信息,起到反馈 板形模式识别是板形控制的关键和前沿课题,到目 作用.这种神经网络具有2种设计方式山:1)通过 前为止,还没有采用DHNN进行板形模式识别的研 学习调整网络的连接权值达到模式记忆与识别的目 究报道.对板形进行数学建模,分析处理常见的几种 的;2)按照某种方法设计权值,按一定的规则计算 板形模式,应用神经网络的联想记忆能力,利用提出 更新网络的状态,使其达到稳定状态,若将稳定状态 的随机扰动优化设计DHNN的新方法实现了板形 设计在网络能量函数的极小值上,则可实现网络的 模式识别.与现有板形识别方法相比,不需大量的测 联想记忆.DHNN的联想记忆能力是通过权值矩阵 试样本,因而更简单、实用 实现的,因此选择合适的权值是设计网络的关键.另 外,DHNN具有收敛到伪稳定点的缺点,为此,提出 1DHNN的基本概念 了随机扰动优化设计DHNN的新方法,该方法降低 设有n阶DHNN系统 收稿日期:200707-13 N =(W,Q). (1) 基金项目:国家自然科学基金资助项目(50374058);燕山大学博士基 式中:权值矩阵W=(W)n,阈值矩阵Q= 金资助项目(B70). 通讯作者:张秀玲.Emai让.zyu@yahoa com cn (但)nx灯 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
第 3卷第 3期 智 能 系 统 学 报 Vol. 3 №. 3 2008年 6月 CAA I Transactions on Intelligent System s Jun. 2008 DHNN优化设计新方法及在板形模式识别的应用 张秀玲 , 张志强 (燕山大学 电气工程学院 ,河北 秦皇岛 066004) 摘 要 :基于离散 Hopfield神经网络 (DHNN)的联想记忆能力 ,提出了随机扰动优化设计 DHNN的新方法. 该方法降 低了 DHNN对权值矩阵的苛刻要求 ,避免进入伪稳定点 ;并将其用于板形模式识别 ,采用勒让德多项式表示常见的 6 种板形基模式 ,不需大量的测试样本来训练网络 ,是一种更简单、实用的板形模式识别新方法 ,为实现板形控制提供 依据 ,仿真结果证明了这种方法的可行性. 关键词 :离散 Hopfield神经网络 (DHNN) ;随机扰动优化设计 ;勒让德多项式 ;板形模式 中图分类号 : TP18 文献标识码 : A 文章编号 : 167324785 (2008) 0120250204 A novel method of optimal design ing DHNN and applied to flatness pattern recogn ition ZHANG Xiu2ling, ZHANG Zhi2qiang (College of Electrical Engineering, Yanshan University, Q inhuangdao 066004, China) Abstract:A novel method of op timal designing DHNN is p roposed based on random destabilization and its associa2 tive memory. Thismethod reduces the harshness requirement of the weightmatrix and avoids getting into the p seudo stability point. The method is app lied to flatness pattern recognition. Denote seven kinds of basis flatness modes that meet with usually by Legendre orthodoxy polynom ials, don’t need more samp le in training the network. It is a more simp le and availability method in flatness pattern recognition and makes reference for carrying out the flatness control. Simulation result shows this way is p racticable. Keywords: discrete Hopfield neural networks (DHNN) ; random destabilization op timal designing; Legendre ortho2 doxy polynom ials; flatness pattern 收稿日期 : 2007207213. 基金项目 :国家自然科学基金资助项目 (50374058) ;燕山大学博士基 金资助项目 (B70). 通讯作者 :张秀玲. E2mail:. zxlysu@yahoo. com. cn. 离散 Hopfield神经网络 ( discrete Hopfield neural networks, DHNN )的每个神经元将输出传给其他神 经元 ,同时又接收其他神经元传来的信息 ,起到反馈 作用. 这种神经网络具有 2种设计方式 [ 1 ] : 1)通过 学习调整网络的连接权值达到模式记忆与识别的目 的 ; 2)按照某种方法设计权值 ,按一定的规则计算 更新网络的状态 ,使其达到稳定状态 ,若将稳定状态 设计在网络能量函数的极小值上 ,则可实现网络的 联想记忆. DHNN的联想记忆能力是通过权值矩阵 实现的 ,因此选择合适的权值是设计网络的关键. 另 外 ,DHNN具有收敛到伪稳定点的缺点 ,为此 ,提出 了随机扰动优化设计 DHNN的新方法 ,该方法降低 了 DHNN对权值矩阵的苛刻要求 ,避免了进入伪稳 定点. 板带材在国民生产中起到了举足轻重的作用 , 板形模式识别是板形控制的关键和前沿课题 ,到目 前为止 ,还没有采用 DHNN进行板形模式识别的研 究报道. 对板形进行数学建模 ,分析处理常见的几种 板形模式 ,应用神经网络的联想记忆能力 ,利用提出 的随机扰动优化设计 DHNN 的新方法实现了板形 模式识别. 与现有板形识别方法相比 ,不需大量的测 试样本 ,因而更简单、实用. 1 DHNN的基本概念 设有 n阶 DHNN系统 N = (W , Q ). (1) 式中 : 权 值 矩 阵 W = (W ij ) n ×n , 阈 值 矩 阵 Q = (Qi ) n ×1
第3期 张秀玲,等:DHNN优化设计新方法及在板形模式识别的应用 ·251 令X,(表示神经元在时刻的状态,采用双 1)选择初始状态XO),运行网络N,得到稳定 极硬限器1: 状态X(; H,≥0, 2)选择k神经元,以X()为初始状态映射并 sgn(H,) 2) 1,H,E(X(t+1)),则转 -1”在1+1时刻,X,(1+1)=sgn(H),神经网络 4),否则转2; 以异步方式运行,即在神经网络中随机选取一个神 4)以X(1+1)为初始状态运行网络N,得到稳 经元i计算在t+1时的输出值,而X以外的所有 定状态X(1+2),令X()=X(1+2; 输出值保持不变,选择下一个神经元,直到网络进入 5)重复运行2)~4),直到得到满意的解为止 稳定状态.稳定状态可以用以下2个定义解释) 以上算法就是在神经元状态的转换过程中,通 定义1若神经元的输出值在后续更新中不 过增加一定的随机扰动,避免进入伪稳定点,进入稳 再改变,则称其为稳定的. 定平衡点的吸引域,最终收敛于稳定平衡点 定义2若DHNN中的所有神经元都是稳定 3板形模式的分析和处理 的,则称其为稳定的 工程上通常所见的板形模式有6种):左边 2随机扰动优化设计DHNN的新方法 浪、右边浪、中间浪、双边浪、四分浪、边中浪.每种模 通常对DHNN稳定性的讨论是以权值矩阵为 式所对应的残余应力满足下式: 基础的?,如要求权值矩阵对称和对角线元素非负 等,整个网络输出是与权值和阈值两者相关的,引用 .fdy-a (3) 以下定理以阈值为基础对网络的稳定性进行分 式中:y为横向相对坐标,从板的一边到另一边y从 析1 -1变化到+1,式(3)称为板形的基本性质.对以上 定理:设W=(Wg)n是n阶神经网络N= 几种模式的残余应力分布进行归一化处理,定义为 W,Q的权值矩阵,满足以下条件 板形的基模式,分别选用一次、二次、四次勒让德正 交多项式表示这6种板形模式,容易验证用这种方 1)若W。0,则W=-W,否则 -1,Y<a Wt=-1; 式中:Y为勒让德多项式的值,经过双极硬限器后 代表每种板形模式的勒让德多项式被转换成取值为 4)Q:=X0)X(∑1Wg1+1W1+). {1,-1的分段函数,通过对各个分段函数的样本 算法总结如下: 采集,得到作为系统需要记忆板形模式的数据, 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
令 Xi ( t)表示神经元 i在时刻 t的状态 ,采用双 极硬限器 [ 2 ] : sgn (Hi ) = 1, Hi ≥ 0, - 1, Hi 0,则 W ′kk = - W kk ,否则 W ′kk = - 1; 4) Q′k = Xk (0) ×( ∑ n j=1 | W k j | +| W kk | + 1). 算法总结如下 : 1) 选择初始状态 X (0) ,运行网络 N,得到稳定 状态 X ( t) ; 2) 选择 k神经元 ,以 X ( t)为初始状态映射并 运行神经网络 N ′,得到稳定状态 X ( t + 1) ,如果已 找遍所有神经元 ,则转 5) ; 3) 比较网络 N 在 X ( t)和 X ( t + 1) 2个稳定状 态下的能量函数 , E ( X ( t) ) > E ( X ( t + 1 ) ) , 则转 4) ,否则转 2) ; 4) 以 X ( t + 1)为初始状态运行网络 N,得到稳 定状态 X ( t + 2) ,令 X ( t) = X ( t + 2) ; 5) 重复运行 2) ~4) ,直到得到满意的解为止. 以上算法就是在神经元状态的转换过程中 ,通 过增加一定的随机扰动 ,避免进入伪稳定点 ,进入稳 定平衡点的吸引域 ,最终收敛于稳定平衡点. 3 板形模式的分析和处理 工程上通常所见的板形模式有 6 种 [ 5 ] :左边 浪、右边浪、中间浪、双边浪、四分浪、边中浪. 每种模 式所对应的残余应力满足下式 : ∫ 1 - 1 σ( y) dy = 0. (3) 式中 : y为横向相对坐标 ,从板的一边到另一边 y从 - 1变化到 + 1,式 (3)称为板形的基本性质. 对以上 几种模式的残余应力分布进行归一化处理 ,定义为 板形的基模式 ,分别选用一次、二次、四次勒让德正 交多项式表示这 6种板形模式 ,容易验证用这种方 法表示板形模式满足板形基本性质 ,所以选用勒让 德多项式表示板形是合理的 [ 5 ] . 除了以上 6种畸形 板形模式外 ,添加一种良好情况下的板形模式 ,根据 文献 [5 ],可以知道板形良好情况下的勒让德多项 式必须满足式 (3) ,即 Y0 = 0. 在轧制过程中 ,如果能 知道即将轧制的板形属于哪一种板形模式 ,则可以 根据这种模式的特点 ,采取适当的轧制方法 ,如控制 张力差、调整弯辊辊缝等方法 [ 6 ] . 应用 DHNN的联想记忆能力进行板形模式识 别 ,在对神经网络训练之前 ,首先要对这几种板形模 式进行处理 ,由于神经网络采用的是双极硬限器 ,因 此对板形模式的处理也采用双极硬限器 : sgn ( Y) = 1, Y ≥ 0, - 1, Y < 0. (4) 式中 : Y为勒让德多项式的值 ,经过双极硬限器后 , 代表每种板形模式的勒让德多项式被转换成取值为 { 1, - 1}的分段函数 ,通过对各个分段函数的样本 采集 ,得到作为系统需要记忆板形模式的数据. 第 3期 张秀玲 ,等 : DHNN优化设计新方法及在板形模式识别的应用 · 152 ·
·252· 智能系统学报 第3卷 4仿真研究 1.0 41 Hop fie ld神经网络的训练 0.5 设来料宽度为200mm,以来料的宽度中心作为 坐标零点,此时代表板形模式的勒让德多项式: 0 6 .6yd=0 100。 5) 对文献[5中的勒让德多项式进行坐标变换: 1.0 -00 50 100 1)良好模式:%=0: -50 y/mm 2)左边浪:Y=y/100 图1识别较好的模式(7)图形 3)右边浪:=-Y: Fig 1 Recognition better result ofmode 7 4)中间浪:y=32×(y/100)2.1/2 5)双边浪:Y4=-y: 6)四分浪:X=1/8×[35×(y/100)4-30× 0.5 (y/100)2+35 7)边中浪:Y%=-Y. 6 试验和理论研究表明DHNN作为存储器时具 -0.5 有容量上的上限,即储存信息的个数不能超过网络 神经元个数的15%,如果存储信息过多,网络误差 -1.0 -100 -50 50 100 也就急剧增加L刃根据网络记忆容量为(0.13~ y/mm 0.15)m,n为网络神经元个数.本文需要存储7种板 图2识别较好的模式(4)图形 形模式,基于以上规则,采用具有51个神经元的 Fig 2 Recognition better result ofmode 4 DHNN在[-100,100区间按照等差数列取51个 1.0 点,然后把这些点的坐标分别代入到代表板形模式 的7个方程式中,得到7个(511)的列矩阵,采用 05 双极硬限器对7个列矩阵进行处理,则得到所要存 0 储的7种状态.采用正交化方法得到(5151)的权 6 值矩阵和(51×1)的阈值矩阵,仿真验证所设计的 -0.5 神经网络在异步运行方式下对7种标准模式都能快 速的收敛到稳定点 -1.0 -100 -50 0 50 100 y/mm 42DHNN优化算法的仿真 按照所提出的方法设计n阶DHNN N!随机选 图3识别较差的模式(1)图形 取几种数据按照改进后的随机扰动优化算法,以汉 Fig 3 Recognition result ofmode 1 明距离⑧为准则,大部分的节点能很好的收敛到7 1.0 种模式之一 0.5 有些输入数据仿真的效果和理想的有些误差 但是在对板形模式的识别还是很精确的,之所以会 6 有仿真上的误差,这主要是因为当采用51个神经元 -0.5 作为输入输出时,网络具有(31·7)个不稳定平衡 点,不稳定平衡点的数目太多,造成一定的误差,因 -1.0 -100 -50 50 100 此在设计网络的时候要尽可能多的设计稳定的平衡 y/mm 点,以减少不稳定点的数目1,图1~4便是优化算 图4识别较差的模式(5)图形 法后随机选取数据的板形识别图。 Fig 4 Recognition result of mode 5 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
4 仿真研究 4. 1 Hopfield神经网络的训练 设来料宽度为 200 mm,以来料的宽度中心作为 坐标零点 ,此时代表板形模式的勒让德多项式 : ∫ 100 - 100 σ( y) dy = 0. (5) 对文献 [5 ]中的勒让德多项式进行坐标变换 : 1)良好模式 : Y0 = 0; 2)左边浪 : Y1 = y /100; 3)右边浪 : Y2 = - Y1 ; 4)中间浪 : Y3 = 3 /2 ×( y /100) 2 - 1 /2; 5)双边浪 : Y4 = - Y3 ; 6)四分浪 : Y5 = 1 /8 ×[ 35 ×( y /100) 4 - 30 × ( y /100) 2 + 3 ]; 7)边中浪 : Y6 = - Y5 . 试验和理论研究表明 DHNN 作为存储器时具 有容量上的上限 ,即储存信息的个数不能超过网络 神经元个数的 15% ,如果存储信息过多 ,网络误差 也就急剧增加 [ 1, 7 ] . 根据网络记忆容量为 ( 0113 ~ 0115) n, n为网络神经元个数. 本文需要存储 7种板 形模式 , 基于以上规则 , 采用具有 51 个神经元的 DHNN. 在 [ - 100, 100 ]区间按照等差数列取 51个 点 ,然后把这些点的坐标分别代入到代表板形模式 的 7个方程式中 ,得到 7个 ( 51 ×1)的列矩阵 ,采用 双极硬限器对 7个列矩阵进行处理 ,则得到所要存 储的 7种状态. 采用正交化方法得到 ( 51 ×51)的权 值矩阵和 ( 51 ×1)的阈值矩阵 ,仿真验证所设计的 神经网络在异步运行方式下对 7种标准模式都能快 速的收敛到稳定点. 4. 2 DHNN优化算法的仿真 按照所提出的方法设计 n阶 DHNN N ′,随机选 取几种数据按照改进后的随机扰动优化算法 ,以汉 明距离 [ 8 ]为准则 ,大部分的节点能很好的收敛到 7 种模式之一. 有些输入数据仿真的效果和理想的有些误差 , 但是在对板形模式的识别还是很精确的 ,之所以会 有仿真上的误差 ,这主要是因为当采用 51个神经元 作为输入输出时 ,网络具有 ( 3 51 - 7)个不稳定平衡 点 ,不稳定平衡点的数目太多 ,造成一定的误差 ,因 此在设计网络的时候要尽可能多的设计稳定的平衡 点 ,以减少不稳定点的数目 [ 3 ] ,图 1~4便是优化算 法后随机选取数据的板形识别图. 图 1 识别较好的模式 (7)图形 Fig. 1 Recognition better result of mode 7 图 2 识别较好的模式 (4)图形 Fig. 2 Recognition better result of mode 4 图 3 识别较差的模式 (1)图形 Fig. 3 Recognition result of mode 1 图 4 识别较差的模式 (5)图形 Fig. 4 Recognition result of mode 5 · 252 · 智 能 系 统 学 报 第 3卷
第3期 张秀玲,等:DHNN优化设计新方法及在板形模式识别的应用 ·253· ZHANG Xiuling,L U Hongn in The GABP model of flat- 5结束语 ness pattem recognition and mproved least-squares methods 通过仿真研究,证明了所提出的关于DHNN优 [J1.Iron and Steel,2003.38(10):29-4 化方法的正确性,从而降低了DHNN对权值矩阵的 [6卢秉林.板形厚综合控制方法的探讨[J]治金设备, 要求,更重要的是通过对板形模式记忆的研究,找到 2002(4)9-11 LU B inglin Discussing about strip flatness and gauge inte- 了在轧制过程中对板形进行模式识别的一种新方 grative contol[J ]Metallurgy Equpment,2002(4):9-11. 法,文献[5]是根据大量的板形测试数据建立的 [7]CHANG S J.Adaptive clipp ing or neural associative memo- GABP模型,与参考文献[5]相比,只需将7中板形 ries [J ]Chinese Journal ofLasers,1997(4):372-377. 缺陷存贮在网络中,不需大量的板形测试样本来训 [8]CHEN W Y.On the asympotic stability of hopfield neural 练网络,因而更简单、实用, netorks[J.Joumal of Systems Science and Systems Engi- neering..1997(4):389-395 参考文献: 作者简介: [1王旭,王宏,王文辉.人工神经元网络原理与应用 张秀玲,女,1968年生教授,博士, M1沈阳:东北大学出版社,2000:69-79 主要研究方向为神经网络智能控制.获 [2李军,边肇祺.用于最优化的计算智能M]北京:清 国家科技进步二等奖1项,省部级一等 华大学出版社,1999:15-19 奖、二等奖各1项;发表论文50余篇, [3丛爽.神经网络,模糊系统及其在运动控制中的应用 编著出版教材2部」 M].合肥:中国科学技术大学出版社,2001:3851 [4李雪耀,王志平.Hopfield网络的稳定性优化计算研究 [J]哈尔滨工程大学学报,1998,19(6):71-76 张志强,男,1979年生,硕士研究 L I Xueyao,WANG Zhp ing Research on stability calcula- 生,主要研究方向为神经网络优化设 ton r optm ization of Hopfield netork[J.Joumal of Har 计 bin Engineering University,1998,19(6):71-76 [5张秀玲,刘宏民.板形模式识别的GABP模型和改进的 最小二乘法[卫]钢铁,2003,38(10):29-34 第4届全国机器翻译研讨会 The 4th China W orkshop on Machne Transkation (CWMT'2008) 为了推动中国机器翻译研究的发展,促进自然语言处理领域国内外同行的交流,第4届全国机器翻译研 讨会将于2008年11月份在北京召开。本次会议将邀请国际著名学者做特邀报告,并在时间上与中日自然 语言处理研讨会相衔接,这将为会议代表提供更多学习和交流的机会。本届研讨会除了征集关于机器翻译 方面的学术论文以外,还将组织中国中文信息学会第4届机器翻译评测”。评测委员会将统一提供训练语 料和测试语料及评测标准,参评单位提交自己系统的翻译结果并由评测委员会统一测评。评测大纲与日程 另行发布,请随时关注会议主页。参评系统的研制人员应提交系统介绍的论文,并到会做报告。 论文主题包括(但不限于): ·针对机器翻译的词典、语料库加工技术和工具开发 ·机器翻译的前处理和后处理技术 ·机器翻译模型和方法,包括基于规则、实例、统计等的模型与方法·多引擎翻译系统实现 ·机器翻译系统评价方法 ·民族语言机器翻译 ·机器翻译基础问题研究,如:词语对齐、短语翻译对抽取、命名实体翻译、为机器翻译服务的词法分析、句法 分析、语义分析、篇章分析等 ·机器翻译应用系统开发,包括跨语言检索、计算机辅助翻译、嵌入式翻译、多语言对话、语音翻译等 会议网站:htp:/w.cpsc org cn/cwmt-2008hml 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
5 结束语 通过仿真研究 ,证明了所提出的关于 DHNN优 化方法的正确性 ,从而降低了 DHNN对权值矩阵的 要求 ;更重要的是通过对板形模式记忆的研究 ,找到 了在轧制过程中对板形进行模式识别的一种新方 法 ,文献 [ 5 ]是根据大量的板形测试数据建立的 GA2BP模型 ,与参考文献 [ 5 ]相比 ,只需将 7中板形 缺陷存贮在网络中 ,不需大量的板形测试样本来训 练网络 ,因而更简单、实用. 参考文献 : [ 1 ]王 旭 ,王 宏 ,王文辉. 人工神经元网络原理与应用 [M ]. 沈阳 : 东北大学出版社 , 2000: 69279. [ 2 ]李 军 ,边肇祺. 用于最优化的计算智能 [M ]. 北京 :清 华大学出版社 , 1999: 15219. [ 3 ]丛 爽. 神经网络 ,模糊系统及其在运动控制中的应用 [M ]. 合肥 :中国科学技术大学出版社 , 2001: 38251. [ 4 ]李雪耀 ,王志平. Hopfield网络的稳定性优化计算研究 [J ]. 哈尔滨工程大学学报 , 1998, 19 (6) : 71276. L I Xueyao, WANG Zhip ing. Research on stability calcula2 tion for op tim ization of Hopfield network[J ]. Journal of Har2 bin Engineering University, 1998, 19 (6) : 71276. [ 5 ]张秀玲 ,刘宏民. 板形模式识别的 GA2BP模型和改进的 最小二乘法 [J ]. 钢铁 , 2003, 38 (10) : 29234. ZHANG Xiuling, L IU Hongm in. The GA2BP model of flat2 ness pattern recognition and imp roved least2squares methods [J ]. Iron and Steel, 2003, 38 (10) : 2924. [ 6 ]卢秉林. 板形 —厚综合控制方法的探讨 [J ]. 冶金设备 , 2002 (4) : 9211. LU Binglin. D iscussing about strip flatness and gauge inte2 grative control[J ]. Metallurgy Equipment, 2002 (4) : 9211. [ 7 ]CHANG S J. Adap tive clipp ing for neural associative memo2 ries [J ] . Chinese Journal of Lasers, 1997 (4) : 3722377. [ 8 ] CHEN W Y. On the asymp totic stability of hopfield neural networks[J ]. Journal of System s Science and System s Engi2 neering, 1997 (4) : 3892395. 作者简介 : 张秀玲 ,女 , 1968年生 ,教授 ,博士 , 主要研究方向为神经网络智能控制. 获 国家科技进步二等奖 1项 ,省部级一等 奖、二等奖各 1项 ;发表论文 50余篇 , 编著出版教材 2部. 张志强 ,男 , 1979 年生 ,硕士研究 生 ,主要研究方向为神经网络优化设 计. 第 4届全国机器翻译研讨会 The 4th China Workshop on Machine Translation ( CWM T’2008) 为了推动中国机器翻译研究的发展 ,促进自然语言处理领域国内外同行的交流 ,第 4届全国机器翻译研 讨会将于 2008年 11月份在北京召开。本次会议将邀请国际著名学者做特邀报告 ,并在时间上与中日自然 语言处理研讨会相衔接 ,这将为会议代表提供更多学习和交流的机会。本届研讨会除了征集关于机器翻译 方面的学术论文以外 ,还将组织“中国中文信息学会第 4届机器翻译评测 ”。评测委员会将统一提供训练语 料和测试语料及评测标准 ,参评单位提交自己系统的翻译结果并由评测委员会统一测评。评测大纲与日程 另行发布 ,请随时关注会议主页。参评系统的研制人员应提交系统介绍的论文 ,并到会做报告。 论文主题包括 (但不限于 ) : ·针对机器翻译的词典、语料库加工技术和工具开发 ·机器翻译模型和方法 ,包括基于规则、实例、统计等的模型与方法 ·机器翻译系统评价方法 ·机器翻译的前处理和后处理技术 ·多引擎翻译系统实现 ·民族语言机器翻译 ·机器翻译基础问题研究 ,如 :词语对齐、短语翻译对抽取、命名实体翻译、为机器翻译服务的词法分析、句法 分析、语义分析、篇章分析等 ·机器翻译应用系统开发 ,包括跨语言检索、计算机辅助翻译、嵌入式翻译、多语言对话、语音翻译等 会议网站 : http: / /www. cip sc. org. cn / cwm t - 2008. htm l 第 3期 张秀玲 ,等 : DHNN优化设计新方法及在板形模式识别的应用 · 352 ·