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