技术新讯 > 计算推算,计数设备的制造及其应用技术 > 基于分数阶Hopfield网络的巡检路径规划方法  >  正文

基于分数阶Hopfield网络的巡检路径规划方法

  • 国知局
  • 2024-09-05 14:23:16

本发明属于神经网络,涉及基于分数阶hopfield网络的巡检路径规划方法。

背景技术:

1、神经元是庞大的神经系统的基本组成单元,其电活动十分复杂,展现出丰富的非线性动力学行为,神经元并不是独立存在的,而是彼此通过突触相互耦合、相互影响,组成不同结构的神经网络。hopfield网络全称为hopfield神经网络模型(hnn)自hopfield于1984年提出以来,受到了许多科学家的关注,在模式识别、图像加密、组合优化、信息处理等领域得到了广泛应用。当神经元的激活函数为非线性函数时,基于hnn的系统就是一个非线性动力学系统,可以产生混沌、超混沌、周期或准周期的复杂动力学行为。忆阻器是第四种基本电路元件,具有纳米尺度、记忆特性、非线性特性等特性,由于神经元突触的特性与忆阻器相似,忆阻器在构建神经网络方面具有独特的优势。利用忆阻器作为时变电阻权重,可以更有效地模拟生物神经系统的动力学行为。利用一种双曲正切忆阻器模拟神经突触,对hopfield神经元进行耦合,使得hnn更加贴切人脑真实情况。分数阶微积分是将常微分和积分推广到任意非整数阶。分数阶神经元模型比整数阶模型更精确,使得神经网络更能够逼近复杂系统的动态行为。

2、现有的整数阶系统是只有整数阶参数,分数阶系统多了分数阶阶次λ,更能贴合实际非线性系统,但是现有将上述技术的融合还不完善,模型不够精确,还需继续改进。

技术实现思路

1、本发明的目的是提供基于分数阶hopfield网络的巡检路径规划方法,解决了现有技术中的整数阶hopfield神经网络(hnn)模型不够精确的问题。

2、本发明采用的技术方案是,基于分数阶hopfield网络的巡检路径规划方法,按照以下步骤实施:

3、预备步骤:将电力系统的巡检问题转换为tsp问题;

4、步骤1、采用caputo定义来研究分数阶导数;

5、步骤2、建立基于分数阶hopfield神经网络模型;

6、步骤3、将双曲正切型忆阻器应用于神经元耦合,神经元之间的膜电位差作为电磁感应电流的衡量标准,得到双曲正切型忆阻器的电磁感应电流;

7、步骤4、设计分数阶hopfield神经网络对应tsp问题的能量函数,解决n个城市的tsp问题时,需要一个n*n的矩阵来代表各个城市被拜访的顺序,同时,在解决tsp问题时,根据问题的定义还需满足相关约束条件,分数阶hopfield神经网络能量函数的极小值对应的矩阵是迭代的最短路径。

8、本发明的有益效果是,通过双曲正切型忆阻器耦合hopfield神经元,实现hopfield神经元的自耦合和互耦合,并将耦合后的神经网络推广到分数阶系统,提出了一种新的分数阶hopfield模型建立方法。本发明方法建立的分数阶hopfield神经网络模型(fohnn),通过数值仿真证明,该分数阶hopfield神经网络模型是正确有效的,表现出更加复杂的动力学特性,有利于促进神经网络的理论研究,有效解决了巡检路径规划问题。

技术特征:

1.基于分数阶hopfield网络的巡检路径规划方法,其特征在于,按照以下步骤实施:

2.根据权利要求1所述的基于分数阶hopfield网络的巡检路径规划方法,其特征在于,还包括预备步骤,具体过程是:

3.根据权利要求1所述的基于分数阶hopfield网络的巡检路径规划方法,其特征在于,步骤1中,具体过程是:

4.根据权利要求1所述的基于分数阶hopfield网络的巡检路径规划方法,其特征在于,步骤2中,具体过程是:

5.根据权利要求1所述的基于分数阶hopfield网络的巡检路径规划方法,其特征在于,步骤3中,具体过程是:

6.根据权利要求1所述的基于分数阶hopfield网络的巡检路径规划方法,其特征在于,步骤4中,具体过程是:

技术总结本发明公开了基于分数阶Hopfield网络的巡检路径规划方法,步骤是:预备步骤:将电力系统的巡检问题转换为TSP问题;步骤1、采用Caputo定义来研究分数阶导数;步骤2、建立分数阶Hopfield神经网络模型;步骤3、引入双曲正切型忆阻器,得到双曲正切型忆阻器的电磁感应电流;步骤4、设计分数阶Hopfield神经网络对应TSP问题的能量函数,根据问题的定义还需满足相关约束条件,分数阶Hopfield神经网络能量函数的极小值对应的矩阵是迭代的最短路径。本发明方法属于神经网络技术领域,模型更加精确,更能够逼近复杂系统的动态行为,为电力巡检路径规划问题提供新的选择。技术研发人员:杨宁宁,吴朝俊,梁家豪,管晓苗,马芝瑞,孟天哲受保护的技术使用者:西安理工大学技术研发日:技术公布日:2024/9/2

本文地址:https://www.jishuxx.com/zhuanli/20240905/286138.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。