細(xì)胞神經(jīng)網(wǎng)絡(luò)超混沌及其同步方法研究.pdf

1、細(xì)胞神經(jīng)網(wǎng)絡(luò)(CellularNeuralNetworks,CNN)是一種大規(guī)模的非線(xiàn)性電路,能夠?qū)崟r(shí)、高速地并行處理信號(hào),而且CNN采用的是局部連接的連接方式,使得CNN可以用硬件來(lái)實(shí)現(xiàn)。同時(shí),CNN也是一種非線(xiàn)性的動(dòng)態(tài)系統(tǒng)結(jié)構(gòu),在一個(gè)簡(jiǎn)單的CNN系統(tǒng)中就會(huì)出現(xiàn)有復(fù)雜的混沌現(xiàn)象,而超混沌系統(tǒng)比混沌系統(tǒng)具有更復(fù)雜的動(dòng)力學(xué)行為,因此,對(duì)CNN的混沌及超混沌現(xiàn)象進(jìn)行研究具有重要的理論意義和實(shí)用價(jià)值。
　　本文首先建立了CNN的混沌及超

2、混沌模型,包括四階、五階和六階CNN的混沌模型,并對(duì)四階、五階和六階的CNN中的混沌的初值敏感特性進(jìn)行了定量分析,并在此基礎(chǔ)上提出了新的判定混沌的算法。最后研究了傳統(tǒng)的混沌同步方法在CNN中的可行性。具體的研究工作概括如下:
　　1.研究了四階、五階和六階的CNN的混沌及超混沌的模型。根據(jù)CNN通用模型,通過(guò)調(diào)整其中的細(xì)胞參數(shù),在CNN發(fā)現(xiàn)了混沌及超混沌現(xiàn)象。并且通過(guò)觀測(cè)它們的相空間圖、時(shí)序圖和計(jì)算它們的Lyapunov指數(shù),證實(shí)

3、了混沌及超混沌現(xiàn)象確實(shí)能夠出現(xiàn)在的四階、五階和六階CNN中,從而建立起了四階、五階和六階的CNN的混沌及超混沌的模型。
　　2.定量地研究了CNN的初值敏感特性?；诨煦绲某踔得舾刑匦?給一個(gè)確定的CNN兩個(gè)存在微小差異的初始值,CNN會(huì)產(chǎn)生兩個(gè)信號(hào),對(duì)這兩個(gè)信號(hào)作差得到一個(gè)新的信號(hào),發(fā)現(xiàn)新信號(hào)的能量值在一個(gè)確定的范圍之內(nèi)。
　　3.研究了一種新判定混沌的算法—SLE算法。首先,判斷兩個(gè)不同初值條件產(chǎn)生的信號(hào)相減得到的信號(hào)的