四种混沌神经网络的设计:
第一种思路是直接给每个神经元混沌性质,也就是说,换一个混沌迭代函数就相当于找到一种“新的”神经网络。混沌性质是通过显式或隐式迭代来实现的。通过混沌迭代,可以将神经元在一段连续的离散时刻t,t+1,t+2,...时刻的内部状态变量关联起来,并将其他所有的神经元输出加权和当作输入,得到的方程如下:
其中是神经元在t+1时的内部状态变量,输出的
由传输函数
决定,
为时滞函数,
为外部输入,
为阈值,如果不考虑时滞,就会缺少第二项。
第二种思路是直接对经典的神经网络进行改造,利用现有的学习算法,令经典的神经网络(比如 具有隐层的网络)来对混沌吸引子进行学习(如利用Ikeda混沌吸引子),让网络能够在一定程度上模拟混沌吸引子的轨道,再引入时延反馈控制等手段从而令网络能有混沌行为。
第三种思路是一般在Hopfield网络上进行改造,通过引入自反馈来使网络具有暂态混沌的能力。如L.Chen和Aihara提出的暂态混沌神经网络。
第四种思路是给神经元的内部状态变量强加某一种类型的混沌噪声。例如Hayakawa提出的混沌神经网络。