时滞神经网络渐近稳定性和鲁棒稳定性研究

论文摘要

神经网络是一种复杂的大规模动力系统,具有十分丰富的动力学属性。在过去近二十年里,由于其在联想记忆、模式识别和优化等问题中的广泛应用,神经网络的动力学问题得到了深入的研究。为了易于分析和应用,许多神经网络模型忽略了神经元之间信息传输所带来的时间延迟。但是,理论和实践证实,时滞是客观存在的。同时时滞对神经网络的稳定性带来影响,产生振荡行为或其它不稳定现象甚至出现混沌现象。于是,近年来,时滞神经网络的研究吸引了大批的研究人员,并取得了大量较深刻的结果。本论文主要致力于几类时滞系统的渐近稳定性、指数稳定性和鲁棒稳定性的分析,取得了一些较深刻的结果。其主要内容和创新之处可概述如下:1.具有时变时滞的递归神经网络的渐近稳定性分析研究带时变时滞的递归神经网络的全局渐近稳定性。首先将要研究的模型转化为描述系统模型,然后利用Lyapunov-Krasovskii稳定性定理,线性矩阵不等式（LMI）技术,S过程和代数不等式方法,得到了确保时变时滞递归神经网络渐近稳定性的新的充分条件,并将它应用于常时滞神经网络和时滞细胞神经网络模型,分别得到了相应的全局渐近稳定性条件。2.时变时滞递归神经网络时滞区间相关稳定性分析通过构建适当的Lyapunov-Krasovskii泛函,研究一类时变时滞广义递归神经网络平衡点的时滞区间相关的稳定性,得到了区间时变时滞神经网络平衡点的全局渐近稳定性的两个充分条件。3.线性时变系统的时滞相关鲁棒稳定性及其在时滞神经网络中的应用对于多时滞的不确定线性时变系统,我们通过参数化一阶模型变换,以及从区间不确定性到范数有界的不确定性的变换,得到一些时滞相关的鲁棒渐近稳定性的判定准则,给出了与时滞参数相关的稳定域的量化表示。基于这些结果,我们研究一类时滞神经网络系统的稳定性问题,它能够转化为线性时变系统,并得到了几个新的全局渐近稳定性判定准则。4.脉冲对时滞双向联想记忆神经网络的镇定影响研究带有脉冲和时滞的双向联想记忆神经网络平衡点的渐近稳定性,得到了几个判断网络全局指数稳定的充分条件,这些条件刻画了脉冲强度和无脉冲的连续子网络（双向联想记忆神经网络的连续部分）的指数收敛速度对整个网络的全局指数稳定性的混和影响。5.带脉冲和时滞的广义双向联想记忆神经网络的稳定性分析利用Lyapunov函数和二维Halanay类型不等式,研究带有脉冲和时滞的广义双向联想记忆神经网络平衡点的全局指数稳定性,得到了几个判断网络全局指数稳定的充分条件。结果表明即使脉冲对网络状态有放大的影响,脉冲时滞双向联想记忆神经网络也可能保持连续子网络的全局指数稳定的性质。6.混杂脉冲开关神经网络利用开关Lyapunov函数和广义Halanay不等式,考虑脉冲效应和开关效应的混杂影响,研究一类混杂脉冲开关神经网络模型,得到了一些这类神经网络的渐近稳定性和指数稳定性的判断准则。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 神经网络发展概述
• 1.2 脉冲神经网络概述
• 1.3 时滞神经网络及其稳定性概述
• 1.4 本文的组织结构
• 1.5 符号说明
• 2 具有时变时滞的递归神经网络的渐近稳定性分析
• 2.1 引言
• 2.2 时变时滞神经网络模型及其转换
• 2.3 时变时滞神经网络的全局渐近稳定性
• 2.4 数值例子
• 2.5 本章小结
• 3 时变时滞递归神经网络时滞区间相关稳定性分析
• 3.1 引言
• 3.2 问题的描述和主要结果
• 3.3 举例说明
• 3.4 本章小结
• 4 线性时变系统的时滞相关鲁棒稳定性及其在时滞神经网络中的应用
• 4.1 引言
• 4.2 问题的提出和预备知识
• 4.3 带时滞的区间时变系统的稳定性判断准则
• 4.4 时滞神经网络模型的稳定性分析
• 4.5 时滞参数的稳定区间
• 4.6 数值例子
• 4.7 本章小结
• 5 脉冲对时滞双向联想记忆神经网络的镇定影响
• 5.1 问题描述和预备知识
• 5.2 主要结论
• 5.3 数值实例
• 5.4 本章小结
• 6 带脉冲和时滞的广义BAM 神经网络的稳定性分析
• 6.1 问题描述
• 6.2 主要结论
• 6.3 数值实例
• 6.4 本章小结
• 7 混杂脉冲开关神经网络
• 7.1 引言
• 7.2 混杂神经网络及预备知识
• 7.3 稳定性分析
• 7.4 数值例子
• 7.5 本章小结
• 8 结论
• 致谢
• 参考文献
• 附录