静态结构化不确定性极小极大控制在网络中的应用

研究了具有静态结构化不确定性时滞系统的极小极大鲁棒控制问题.针对乘时二次型性能指标,运用Lyapunov方法得到极小极大鲁棒控制器的存在条件,并引入凸优化算法求解控制器最优参数和性能指标的最小上界.最后,将该算法应用于带有时滞因素的TCP网络拥塞控制中,使路由器的队列长度能够更快地收敛于期望值,并且稳态时的振荡很小.通过与其他方法的比较,说明了该方法在实际应用中的有效性与优越性.     

基于线性矩阵不等式神经网络的鲁棒稳定性

讨论同时具有离散时滞和分布时滞的神经网络系统的鲁棒稳定性问题.不同于通常使用的矩阵范数理论,利用线性矩阵不等式(LM I),将神经网络系统的稳定性问题转化为凸优化问题,建立了神经网络系统鲁棒稳定性的一个充分条件,该条件易于利用标准的M atlab LM I工具箱进行验证和求解.     

变系数时滞脉冲方程周期解的指数稳定性研究

神经网络属于复杂网络,因其可以描述各种真实的系统受到了大量学者的研究,而稳定性一直是复杂网络的重要问题,研究了一类脉冲神经网络的指数稳定性;建立一个含有分布时滞和脉冲的变系数广义 Halanay 不等式,它有 3 个特点:含有脉冲,可以用来证明不连续系统的稳定性;系数为变系数,对不等式 的系数要求更为宽松,应用更加广泛;时滞为分布时滞;利用新建立的广义 Halanay 不等式,结合 Banach 不动点理论,建立简单的 Lyapunov 函数,得到了使脉冲神经网络周期解的存在性和指数稳定性的充分条件,说明了在满足条件时,脉冲时滞神经网络存在惟一周期解,并且周期解指数稳定。     

具有变时滞随机竞争神经网络在固定时间的控制同步

为了解变时滞随机竞争型神经网络在固定时间的控制同步问题,运用Lyapunov稳定性理论、固定时间稳定性理论、随机微分方程理论、伊藤公式和一些不等式方法,在p-范数下得到了该神经网络新的固定时间同步的充分条件.     

带有时变时滞的递归神经网络的稳定性分析

研究了带有时变时滞的递归神经网络的稳定性问题.假设该神经网络的神经元激励函数满足一般的扇形条件,通过使用Wirtinger不等式和倒凸组合法来估计Lvapunov-Krasovsii泛函的导数得到一个新的时滞相关稳定性判据.同时,应用凸包技术来处理时变时滞的导数,所提出的判据放松了时变时滞导数的限制.数值仿真结果验证了所得判据的有效性.     

具变时滞细胞神经网络的指数稳定性与正周期解

利用Lyapunov函数研究具变时滞细胞神经网络的指数稳定性，获得新的判据，利用重合度理论得到了该神经网络正周期解存在的充分条件．     

求解凸不等式组问题的神经网络方法

考虑了凸不等式组问题,通过将其转化为一个极大极小问题,进而转化为等价的凸规划问题,提出了求解它的一个神经网络模型。并严格证明了该模型是Lyapunov稳定的,且在有限时间内收敛到原问题的一个精确解。     

具有混合时滞的随机Hopfield神经网络的稳定性分析

讨论一类具有时变离散时滞和多时变分布时滞的随机Hopfield神经网络的均方鲁棒稳定性问题.假定激活函数既不可微也不严格单调,运用Lyapunov-Krasovskii泛函理论、随机分析理论和MATLAB中的LMI工具箱,推出系统渐近稳定的判别准则.最后通过数值例子论证该结果的有效性.     

一类变时滞网络控制系统的无源控制

文章研究了一类变时滞网络控制系统的无源控制问题,首先根据传输时延得到系统的等价动态模型,通过构造观测输出和状态反馈,由耗散下的无源指标得出相应的算式,并利用基于凸多面体的方法来求解变时滞引起的变参数LMI,使闭环系统达到满意的控制要求,仿真结果说明本文方法的有效性。     

具有变时滞的复值神经网络的有限时间同步

研究了具有变时滞的复值神经网络的有限时间同步问题.在一些合理的假设下,基于状态反馈原理和稳定性理论提出了新的控制协议.通过运用新的同步方法得到一些充分条件来保证具有时滞的复值神经网络能在有限时间内同步.     

广义射影神经网络的指数稳定性

研究了一类广义射影神经网络,分析了它的稳定性和收敛性.当映射和非对称时,分别定义了恰当的能量函数,在适当的条件下证明了该网络的全局收敛性和指数稳定性.与已有结果相比,文中的稳定性条件并不需要映射的可微性及映射和的对称性.理论分析和数值实例表明所得结果适用于非单调问题,而且给定的条件易于验证.由于该网络可求解一大类优化和平衡问题,因此文中结论具有一定的理论价值和实际意义.     

基于动态神经网络的一类非线性组合系统自适应控制

针对一类非线性组合大系统,提出一种用动态神经网络逼近组合大系统的新型设计方法·首先由动态神经网络辨识非线性组合大系统,也就是利用动态神经网络逼近系统的未知项和互联项,其次设计控制器使实际系统的状态来跟踪参考模型的轨迹·利用Lyapunov稳定性理论保证跟踪误差和其他信号是最终一致有界的·通过一个非线性系统例子的仿真证明这种设计方法的可行性·这种设计方法能够解决大系统中最为复杂的互联项问题,得出基于神经网络的自适应控制律·     

神经网络在反插值问题中的应用

在之前研究中,根据多项式理论,提出了幂激励前向神经网络及其权值直接确定法。本文应用该神经网络研究反插值问题。仿真结果表明该神经网络能够很好地解决一一映射反插值问题,而对于非一一映射,却不具备准确反插值能力。基于前面提出的网络模型,本文进一步提出一种增加时序控制条件的神经网络,即时序神经网络模型,并给出理论推导和进行仿真验证,结果表明该时序神经网络能够成功解决一一映射及非一一映射反插值问题。     

一个求解二阶锥变分不等式问题的神经网络

本文提出了一个神经网络算法,以求解二阶锥变分不等式（SOCCVI）问题．该算法利用一个光滑化Fischer-Burmeister(FB)函数处理问题对应的KKT条件,将其转化为一个无约束优化问题．利用Lyapunov方法本文证明,在给定的条件下,该神经网络Lyapunov稳定,渐近稳定且指数稳定．数值模拟验证了该神经网络的运算效果．     

GA-BP网络与D-S证据相结合的多传感器信息融合

针对反向传播(back propagation,BP)网络与D-S(dempster-shafer)证据理论各自在处理不确定性信息方面的不足,提出了一种遗传算法(genetic algorithms,GA)优化的BP网络与D-S证据相结合的多传感器信息融合方法.一方面利用GA-BP网络获取D-S证据理论所需的基本概率赋...     

一种非线性鲁棒均值预测控制器

提出了一种有界随机动态控制系统输出均值的非线性鳍棒预测控制器。在采用B－样条神经网络的平方根模型表示随机动态系统的输出概率密度函数基础上，输出分布的均值控制转换成一个非线性优化问题。为了解决这一问题，采用了L－M修正梯度搜索方法，得到预测控制器。基于Lyapunov稳定分析，得到了闭环渐近稳定的充分条件和考虑系统建模误差时的鲁棒稳定充分条件。仿真例子表明此算法正确，并获得了很好的结果。     

基于聚类优化的RBF神经网络多标记学习算法

多标记学习采用RBF神经网络与K-means聚类算法相结合取得了较好的效果,但由于聚类数事先不能很好地确定,无法给出准确的聚类个数值,会导致聚类质量下降、聚类结果不稳定等,进而影响RBF神经网络多标记算法的稳定性及分类性能。本文从样本几何结构的角度出发,采用一种聚类有效性指标函数,为每个类寻找最优的聚类个数,从而优化问题的求解。理论研究和实验结果表明,改进后的算法在分类的稳定性及分类性能方面都有较好的表现。     

具有变系数和变时滞的BAM神经网络的全局指数稳定性的新判据

研究了一类具有变系数和变时滞的联想记忆神经网络的全局指数稳定性。通过选择适当的Lyapunov-krasovskii泛函,利用不等式技巧给出了联想记忆神经网络的全局指数稳定性的新判据。     

基于GaussNewton-NL2SOL法的前馈神经网络及应用

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛.为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入NL2SOL优化算法,并与GaussNewton法相结合,构建基于GaussNewton-NL2SOL法的前馈神经网络.仿真实例表明,该神经网络较好地解决了残量问题,具有良好的收敛性和稳定性.