基于反馈控制的分数阶复值神经网络的Hopf分岔

研究了具有时滞的分数阶复值神经网络的分岔控制问题。通过对原系统设计反馈控制器,调节反馈增益参数来改善系统的动态性能,并产生Hopf分岔;给出了系统产生Hopf分岔的充分条件和临界参数值;最后通过数值仿真验证了理论结果的正确性。     

一类多乘积分式规划问题的全局优化算法

首先利用对数函数和指数函数的凹凸性构造目标函数的线性下界函数,从而建立问题(P)的松弛线性规划,然后给出求解问题(P)的分支定界算法。最后数值算例表明算法是可行的。     

Riemann-Liouville型分数阶时滞惯性复值神经网络的全局渐近同步性

本文研究了Riemann-Liouville型分数阶时滞惯性复值神经网络的全局渐近同步问题。先引入了分数阶时滞惯性复值神经网络模型,在Riemann-Liouville型分数阶导数复合性质基础上,通过变量代换的方法将惯性系统转化为常规系统。然后,基于全局渐近同步理论和不等式技巧,得出了在新的反馈控制器下分数阶时滞惯性复值神经网络全局渐近同步的充分条件。     

模糊细胞神经网络的稳定性

本文研究了模糊细胞神经网络（ＦＣＮＮ）的稳定性,给出了这种神经网络全局渐近稳定的新条件。     

Hopfield型神经网络的全局渐近稳定性

讨论了连续Ｈｏｐｆｉｅｌｄ型神经网络的全局渐近稳定性问题，通过利用Ｌｙａｐｕｎｏｖ泛函方式和不等式分析技巧给出了平衡点的全局渐近稳定性的些充分条件。     

线性分式和规划问题的全局优化算法

提出一种求解线性分式和规划问题的分支定界算法.该算法首先利用等价转换技巧构造出原问题的等价问题,然后通过凹凸性包络技术建立等价问题中目标函数与约束函数的下逼近函数,得到其线性松弛规划,从而将原来的非凸规划问题转化为一系列线性规划问题,以确定原问题最优值的下界.从理论上证明了算法的收敛性,并用数值试验验证了算法的可行性和有效性.     

时延细胞神经网络（DCNN）的全局稳定性

讨论具了延的细胞神经网络（ＤＣＮＮ）的全局渐近稳定性，利用Ｌｙａｐｕｎｏｖ泛涵方法，通过构造Ｌｙａｐｕｎｏｖ泛涵，对ＤＣＮＮ的稳定性进行再分析，给出了ＳＣＮＮ全局渐近稳定时一些充分条件。     

具一般输出函数的时滞细胞神经网络的指数稳定性

讨论了具有一般输出函数的时滞细胞神经网络模型的全局指数稳定性,给出了一个使模型具有惟一的全局指数稳定的平衡点的充分条件,这一结果包含已有文献中的许多结果作为特例.     

一类线性约束非线性规划的初始神经网络

目的 建立求解一类线性约束非线性凸规划的简单可行的神经网络。方法 射影方法和Lyapunov直接方法。结果 基于问题自身的结构特点和射影方法，提出了求解一类线性约束非线性凸规划的两个神经网络模型。定义了Lyapunov函数，严格证明了它们是渐近稳定的。此外，在一定的条件下证明了其指数稳定性。新模型的规模均与原问题相同，不含任何参数，并且其稳定性不需要Lipschitz条件，模拟实验表明新模型不仅可行，而且有效。结论 建立了求解一类线性约束非线性凸规划的两个简单可行的初始神经网络，并在适当的条件下分别证明了其渐近稳定性和指数稳定性。     

基于神经网络的非线性系统辨识方法

主要介绍利用多层神经网络进行非线性系统辨识的几种模型以及相应的算法，并分析和比较它们的辨识性能．为高度不确定性动态系统的综合设计提出了一种分析方法。     

求解一类奇异非线性凸优化问题的神经网络方法

一类奇异非线性凸优化问题近年来受到很多关注。解决该问题现有的大多数方法是迭代法,但计算复杂、效果不理想。本文提出了一种解决奇异非线性凸优化问题的新型神经网络模型,介绍了一个等价的非奇异模型和一个增广的拉格朗日函数。通过利用LaSalle’s不变性原理,证明了所提出的网络是全局收敛的,这就保证了所提出的模型对于解决奇异非线性最优化问题的有效性,数值模拟则进一步证实了该神经网络方法的有效性。     

一类神经网络模型的稳定性分析

研究了一类神经网络,包括Hopfield神经网络和细胞神经网络,从神经网络的互连矩阵以及神经元输入输出的激励函数出发,通过研究特殊矩阵以及单调有界函数,利用Brouwers’不动点理论和构造Lyapunov函数的方法讨论神经网络平衡点的存在唯一性和全局指数稳定性以及指数的收敛速率,获得了一些充分条件以保证神经网络的平衡点的存在性、唯一性和全局指数的稳定性,并给出了一些条件下指数收敛速率的估计值.     

神经网络全局收敛快速算法在非线性建模中的应用

把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,给出前馈神经网络在线运行投影学习算法,理论上证明算法的全局收敛性,并讨论算法参数的选择范围．通过非线性时变系统的神经网络建模应用的仿真,验证算法的在线运行能力．     

基于神经网络的非线性自适应除噪研究

提出一种适用于非线性自适应除噪（ANC）的神经网络方法。当参考通道中的噪声是主通道噪声的非线性变换时，采用线性ANC往往效果不好，此时应采用非线性ANC。由于径向基函数网络具有良好的非线性函数逼近性能，因而可采用基于径向基函数网络的非线性自适应除噪。模拟结果表明，这种方法具有明显的抑制噪声能力。     

求解一类比式规划问题的确定性算法

对一类比式规划问题(P)提出一确定性全局优化算法.利用线性化技术建立了问题(P)的松弛线性规划(RLP),通过对目标函数线性松弛可行域的逐次细分以及一系列(RLP)的求解过程,提出的算法收敛问题(P)全局最优解.最终数值实验表明了提出方法的可行性.     

神经网络在二次规划问题中的应用

利用对偶神经网络解决了基于线性等式、 不等式和有 界约束的二次规划问题, 表明所研究的对偶神经网络具有整体指数收敛性, 与包含高次非线性条件的神经网络相比, 所提出的网络使用了更少的神经元, 并且网络的体系结构更简单.数值实验结果表明了该方法的有效性.     

基于神经网络的非线性最优控制

将线性最优控制技术与非线性神经网络的学习方法相结合，提出一种新的非线性最优控制器。仿真实验表明，这种控制器克服了传统最优控制不易解决的非线性容限性。     

基于免疫进化策略的神经网络优化方法

对神经网络的研究多年来主要集中于网络权值优化或结构优化上,却忽略了神经网络结构与权值之间密不可分的联系.针对上述问题,将免疫系统中的浓度机制和记忆机制引入进化策略,提出了一种基于免疫进化策略的神经进化算法,在优化网络拓扑结构的同时优化网络的连接权值.进一步地,用Cauchy变异算子代替传统的Gauss变异算子,以获得更为理想的全局收敛效果.理论分析和仿真结果表明,免疫进化策略能够很好地保持种群多样性,避免未成熟收敛,采用免疫进化策略设计神经网络具有良好的全局收敛性能和快速学习网络结构和网络权值的能力.     

一类非凸非线性分式规划的对偶性

对广义不变凸性条件进行推广，引入了几类更为广泛的广义不变凸性概念，并证明了在这几类新广义不变凸性条件下，一类非凸非线性分式规划的弱对偶定理、强对偶定理和逆对偶定理。所得结果涵盖并推广了有关已知的对偶性定理。