延迟离散Hopfield网络及其全局稳定性

本提出一种延迟离散Hopfield网络,给出该网络收敛到稳定点网络参数应满足的条件及能量函数达到极值与网络收敛二之间的关系,为实际应用打下了理论基础。     

离散Hopfield网络的稳定性分析

研究了非对称离散Hopfield神经网络在同步演化方式下的动力学行为,给出了新的收敛性条件和网络没有稳定点的条件,所获结果推广了一些已有的结论.     

离散Hopfield 网络的稳定性

神经网络的稳定性是神经网络应用的基础。主要研究离散 Hopfield神经网络的稳定性 ,所获结果推广了已有的结论 ,并结合网络状态图举例可直观地说明结果     

基于图论的离散Hopfield网络稳定性研究

以图论为工具，主要对连接权矩阵为对角分块形式的离散Hopfield神经网络的稳定性进行了研究。通过构造网络状态图证明了它的稳定性完全可由对角块为连接权矩阵的Hopfield网络的稳定性来确定，并给出了几个相应的结果。     

离散Hopfield型神经网络的异步收敛性研究

主要研究非对称离散Hopfield神经网络的异步演化方式的收敛性，并给出了一些新的收敛性条件。若网络的连接权矩阵可以分解成主对角元素非负的对称矩阵和行（列）对角占优的矩阵之和，则网络是异步收敛的，所获结果推广了已有的结论。     

关于离散Hopfield联想网络的权值设定及稳定性分析

本改进了Hopfield网络权值的设定，使之保证每一个存贮的模式为平衡状态，并且证明网络由任一模式出发，一定收敛到一个平衡态，且每一平衡态是Lyapunov意义下稳定的。     

离散型Hopfield神经网络稳定性的研究

提出了离散型Hopfield神经网络DHNN模型权矩阵的等效矩阵的概念，给出了相关算法。利用等效矩阵的概念可把DHNN模型按其轨道是否相同进行分类。因而，获得了研究DHNN模型收敛性的一种新方法，并利用此方法推广了已有的有关收敛性的几乎所有结论。     

离散Hopfield神经网络的稳定性分析

利用能量函数推广了一些关于离散Hopfield神经网络稳定性结论，同时给出了稳定点存在的一个充要条件，最后给出了几个有趣的例子，揭示这类网络渐进行为的复杂性。     

离散Hopfield神经网络渐近行为新探

指出前人关于离散Ｈｏｐｆｉｅｌｄ神经网络稳定性及周期为２的极限环存在性判别定理证明中的问题；列出前人关于这类网络串行及并行稳定两个证明正确定理的推广；给出周期为２的周期解，极限环及平衡位置的存在性判别定理；举出几个有趣的例子，揭示这类网络渐近行为的复杂性。     

基于离散Hopfield神经网络的数据加密算法

离散Hopfield神经网络的吸引性不仅具有重要理论意义,而且是现代网络应用基础。基于离散Hopfield神经网络,简要讨论了算讨论了其吸引性;并利用其非线性混沌机制和并行计算的特点,提出了数据分组加密算法和公钥加密算法;法的安全性。     

Hopfield型时滞神经网络模型的K-稳定性

研究具有时滞的Hopfield型神经网络模型｛Cidui(t)/dt=-ui(t)/Ri n↑∑↑j=1～↑Tijfi(uj(t-τ）） Ii，ui（s）=ψi(s),s∈[-τ，0],i=1,2,…，n平衡点的K－全局渐近稳定性与K－全局指数稳定性，通过使用不等式分析技巧和微分方程性质，得到了这类模型K－稳定性的易于验证的时滞相关充分条件，并举例验证其有效性。     

Hopfield神经网络的改进

提出一个改进的Hopfield神经网络模型,其连接矩阵的对角元T_n=1,同时根据大量的计算机模拟实验并从神经网络的系统能量出发,计算和分析T_n=1及T_n=0两种Hopfield神经网络的各存储样本所处能量状态的分布情况,及其与各存储样本的稳定性和纠错能力的关系,指出改步的Hopfield神经网络其容量和纠错能力均比T_n=0的Hopfield神经网络强。     

二维具时滞Hopfield神经网络动力学行为研究

Hopfield神经网络模型是对人脑神经网络的某些机理与机制的抽象,它可以模拟大脑实现联想记忆和优化计算等方面的功能.本文对一类二维具时滞的Hopfield神经网络模型进行了理论分析,给出了系统可能出现的稳定平衡点、周期解以及混沌奇异吸引子的参数选取信息,并在理论分析的基础上进行了数值模拟,用计算机描绘出解曲线图.本结果对人工神经网络的应用提供参数依据.     

一种设计离散型Hopfield神经网络权值的新方法

在Hebb学习规则的基础上,提出一种设计离散型Hopfield神经网络权值的新方法,用该方法设计的网络能够对多个非正交记忆样本进行正确的回忆.通过理论证明和Matlab仿真,说明了新设计方法的正确性和可行性.     

一种具有连续滞后神经元的Hopfield网络求解TSP问题的算法

提出了一种具有连续滞后神经元的Hopfield神经网络体系结构,有效地解决旅行商问题(TSP).对连续滞后神经元的Hopfield神经网络结构和整个网络的计算性能进行了研究.理论上通过模拟随机生成的具有连续滞后神经元的Hopfield神经网络证明网络的优越性.通过模拟TSP问题的应用来说明此算法的计算效率.仿真结果表明,具有连续滞后神经元的Hopfield神经网络在解决TSP问题时,无论从处理时间和解决质量上来看都优于传统的Hopfield神经网络和二元连续Hopfield神经网络.     

Hopfield神经网络在扰动情况下的鲁棒性

Hopfield神经网络在工程领域中应用广泛, 但在具体的实现过程中往往存在着扰动和时滞, 这些因素的存在影响了神经网络的动态性能, 并有可能导致网络失稳. 通过建立模型, 讨论了时滞递归神经网络的鲁棒性, 给出了有效的判定条件, 推广了有关文献中的结果.     

变时滞的Hopfield网络模型的全局指数稳定性

研究了其时滞是在更一般的时间变量的函数情况下的Hopfield网络系统:(*)/(x)i(t)=-cixi(t)+∑n j=1aijfj(xj(t))+∑n j=1bijfj(xj(t-τj(t)))+Ii,i=1,2,...,n.在非线性神经激励函数满足较弱的Lipschitz条件下,引入Lyapunov函数,利用不等式技巧和泛函的单调性等,研究了具有变时滞的Hopfield网络系统的稳定性,得到了对每一个输出响应函数fj(*)在R上有定义,且连续的情况下,系统有唯一的平衡点X=X*,并且该平衡点是全局指数稳定的一个易于判定的充分条件.     

一类时滞神经网络模型的稳定性

利用数变易法及不等式分析技巧,讨论了一类时滞神经网络模型稳定性,给出指数稳定性的一个充分条件。