时滞离散时间双向联想记忆模型的研究

提出一类时滞离散时间双向联想记忆神经网络模型,研究了平衡点的全局吸引性,并且以具体仿真算例给出了利用平衡点的全局吸引性建立这类双向记忆神经网络的方法.     

具有分布时滞的双向联想记忆神经网络稳定性分析

考虑分布时滞的双向联想记忆神经网络模型,并且给出其平衡态一致稳定和全局渐近稳定的充分条件。     

具离散时滞的混合双向联想记忆神经网络的周期解

在放弃活跃函数的有界性、单调递增性和可微性条件下,引入可调实参数di>0(i=1,2,…,n),通过构造Lyapunov泛函和运用不等式分析技巧,对一类具离散时滞的混合双向联想记忆神经网络的周期解、平衡点的存在唯一性和全局指数稳定性给出了一些新的充分准则.     

有脉冲和时滞的双向记忆神经网络稳定性分析

利用Lyapunov函数和二维Hanalay类型不等式,研究带有脉冲和时延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,这些条件刻画了脉冲强度和没有脉冲的连续子网络(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合影响。研究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性质。数值例子验证了理论结果的正确性。     

具有时滞的双向联想记忆神经网络的鲁棒稳定性

应用线性矩阵不等式技术研究了时滞双向联想记忆神经网络的平衡点稳定性问题.针对存在参数不确定的时滞双向联想记忆神经网络,根据Lyapunov稳定理论,通过构造适当的Lyapunov-Krasovskii泛函,给出了保证双向联想记忆神经网络平衡点全局鲁棒稳定的两个新判据.所得到的结果能够表示成线性矩阵不等式形式,具有易于验证和独立于时变时滞幅值大小等特点.对于慢时变时滞的情况,当时滞幅值较大时,所得结果具有较小的保守性.通过一个仿真例子表明了所得结果的有效性.     

多比例时滞杂交双向联想记忆神经网络的全局指数稳定性

考虑多比例时滞杂交双向联想记忆神经网络的全局指数稳定性．应用Brouwer不动点定理证明了多比例时滞杂交双向联想记忆神经网络平衡点的存在性,再通过构造合适的Lyapunov泛函,获得了该系统平衡点全局指数稳定的时滞依赖的充分条件,该条件蕴含系统平衡点的唯一性,并给出了一个例子说明结论的有效性．     

具有时滞的双向联想记忆神经网络的稳定性分析

研究一类具有时滞的变系数双向联想记忆神经网络(BAM)的稳定性问题.由于时滞变系数双向联想记忆神经网络的平衡点不一定存在,分平衡点存在和不存在两种情况进行研究.在BAM神经网络系统存在平衡点时,通过构造Lyapunov函数,结合不等式分析技巧,给出了系统指数稳定的充分条件;在BAM神经网络系统不存在平衡点时,利用数学归纳法给出了系统的吸引域.     

含时滞和脉冲的双向联想记忆神经网络模型的全局鲁棒一致渐近稳定性分析

讨论了一类含时滞和脉冲的双向联想记忆神经网络模型的鲁棒渐近稳定性.通过构造恰当的Lyapunov泛函和使用线性矩阵不等式技巧,获得了该模型全局鲁棒一致渐近稳定的充分条件.通过2个例子说明了结论的有效性.     

含时滞的双向联想记忆神经网络的全局吸引性和全局指数稳定性

本文研究了具有时滞的双向联想记忆神经网络模型,在非线性神经元激励函数是Lipschitz连续的条件下,通过构造适当的泛函,得到了该系统的平衡点是全局吸引和全局指数稳定.     

不确定决策中的双向联想记忆方法

提出了不确定决策的双向联想记忆方法。这种方法通过关联矩阵将归纳好的一些决策规则存储到记忆矩阵中。当有新的状态信息输入时，通过对信息流的前向处理和后向处理，使它收敛到一个稳定的规则，从而给出合理的决策方案。应用实例说明了这种方法的有效性。     

四元数双向联想记忆神经网络的固定时间控制

将双向联想记忆（bidirectional associative memory,BAM）神经网络扩展到四元数域,提出了一类新的四元数双向联想记忆神经网络（quaternion-valued bidirectional associative memory neural networks,QVBAMNNs）。通过对四元数的分解并运用微分包含理论,将原始的四元数值系统转化为等价的实值系统,并利用Lyapunov方法研究了主从QVBAMNNs的固定时间同步问题。通过设计一个不连续状态反馈控制器,得到了保证QVBAMNNs达到固定时间同步的新准则。最后,通过数值仿真验证了所得结果的正确性。     

双向联想记忆神经网络的全局指数稳定性

研究了带连续时延杂交双向联想记忆神经网络的全局指数稳定性 ,通过构造适当的Lyapunov泛函获得了与时延无关的充分条件且保证网络指数收敛到惟一稳定的平衡点 ,在证明过程中 ,并不要求突轴联结权的对称性和激活函数的单凋性与可微性 ,因此论文所推导的结果更具一般性。     

具有时滞的BAM细胞神经网络模型的周期解

文献[9]利用拓扑度理论、推广的Halanaly矩阵时滞微分不等式、Lyapunov原理以及Dini导数,研究了具有时滞的双向联想记忆细胞神经网络模型的全局指数稳定性。文章在文献[9]的基础上进一步给出周期解的存在性的判据,推广和改进了前人的相关结论,最后的数值例子说明:文中结果不仅保守性小,而且计算简单。     

双向联想记忆神经网络的全局指数稳定性

在研究双向联想记忆神经网络时,通常都假设输出响应函数是光滑的增函数,但实际应用中遇到的大多数函数都是非光滑函数。因此,本文将双向联想记忆神经网络的输出响应函数连续可微的假设削弱为满足Lipschitz条件,通过引入Lyapunov函数,利用不等式的方法,证明了双向联想记忆神经网络全局指数稳定性的一个定理。     

具有分布时滞和马尔可夫参数的双向联想记忆神经网络的随机渐近稳定性(英文)

研究了含有分布时滞和马尔可夫参数的双向联想记忆神经网络的随机渐近稳定性,给出了随机渐近稳定性的充分条件.所有的结果以线性矩阵不等式(LMI)的方式呈现,并举例证明其结果的有效性.     

形态双向联想记忆网络的摄动鲁棒性研究

针对训练模式对的小幅摄动可能会对神经网络的输出产生副作用的问题,该文研究了形态双向联想记忆(MBAM)网络和模糊形态双向联想记忆(FMBAM)网络训练模式对的摄动鲁棒性。比较了训练模式对摄动前后2种网络输出范围的变化,理论证明了MBAM和FMBAM 2种网络的摄动鲁棒性。理论和仿真实例表明:MBAM网络对训练模式对的摄动全局拥有好的鲁棒性,其训练模式对的选取可以适度粗糙;而FMBAM网络对训练模式对的摄动不具有好的鲁棒性,则其训练模式对的选取精度要求较高。     

双向联想记忆神经网络全局渐近稳定的一个结果

利用李雅普诺夫泛函方法结合一些分析技巧证明了双向联想记忆神经网络平衡点全局渐近稳定的充分条件。这些条件对设计双向联想神经网络具有一定的意义。     

双向联想记忆神经网络的指数输入 - 状态稳定性

研究关于具有多个时滞效应和时变外部输入双向联想记忆神经网络模型的指数输入-状态稳定性分析。首先,建立了双向联想记忆神经网络模型,该模型具有多个时滞效应并且外部输入是时变的。而且模型中非线性神经元激励函数不要求是有界的,也不要求是光滑的。然后给出双向联想记忆神经网络指数输入-状态稳定性的一个定义,利用Lyapunov泛函和线性矩阵不等式－mXTQX+2lXTπY≤l2YTπT(mQ)－1πY和XTY+YTX≤εXTΛX+εYTΛ－1Y的方法,获得含有多时滞效应和时变外部输入的双向联想记忆神经网络模型指数输入-状态稳定性的一个充分条件。
     

含时延的双向联想记忆神经网络的指数吸引性分析

针对含时延的双向联想记忆神经网络模型具有多个对应于不同记忆模式的平衡点的特点,采用不等式技巧和非负矩阵性质,建立了平衡点指数吸引域及其指数收敛速度估计的方法,所得结论对含时延的双向联想记忆神经网的设计和容错性能的评价都很有意义。