随机延时Hodgkin-Huxley神经网络的同步与联想记忆

基于神经系统微观生理结构,给出具有空间分布随机延时的神经元间耦合,而这种随机延时描述峰电位从突触前神经元到突触后神经元在轴突上传播所需要的时间．记忆由时空发放的神经元集群表达．通过加入并改变噪声的强度,研究了噪声对Hodgkin—Huxley（HH）神经元网络系统联想记忆的作用,在噪声涨落的作用下,系统取得了对不完整输入的记忆恢复,得到与熟知的随机共振完全一致的结果．     

基于分类思想的联想记忆神经网络

根据分类思想设计了2层反馈自联想记忆神经网络模型，它符合大脑联想记忆的分类思想，能保证每个样本模式为稳定状态，其吸引域在平均意义上达到最大值。     

时空序列的阶与递归神经网络的学习能力

对时空序列给出了严格的定义并给出了它的一些重要的性质．通过引入阶的概念，得出了单层递归神经网络（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）与时空序列的匹配定理．并且进一步讨论了递归神经网络对二元时空序列的学习和记忆性能．     

非线性神经网络全局指数稳定性分析及吸引域和模式恢复估计

证明了非线性连续神经网络当其连接权阵的矩阵测试小于适当的正常数时，一定具有唯一的全局平衡态吸引子，且从相空间中任一点出发的网络运动轨道以指数收敛速度趋于该吸引子，另估计子联想记忆模式的动态过程。     

神经元中的随机共振及含燥周期方波脉冲信号的最优检测

理论研究表明，神经元用于含噪周期方波脉冲信号传输时存在随机共振现象，信号的占空比和神经元的阈值对随机共振的影响有一定的规律．同时，可获得大于1的信噪比增益，这是线性系统不能实现的，因而可将神经元的应用推广到非线性信号处理领域．在此基础上，对应用神经元实现含噪周期方波脉冲信号检测的最优条件和最优特性进行了分析．最后，通过仿其实验验证了理论分析的正确性．     

神经网络受损对神经元放电模式及同步行为影响的研究

以Hindmarsh-Rose(HR)神经元模型为节点构建一个环状耦合的神经网络,考察网络受损后对其放电模式及同步行为的影响.研究发现,当神经网络正常时,神经元具有较好的接收和输出信息的性能,合适的耦合强度可以调节体系的放电模式和同步行为.而当网络中出现一定程度的损伤时(包括部分神经元或突触连接受损),均会导致神经元的接收或输出信息的性能减弱,从而引起体系中神经元放电模式和放电频率发生改变,体系的同步程度降低.上述研究结果表明神经网络受损将影响神经元的放电活动,并导致网络的异常同步行为,从而为揭示神经性疾病的形成机理提供一定的理论解释.     

联想记忆神经网络的学习算法设计

提出了联想记忆神经网的学习算法，并给出了算法的收敛性定理。     

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。     

具有时滞的BAM细胞神经网络模型的全局指数稳定性

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。去掉了有关文献中要求输出函数 fj在实数集R上有界的务件,给出了条件要求更弱的判定平衡点的存在唯一性以及全局指数稳定性判 据,推广和改进了前人的相关结论。     

随机时滞Hopfield型神经网络的几乎指数稳定性

利用Lyapunov泛函和Ito公式，研究了具有时滞的随机Hopfield型神经网络的几乎指数稳定性，证明了一个定理和两个推论．当随机扰动为0时，得到确定性的时滞神经网络指数稳定性的结果．     

Memory Chain in a Chaotic Autoassociative Neural Network

Memory chain is observed in a chaotic autoassociative neural network. The network recalls first stored pattern from a fragment of a memory, stays at this pattern for a while, transits to the second stored pattern that overlaps with the first recalled pattern.Then it stays at the second recalled pattern for a while, transits to the third stored pattern that overlaps with the second recalled pattern, and so on. Thus a memory chain is generated. The memory chain ends with the pattern that overlaps no other stored patten. This phenomenon is similar to the way of recalling process of human beings in some respects.     

随机时滞Hopfield神经网络的均方指数稳定性

利用Ｌｙａｐｕｎｏｖ泛函和Ｉｔｏ公式，研究了具有时滞的随机Ｈｏｐｆｉｅｌｄ型神经网络的均方指数稳定性．证明了三条定理和三个推论．当随机扰动为零时，便得到确定性的时滞神经网络指数稳定的结果．     

一类神经网络稳定性与联想记忆的分析

分析了具有代表性的一类神经网络的稳定性与联想记忆问题.首先定义一种新的能量函数,由此分析网络的稳定性,推得了保证网络平衡点是渐近稳定平衡点所满足的条件,从而使网络可用于联想记忆.所得条件与 A.Guez 所得结论对比发现,在某些情况下两者是一致的,在另外一些情况下,两者并不等价.另外,还得到了比 A.Guez 结论更具普遍意义的保证网络运行点为渐近稳定平衡点的有关定理,扩展了 A.Guez 的结论.     

混沌神经网络在分离叠加模式和信息恢复中的应用

提出了一种改进的混沌神经网络模型，该模型具有两个特点：①能从叠加模型恢复出被记忆的正确信息；②能通过部份信息恢复被记亿的全部信息．设计了一系列的仿真实验证明了所提模型的有效性。     

一种新型联想记忆神经网络

提出了一种新型联想记忆神经网络,记忆容量接近2^N,完全消除了假模式,具有多模式回忆能力,同时具有较高的记忆效率;模式的各个分量分别存储在网络的N个连接中,这些连接构成一个通过网络中所有神经元的被称为“模式环”的单环回路;网络中处理和传递的信号为神经元编号组成的序列,神经元执行一组处理这种序列的符号和逻辑运算;连接由“连接状态”和“禁止路径”组成,前者用于存储信息,后者用于抑制网络中出现的假模式。     

基于神经网络的不稳定时滞对象控制

针对过程控制工业中的一类不稳定时滞对象存在的难以稳定、鲁棒性差、对输入的变化和扰动十分敏感的问题,采用了基于神经网络的双自由度控制结构.在利用内环控制器镇定对象并且提高系统反应速度、减轻输出的振荡的同时,结合Guillermo等提出的比例-积分-微分(PID)参数镇定区域理论优化设计外环BP神经网络控制器的学习范围、学习方式和初始参数,改善系统设定值跟踪和扰动抑制的性能,提高系统鲁棒性.仿真结果表明,即使在建模有误差的情况下,该控制结构仍能比传统双自由度PID控制有更好的控制效果和鲁棒性.