延迟离散神经网络动态特征的矩阵判据S

该文利用延迟离散网络的状态转移方程与矩阵不等式的等价性研究网络的动力学性质.对于具有任意连接权阵的网络,文章给出了周期为1和2的极限环存在的一些条件.同时,对于周期为1,2和4的一些特殊极限环给出了存在的条件,还得到了网络不存在任何不动点的充分条件,即只有极限环的充分条件.计算机模拟实验表明其结果是正确的.     

延迟离散Hopfield神经网络的异步动态行为

利用网络的状态转移方程和能量函数来研究带有延迟项的离散Hopficld神经网络动力学行为,给出了非对称的延迟离散Hopfield神经网络异步收敛的几个充分条件。所获结果不仅推广了一些已有的结论,而且为网络的应用提供了一定的理论基础。     

延迟离散Hopfield网络的动态特征分析

神经网络的稳定性被认为是神经网络各种应用的基础．主要利用网络的状态转移方程和能量函数来研究带有延迟项的离散Hopfield神经网络动力学行为．给出了延迟离散Hopfield神经网络收敛于周期小于等于2的极限环的一些充分条件．给出了延迟网络收敛于周期为2和4的特殊极限环的一些充分条件．同时，得到了网络不存在任何稳定点的一些必要条件．所获结果不仅推广了一些已有的结论，而且为网络的应用提供了一定的理论基础．     

延迟离散Hopfield型神经网络异步收敛性

离散Ｈｏｐｆｉｅｌｄ型神经网络的一个重要性质是异步运动方式下总能收敛到稳定态。同步运行方式下总能收敛到周期不超过２的极限环,它是该模型可以用于联想记忆设计,组合设计计算的理论基础,文中给出了延迟离散Ｈｏｐｆｉｅｌｄ型网络的收敛性定理,在异步运动方式下,证明了对称连接权阵的收敛性定理,推广了已有的离散Ｈｏｐｆｉｅｌｄ型网络的收敛性结果,给出了能量函数极大值点与延迟离散Ｈｏｐｆｉｅｌｄ型网络的稳定态的     

基于LMI的一类中立型延迟神经网络的全局渐近稳定判据

针对一类能够由中立型变延迟非线性微分方程描述的神经网络模型,给出了全局渐近稳定的不依赖于时间延迟的充分条件.所得到的稳定判据不仅考虑了神经元的激励和抑制对网络的影响,而且易于验证.仿真示例验证了所得结论的有效性.     

基于高斯微粒群优化的动态神经网络延迟系统辨识

为提高神经网络对未知非线性大滞后动态系统的泛化能力,提出一种基于高斯微粒群优化的自适应动态前馈神经网络.在输入层与隐含层之间、隐含层与输出层之间分别加入动态延迟算子,可以高效地辨识出系统纯滞后时间,建立精确系统模型.此外,采用高斯函数和混沌映射方法平衡微粒群算法全局寻优能力,以克服提前收敛的缺陷,从而快速有效地自适应优化网络中的参数.仿真实验表明了该方法在非线性人滞后系统辨识中的有效性.     

网络化神经网络的时滞依赖稳定性判据

本文研究了网络化神经网络的稳定性问题.首先,为了利用网络系统的采样特征,定义了一个新的Lyapunov泛函;通过分析网络诱导时延和执行周期之间的关系,采用一个迭代凸组合技术,得到了一个包含较少保守性的稳定性判据.然后,给出一个基于采样数据的神经网络稳定性判据,减少了计算复杂性.最后,通过一个数例,验证了本文方法的有效性和优越性.     

离散Hopfield神经网络的 稳定性研究1)

推广了前人关于离散Hopfield神经网络的稳定性定理及周期为2极限环的存在定理,并从理论上给出了新的严格的证明.进一步,提出了关于部分变元稳定和部分变元为极限环的新概念,并给出了判别定理.最后给出了几个有趣的例子,揭示这类网络渐近行为的复杂性.     

离散Hopfield神经网络的稳定性分析

主要研究非对称离散Hopfield神经网络并行演化方式的动力学行为，同时给出了网络的一些新的稳定性条件，所获结果不仅推广了一些已有的结论，而且为该网络的应用提供了一定的理论基础。     

基于神经网络延迟预测的Internet机器人远程控制

针对Internet机器人控制中延迟变化所引起的不稳定问题,采用基于RBF神经网络的延迟时间预测方法,并将其与Smith预估器结合应用于Internet机器人控制中,解决了变延迟情况下的系统稳定,仿真结果表明该方案具有较好的有效性和鲁棒性。     

基于改进自由权矩阵方法的神经网络时滞相关稳定性分析

针对具有不确定参数的时变时滞神经网络系统,利用改进的自由权矩阵方法,研究其时滞相关稳定性问题。通过考虑时变时滞及其上界和它们的差三者之间关系,同时保留Lyapunov—Krasovskii泛函导数中的有用项,得到具有更低保守性的基于线性矩阵不等式的神经网络系统时滞相关渐近稳定的充分条件。最后,数值例子表明该方法的有效性。     

无穷时滞神经网络的全局稳定性

本文研究具有无穷时滞的神经网络的全局稳定性问题。通过拓广泛函数微分方程理论中的Ｒａｚｕｍｉｋｈｉｎ思想，获得了无十分简洁的稳定性准则。     

Neural Networks For Matrix Scaling And S-Procedure Problem Solving

Linear matrix inequalities (LMIs) play a very important role in postmodern control by providing a framework that unifies many concepts. While many papers have addressed the issue for solving LMIs using sequentially numerical algorithms, few have examined solving related LMIs using neural network processing. The aim of this paper is to show the potential of using recurrent neural networks to solve these problems. Two representative LMI problems are considered. First, the problem of scaling a matrix to reduce its norm, which appears often in robust control applications, is considered. Second, the approach is extended to solve the S-procedure problem, which is closely related to the stability of particular nonlinear systems. Illustrative examples are provided to demonstrate use of the proposed approach.     

时变时滞神经网络系统的时滞依赖的鲁棒稳定性准则

基于Lyapunov稳定性理论和线性矩阵不等式技术,针对一类带有范数有界不确定性的时变时滞神经网络系统,给出时滞依赖的鲁棒稳定性准则.系统稳定的充分条件是在激励函数满足一类更为通用的条件下得到的,即激励函数不必是单调可微的,并且消除对时变时滞导数的限制.所给的准则可用Matlab中的线性矩阵不等式控制工具箱进行验证.仿真结果进一步证明结论的有效性.     

大规模超环神经网络分岔动力学

目前绝大多数神经网络分岔动力学局限于结构简单、低维少节点模型, 这与真实的大规模神经网络系统相去甚远. 因此, 研究大量神经元耦合的高维神经网络模型更具实际应用价值. 环状及辐射状结构在神经网络中普遍存在, 提出了一类大规模超环时滞神经网络模型, 结构包含一个大环和任意多个小环, 并且每个环上拥有任意多个神经元. 运用特征值法和分岔理论, 选取时滞为分岔参数, 给出了该超环神经网络模型的稳定性条件和Hopf分岔判据. 数值仿真结果, 验证该理论结果的正确性.     

Delay-dependent Stability of Recurrent Neural Networks with Time-varying Delay

This paper investigates the delay-dependent stability problem of recurrent neural networks with time-varying delay. A new and less conservative stability criterion is derived through constructing a new augmented Lyapunov-Krasovskii functional (LKF) and employing the linear matrix inequality method. A new augmented LKF that considers more information of the slope of neuron activation functions is developed for further reducing the conservatism of stability results. To deal with the derivative of the LKF, several commonly used techniques, including the integral inequality, reciprocally convex combination, and free-weighting matrix method, are applied. Moreover, it is found that the obtained stability criterion has a lower computational burden than some recent existing ones. Finally, two numerical examples are considered to demonstrate the effectiveness of the presented stability results.     

时滞神经网络的全局渐近稳定性分析

研究一类具有时滞的细胞神经网络的稳定性问题,利用Lyapunov—Krasovskii泛函的方法,给出时滞相关的稳定性判据。稳定性判据是以线性矩阵不等式的形式给出,可以很容易得出时滞的上界。在得到时滞相关的稳定性判据的同时也可以得到时滞无关的稳定性判据。数值算例说明其结果的优越性。