含时延的联想记忆神经网络的指数吸引域和指数收敛速度

采用不等式技巧和非负矩阵性质, 给出了含时延的联想记忆神经网络平衡点的指数吸引域和指数收敛速度估计以及指数稳定的一些判断条件.     

联想记忆神经网络的训练

提出了一种联想记忆神经网络的优化训练方案,说明网络的样本吸引域可用阱深参数作一定程度的控制,使网络具有尽可能好的容错性.计算表明,训练网络可达到α＜1(α=M/N,N是神经元数,M是贮存样本数),而仍有良好的容错性,明显优于外积法、正交化外积法、赝逆法等常用方案.文中还对训练网络的对称性与收敛性问题进行了讨论.     

模拟反馈联想记忆的吸引域和指数收敛速度的估计及其应用

本文得到了若干关于模拟反馈联想记忆各记忆模式的吸引域及其中每一点趋向相应记忆模式的指数收敛速度的估计结果，它们可用于高效模拟反馈联想记忆的性能评价以及综合过程．     

噪声环境中时滞双向联想记忆神经网络指数稳定

任何系统实际上都是在噪声环境中进行工作的.对处在噪声强度已知的噪声环境下双向联想记忆(BAM)神经网络,其平衡点具有指数渐近稳定性是网络进行异联想记忆的基础.构造一个适当的Lyapunov函数,应用It^o公式、M矩阵等工具讨论了在噪声环境下具有时滞的BAM神经网络概率1指数渐近稳定,得到了指数稳定的代数判据和两个推论,此判据只需验证仅由网络参数构成的矩阵是M矩阵即可,给网络设计带来方便.本文所得结果包括相关文献中确定性结果作为特例.     

模拟反馈联想记忆的吸收域和指数收敛速度的估计及其应用

本文得到了若干关于模拟反馈联想记忆各记忆模式的吸收域及其中每一点趋向相应记忆模式的指数收敛速度的估计结果，它们可用于高效模拟反馈联想记忆的性能评价以及综合过程。     

时滞双向联想记忆神经网络的全局指数稳定新条件

运用不等式αПk=1^m blk≤1/r ∑k=1^m qkbk^r＋1/rα^r（α≥0,bk≥0,qk〉0,∑k=1^m qk=r-1,r〉1）和构造新的李雅普洛夫泛函方法,研究了时滞双向联想记忆神经网络的全局指数稳定性。去掉了相关文献中有关传递函数有界性的假设,给出了较弱的并且不依赖于时滞的判别条件,增强了模型的适用性,在网络的分析和设计中发挥着重要作用。最后我们通过模拟仿真进一步说明所得结果的正确性,并对双向联想记忆神经网络的收敛速度作了分析。     

基于约束区域的连续时间联想记忆神经网络

传统的联想记忆神经网络模型是根据联想记忆点设计权值。文中提出一种根据联想记忆点设计基于约束区域的神经网络模型,它保证了渐近稳定的平衡点集与样要点集相同,不渐近稳定的平衡点恰为实际的拒识状态,并且吸引域分布合理。它具有学习和遗忘能力,还具有记忆容量大和电路可实现优点,是理想的联想记忆器。     

基于遗传算法的Hopfield联想记忆吸引域的优化

由于一般离散Hopfield神经网络存在很多伪稳定点.使稳定点的吸引域变小.网络很难获得真正的最优解.因此,提出将遗传算法应用到Hopfield联想记忆神经网络中.利用遗传算法对复杂、多峰、非线性极不可微函数实现全局搜索性质.对Hopfield联想记忆吸引域进行优化,使待联想模式跳出伪模式的吸引域.使Hopfield网络在较高噪信比的情况下保持较高的联想成功率.仿真结果证明了该方法的有效性.     

基于线性规划的联想记忆神经网络模型

提出一种基于优化线性函数的神经网络联想记忆器,打破了将待识别模式作为网络起始点的常规,它能保证渐近稳定的平衡点集与样本点集相同,吸引域分布合理,不渐近稳定的平衡点恰为实际的拒识模式,并且电路实现容易,对拒识模式有清楚的解释。理论分析和计算机模拟都表明本文的模型是理想的联想记忆器,还可降低对硬件的精度要求。     

一类时延反馈神经网络的稳定性及吸引域的估计

反馈型神经网络由于具有极为丰富的动力学行为和整体计算能力（如优化、联想、振荡和混饨）而倍受关注，近几年的研究表明，当网络的时延足够小时，具有延时的对称Hopfield型神经网络和无时延情况一样也是全局稳定的．本文通过构造适当Lyapunov泛函的方法，对一类具有时延的反馈型神经网络平衡点的渐近稳定性进行了分析，得到了平衡点渐近稳定的充分条件：要检验一个有时间延迟的反馈型神经网络的稳定性，只要测试一个特定矩阵的定性性质或一个特定不等式即可．最后我们也提供了一种估计网络渐近稳定平衡点吸引域的方法．     

一类高阶Cohen-Grossberg神经网络的多周期性分析

利用状态空间分解方法,探讨一类具有特殊激励函数的高阶Ｃｏｈｅｎ-Ｇｒｏｓｓｂｅｒｇ神经网络的多周期性问题．该类神经网络的激励函数包括带有饱和区的非递减函数以及一般的细胞神经网络激励函数等．给出了保证此类网络的周期环在饱和区内局部指数收敛的充分条件．所得结果表明,一个狀维网络可以有２ⁿ个局部指数收敛的周期环存在于饱和区．最后以一个数值例子说明了所得结果的有效性．     

输入向量控制细胞神经网络全局指数稳定

利用输入向量来控制细胞神经网络的稳定性.所得结果表明,当输入向量的绝对值大于某个仅仅只与细胞神经网络的物理参数有关的值时,不附加其它任何条件,细胞神经网络是全局指数稳定的.也讨论了输入向量的部分分量的绝对值大于某个仅仅只与细胞神经网络的物理参数有关的值时,细胞神经网络的全局指数稳定性,所得结论推广和改进了某些已有文献的相应结果.     

联想记忆神经网络的一个有效学习算法

提出一种新的联想记忆网络模型的有效学习算法,它具有下述特点:(1)可以全部存储任意给定的训练模式集,即对于训练模式的数目和它们之间相关性的强弱没有限制;(2)最小的训练模型吸引域达到最大;(3)在(2)的基础上,每个训练模式具有尽可能大的吸引域;(4)联想记忆神经网络是全局稳定的.大量的计算机仿真实验结果充分说明所提出的学习算法比已有算法具有更强的存储能力和联想容错能力.     

一类具有变时滞的Hopfield型神经网络的全局指数稳定性

通过构造适当的Lyapunov函数,利用Halanay不等式和Young不等式,讨论一类具有变时滞的Hopfield型神经网络的全局指数稳定性.在对网络施加两个不同的神经元激励函数的条件下,导出网络全局指数稳定的一个充分条件,得到的充分条件在实际应用中易于验证,且有较小的保守性,因而对网络的应用和设计具有重要意义.最后,一个数值实例进一步验证结果的正确性.     

一类变时滞神经网络的全局指数稳定性

在不要求激活函数有界的前提下,利用Lyapunov泛函方法和线性矩阵不等式(LMI)分析技巧,研究了一类变时滞神经网络平衡点的存在性和全局指数稳定性.给出判别网络全局指数稳定性的判据,推广了现有文献中的一些结果.这些判据具有LMI的形式,进而易于验证.仿真例子表明了所得结果的有效性.