多时变时滞细胞神经网络的全局渐近稳定性分析

研究了多时变时滞细胞神经网络的全局渐近稳定问题.给出了多时变时滞细胞神经网络平衡点唯一性和全局渐近稳定的新判据.这些新判据考虑了神经元激励和抑制的影响,且易于验证.仿真结果验证了所得结论的有效性.     

混合时滞模糊细胞神经网络的指数稳定性研究

利用Lyapunov泛函及M-矩阵理论,研究了具变时滞和分布时滞模糊细胞神经网络（FCNNs）平衡点的存在性和唯一性及其全局指数稳定性,得到了其简单判断.     

用矩阵测度法研究细胞神经网络的稳定性

主要讨论使用矩阵测度法来研究细胞神经网络的稳定性,给出了细胞神经网络全局指数稳定的条件．     

多时变时滞细胞神经网络的全局渐近稳定

研究了多时变时滞细胞神经网络的全局渐近稳定问题。给出了多时变时滞细胞神经网络平衡点唯一性和全局渐近稳定的几个新充分判据。所研究的网络模型扩展了现有的同类网络模型,而且所得到的这些新稳定判据考虑了神经元激励和抑制的影响,且能够表示成线性矩阵不等式的形式,易于用现有的内点算法等方法验证。通过2个注释说明了所得结果的有效性。     

变时滞随机模糊细胞神经网络的均方指数稳定性研究

研究变时滞随机模糊细胞神经网络的均方指数稳定性,利用Ito公式及Lyapunov泛函方法得到其均方指数稳定的判据,并举例说明了理论结果的有效性.     

基于回推法的全局鲁棒渐进稳定控制

基于后推方法,提出一套针对某种非线性系统的全局鲁棒渐进稳定控制的控制策略,给出一个具有代表性意义的控制仿真实验结果,其结果证实了所提出的鲁棒线性控制策略的有效性.     

时滞神经网络的全局渐近稳定性分析

研究了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,给出了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也可以得到时滞无关的稳定性判据,包含了已有文章中的很多结果。最后,数值算例说明了本文结果的优越性。     

脉冲时滞细胞神经网络系统的指数稳定性

讨论了一类具有时滞的脉冲细胞神经网络的全局指数稳定性。利用Lyapunov函数和不等式技巧得到了该系统全局指数稳定的一个充分条件,同时给出示例说明结果的有效性。     

S-分布时滞细胞神经网络的全局指数稳定性

研究了S-分布时滞细胞神经网络模型,利用同胚映射、M-矩阵以及Lyapunov函数得到了判断该模型平衡点存在唯一性及全局指数稳定性的实用有效的充分性条件,并给出了实例.     

具有时滞与Beddington-DeAngelis发生率的多易感种群的传染病模型研究

主要研究一类具有时滞与Beddington-DeAngelis发生率的多易感群体的传染病模型,得到基本再生数■.通过构造Lyapunov泛函和LaSalle不变原理对系统的稳定性进行了研究,得到了平衡点的全局渐近稳定条件.进行系统的数值仿真分析对结果验证.     

Exponential stability and periodic solutions of delayed cellular neural networks

A set of criteria are presented for the global exponential stability and the existence of periodic solutions of delayed cellular neural networks (DCNNs) by constructing suitable Lyapunov function-als, introducing many parameters qij* , rij* , qij, rij∈ R and wi>0 (i, j = 1, 2, …, n) and combining them with the elementary inequality 2ab≤a2 b2 technique. These criteria have important significance in the design and applications of globally stable DCNNs and periodic oscillatory DCNNs. In addition, the results in literature are extended and improved. Two examples are given to illustrate the theory.     

Asymptotical mean square stability of cellular neural networks with random delay

In this paper,the asymptotical mean-square stability analysis problem is considered for a class of cellular neural networks (CNNs) with random delay. Compared with the previous work,the delay is modeled by a continuous-time homogeneous Markov process with a finite number of states. The main purpose of this paper is to establish easily verifiable conditions under which the random delayed cellular neural network is asymptotic mean-square stability. By using some stochastic analysis techniques and Lyapunov-Krasovskii functional,some conditions are derived to ensure that the cellular neural networks with random delay is asymptotical mean-square stability. A numerical example is exploited to show the vadlidness of the established results.     

变时滞神经网络的时滞相关全局渐近稳定新判据

研究了变时滞神经网络的时滞相关渐近稳定性问题。利用Lyapunov-Krasovskii泛函和积分等式方法,提出了此类神经网络有唯一稳定点和全局渐近稳定的充分条件。与已有文献相比,不再要求激活函数单调,并且时滞导数可以不小于1,具有较弱的保守性。算例验证了所给方法的正确性。     

滞后细胞神经网络的鲁棒无源分析

考虑了多胞不确定性滞后细胞神经网络(DCNNs)的无源分析问题。基于近期研究成果和线性矩阵不等式(LMI)技术,给出了一个判定DCNNs无源性的新准则,这个新的准则实现了DCNNs系统矩阵和Lyapunov矩阵的完全分离。当DCNNs所受不确定性为多胞类型的不确定性时,该准则相对于基于二次稳定框架的准则而言,可以降低保守性。数值算例揭示了本文方法的有效性。     

具有混合时滞模糊神经网络的全局指数稳定性分析

主要研究一类具有混合时滞的模糊神经网络.运用不动点定理,M-矩阵理论和一些分析技术,得到了唯一平衡点存在和全局指数稳定的充分条件.实例证明了所得结果的有效性.     

Global stability of interval recurrent neural networks

The robust global exponential stability of a class of interval recurrent neural networks(RNNs) is studied,and a new robust stability criterion is obtained in the form of linear matrix inequality.The problem of robust stability of interval RNNs is transformed into a problem of solving a class of linear matrix inequalities.Thus,the robust stability of interval RNNs can be analyzed by directly using the linear matrix inequalities(LMI) toolbox of MATLAB.Numerical example is given to show the effectiveness of the obtained results.     

神经网络的并行稳定性研究

在不涉及能量函数概念的前提下，该文用初等的方法研究了联接矩阵在非负定、非正定、对称和反对称这４种情况下，对应的神经网络在并行运行方式下的收敛特性。对非对称联接的神经网络，该文讨论了将其对称化的条件。     

Dynamic analysis of stochastic delayed cellular neural networks

Cellular neural networks(CNNs) was introduced byChua and Yang in 1988[1]. This model has attracted in-creasing interest due to its important applications, suchas static image, solving nonlinear algebraic equations,etc. Such applications heavily depend on the dynamicalbehaviors. Thus, the analysis of the dynamical behaviorssuch as stability is a necessary step for practical designof neural networks. Recently, many scientific and tech-nical workers have joined the study fields with great in-te…