混合变时滞不确定中立型系统鲁棒稳定性分析

研究一类含混合变时滞不确定中立系统时滞相关鲁棒稳定性问题。基于时滞中点值,把时滞区间均分成两部分,通过构造包含时滞中点信息的增广泛函和三重积分项的Lyapunov-Krasovskii (L-K)泛函,利用L-K稳定性定理、积分不等式方法和自由权矩阵技术,建立了一种基于线性矩阵不等式(LMI)的、与离散时滞和中立时滞均相关的鲁棒稳定性判据。数值算例表明,该判据改善了已有文献的结论,具有更低的保守性。     

不确定时变时滞连续Hopfield神经网络的鲁棒稳定性

本文研究了时变时滞连续Hopfield神经网络存在有界参数不确定时的稳定性问题,提出了保证该网络鲁棒稳定的代数Riccati方程(ARE)设计算法.而忽略时滞或忽略参数不确定,则得到有别于以往结果的各种有关参数不确定连续Hopfield神经网络稳定性的定理.     

含离散与分布时滞的不确定中立型系统鲁棒稳定性新判据

基于离散时滞分解思想,通过构造一种新的Lyapunov-Krasovskii泛函并结合Jensen不等式技巧,建立了线性矩阵不等式(LMI)形式的时滞相关鲁棒稳定性新判据.该方法允许中立时滞项的系数矩阵存在时变不确定性,增强了系统的鲁棒性能.同时针对分布时滞项难于处理的问题,构造了其分解计算泛函.数值算例表明所得结论的有效性和更低的保守性.     

分数阶中立型时变时滞神经网络的全局渐近稳定性

本文研究了一类分数阶中立型时变时滞神经网络的全局渐近稳定性问题.首先,本文提出了一类含有时变时滞的分数阶中立型神经网络模型,该模型含有分数阶微分项和时变时滞;其次,基于Lyapunov泛函理论、线性矩阵不等式方法,本文深入研究了该模型的全局渐进稳定性问题,推导出了新的该模型的稳定性判据;最后,通过4个实例验证了所得的稳定性判据的可行性.本文研究为含有时变时滞的分数阶中立型神经网络的稳定性研究提供了新的依据.     

中立型变时滞系统的鲁棒稳定性

考虑不确定中立型变时滞系统的鲁棒稳定性问题. 首先, 引入新的变量来代替系统的不确定性; 然后, 通过构造一般形式的Lyapunov-Krasovskii泛函、使用积分不等式并引入自由矩阵, 得到了基于线性矩阵不等式的系统稳定性判据. 该结论与中立型时滞, 离散时滞及其导数均相关, 具有较小的保守性. 最后, 通过仿真算例说明了所得到的结论在保守性上优于现存的结果以及中立型时滞, 离散时滞及其导数三者之间的关系.     

变时滞不确定中立型系统鲁棒稳定新判据

在工程实际当中,时变时滞和不确定的存在往往使得系统的性能变差甚至不稳定。针对一类含混合变时滞的不确定中立系统,研究了时滞相关鲁棒稳定性问题。在考虑不确定性为泛数有界的条件下,首先通过构造包含三重积分项的Lyapunov-Krasovskii(L-K)的泛函,其次利用新的积分不等式更紧的界定条件,引入相关项自由权矩阵的方法,处理泛函沿系统的导数产生的交叉项,建立了基于线性矩阵不等式(LMI)形式的鲁棒稳定新判据。该方法不涉及复杂的模型变换,减小了理论推导和计算上的复杂性,所提出判据与离散时滞和中立时滞均相关,且扩大了系统稳定所允许的最大时滞上界范围,具有更低的保守性。仿真算例表明所提出的稳定性判据是有效的。     

混合时滞不确定中立系统鲁棒稳定的时滞分割方法

研究了一类同时具有离散与分布时滞的不确定中市型系统的鲁棒稳定性问题.基于时滞分割思想,通过构造一类特殊的Lyapunov-Krasovskii泛函,并利用Jensen不等式,建立了线性矩阵不等式形式的时滞相关鲁棒稳定性新判据.该方法不涉及模型变换与自由权矩阵技术,减少了理论与计算上的复杂性;同时允许中立时滞项的系数矩阵...     

一类不确定中立型变时滞系统的鲁棒稳定性

研究了一类不确定中立型变时滞系统的鲁棒稳定性问题。不确定性满足范数有界条件且时变。基于Lyapunov和自由权矩阵的方法,得到了系统的鲁棒稳定性判据,并表示成线性矩阵不等式的形式。最后,仿真结果表明本结论比一些现存的结果有了重要提高。     

不确定离散时滞中立神经网络鲁棒稳定性分析

针对一类具有离散时滞和参数范数有界的不确定性中立神经网络的全局渐近鲁棒稳定性问题,通过应用范数和矩阵不等式分析方法,构造合适的Lyapunov-Krasovskii泛函,得到了新的与时滞无关的稳定性充分条件。该条件能够保证离散时滞中立神经网络在平衡点全局渐近鲁棒稳定。与现有文献中大多数LMI形式的稳定性准则不同,该稳定性判定准则中未知参数少且计算复杂度低,易于计算验证。最后,一个仿真算例验证了结论的有效性。     

具有时变时滞不确定大系统的鲁棒稳定性判据

研究具有时变时滞的不确定大系统的鲁棒稳定性,利用Lyapunov泛函方法．给出该系统鲁棒稳定的充分性判别条件,并结合算例验证了所得结果的有效性和低保守性。     

具有时变时滞的递归神经网络的渐近稳定性分析

当神经网络应用于最优化计算时,理想的情形是只有一个全局渐近稳定的平衡点,并且以指数速度趋近于平衡点,从而减少神经网络所需计算时间.研究了带时变时滞的递归神经网络的全局渐近稳定性.首先将要研究的模型转化为描述系统模型,然后利用Lyapunov-Krasovskii稳定性定理、线性矩阵不等式(LMI)技术、S过程和代数不等式方法,得到了确保时变时滞递归神经网络渐近稳定性的新的充分条件,并将它应用于常时滞神经网络和时滞细胞神经网络模型,分别得到了相应的全局渐近稳定性条件.理论分析和数值模拟显示,所得结果为时滞递归神经网络提供了新的稳定性判定准则.     

不确定双向联想记忆神经网络的稳定性分析

对双向联想记忆神经网络研究了平衡点的鲁棒稳定性.该网络的参数不确定,并且有时变时滞.当神经网络的激励函数满足Lipschitz连续性条件时,通过选取合适的Lyapunov-Krasovskii函数,建立了两个全局鲁棒稳定判据.由于这些判据考虑了神经元激励作用和抑制作用对网络的影响,他们和时变时滞的数值无关,并且易于使用内点算法进行检验.在注释中和已有的结果进行了对比.两个数值例子展示了所得结果的有效性.     

一类状态及输入均有区间变时滞的线性系统之镇定

对一类同时具有状态和输入变时滞的线性系统(x)(t)=Ax(t) A1x(t-τ1(t)) B1u(t) B2υ(t-τ2(t)),利用一种时滞划分形式的Lyapunov-Krasovskii泛函讨论其镇定问题.得到通过状态反馈控制使闭环系统稳定的时滞相关的镇定准则.对(A,B1)和(A A1,B1)都不可控的数值实例,利用本文给出的准则都能得到有效的控制.     

New delay-dependent criterion for the stability of recurrent neural networks with time-varying delay

This paper is concerned with the global asymptotic stability of a class of recurrent neural networks with interval time-varying delay. By constructing a suitable Lyapunov functional, a new criterion is established to ensure the global asymptotic stability of the concerned neural networks, which can be expressed in the form of linear matrix inequality and independent of the size of derivative of time varying delay. Two numerical examples show the effectiveness of the obtained results. Supported by the National Natural Science Foundation of China (Grant Nos. 60534010, 60728307, 60774048, 60774093), the Program for Cheung Kong Scholars and Innovative Research Groups of China (Grant No. 60521003) and the National High-Tech Research & Development Program of China (Grant No. 2006AA04Z183), China Postdoctoral Sciencer Foundation (Grant No. 20080431150), and the Specialized Research Fund for the Doctoral Program of Higher Education of China (Grant No. 200801451096)     

Passive learning and input-to-state stability of switched Hopfield neural networks with time-delay

In this paper, we propose a new passive weight learning law for switched Hopfield neural networks with time-delay under parametric uncertainty. Based on the proposed passive learning law, some new stability results, such as asymptotical stability, input-to-state stability (ISS), and bounded input-bounded output (BIBO) stability, are presented. An existence condition for the passive weight learning law of switched Hopfield neural networks is expressed in terms of strict linear matrix inequality (LMI). Finally, numerical examples are provided to illustrate our results.     

Stochastic stability analysis for neutral-type Markov jump neural networks with additive time-varying delays via a new reciprocally convex combination inequality

This paper investigates the stochastic stability problem for a class of neutral-type Markov jump neural networks with additive time-varying delays. Firstly, to derive a tighter lower bound of the reciprocally convex quadratic terms, a new reciprocally convex combination inequality is established by using parameters transformation approach. Secondly, by fully considering the peculiarity of various time-varying delays and Markov jumping parameters, an eligible stochastic Lyapunov–Krasovskii functional is constructed. Then, by employing the new reciprocally convex combination inequality and other analytical techniques, some novel stability criteria are provided in the forms of linear matrix inequalities. Finally, four illustrated examples are given to verify the effectiveness and feasibility of the proposed methods.     

变时滞神经网络指数同步性的LMI新条件

研究了一类具有变时滞的非线性混沌神经网络的指数同步性问题。应用线性矩阵不等式和Lyapunov泛函方法;得到了具有驱动-响应结构的神经网络的指数同步性准则;建立了判断神经网络同步性的新的充分条件。通过实例说明了该方法的可行性和有效性。