【摘要】：神經(jīng)網(wǎng)絡(luò)已成功用到各個(gè)領(lǐng)域,如信號(hào)處理、模式識(shí)別、聯(lián)想記憶控制和其他領(lǐng)域。因此研究神經(jīng)網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定性具有重要意義和研究?jī)r(jià)值。在現(xiàn)實(shí)中,時(shí)滯系統(tǒng)是經(jīng)常出現(xiàn)在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中,其中時(shí)間延遲往往是不穩(wěn)定和振蕩的來(lái)源。本文主要對(duì)一類帶有時(shí)變時(shí)滯神經(jīng)網(wǎng)絡(luò)進(jìn)行性態(tài)分析,基于泛函微分方程和Lypunov穩(wěn)定性定理論討論了兩類不同的神經(jīng)網(wǎng)絡(luò)模型,得到了下面研究成果:首先討論了帶有時(shí)變時(shí)滯和隨機(jī)擾動(dòng)的脈沖神經(jīng)網(wǎng)絡(luò)的無(wú)源性問(wèn)題,在神經(jīng)元激活函數(shù)和時(shí)變時(shí)滯的條件下,通過(guò)構(gòu)造全新的Lyapunov-krasovskii泛函,靈巧的應(yīng)用矩陣不等式等方法,提出了一些新的時(shí)滯依賴的無(wú)源性條件。這些無(wú)源性條件是根據(jù)矩陣不等式提出的,這可以很容易的通過(guò)標(biāo)準(zhǔn)的數(shù)學(xué)軟件驗(yàn)證,得出了在一定條件下帶有時(shí)變時(shí)滯和隨機(jī)擾動(dòng)的脈沖神經(jīng)網(wǎng)絡(luò)是無(wú)源的,這個(gè)結(jié)果也可以拓展到其它具有脈沖干擾的更復(fù)雜的神經(jīng)網(wǎng)絡(luò)系統(tǒng)中。其次研究了一類具有時(shí)變時(shí)滯的隨機(jī)擾動(dòng)神經(jīng)網(wǎng)絡(luò)系統(tǒng)的指數(shù)無(wú)源性問(wèn)題,通過(guò)構(gòu)造全新的Lyapunov-krasovskii泛函,應(yīng)用矩陣不等式等方法,得到了帶有時(shí)變時(shí)滯和不定項(xiàng)的隨機(jī)神經(jīng)網(wǎng)絡(luò)的指數(shù)無(wú)源性的條件。然后將結(jié)果推廣到兩種類型的不確定性:時(shí)變參數(shù)不確定性和不確定性的馬爾可夫切換型,得到指數(shù)無(wú)源性成立的條件,值得一提的是,馬爾可夫切換的隨機(jī)神經(jīng)網(wǎng)絡(luò)的指數(shù)無(wú)源性包含無(wú)馬爾可夫切換的神經(jīng)網(wǎng)絡(luò)作為特殊情況,最后結(jié)果的可行性可以通過(guò)兩個(gè)數(shù)值例子來(lái)進(jìn)行檢驗(yàn)。
文內(nèi)圖片：
圖片說(shuō)明： T1 2= , ,n ， Tnx txt,xt,,xt12 ，， 1 2C= , , ,ndiag c c c， ijn nA a , ijn nB b ， 1 2, , ,Tnu t u t u t u t， 1 2, , ,Tny t y t y t y t， 1 1 2 2, , ,n nf x f x f x f x TkkkkkknknkExtExtExtExt ,,,1122 。因此，神經(jīng)網(wǎng)絡(luò)(1-1)又可寫(xiě)為： ytfxtxtExtkNCxtAfxtBfxttutttdtdxtkkkk, ,
文內(nèi)圖片：
圖片說(shuō)明： 圖 1-2 脈沖神經(jīng)網(wǎng)絡(luò)從圖中可以看出脈沖神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)的神經(jīng)元模型不同。在經(jīng)網(wǎng)絡(luò)中，神經(jīng)元的計(jì)算模型大致是這樣，各層之間傳遞的是一個(gè)個(gè)值沖神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元傳遞的是單個(gè)脈沖，每個(gè)神經(jīng)元有一個(gè)膜電壓，經(jīng)元接受輸入脈沖，會(huì)導(dǎo)致膜電壓發(fā)生變化（興奮的神經(jīng)元起正向作用神經(jīng)元起反向作用）。如果神經(jīng)元的膜電壓達(dá)到一個(gè)閾值，它會(huì)發(fā)送一這個(gè)脈沖再向后傳達(dá) 3-5。由于脈沖神經(jīng)網(wǎng)絡(luò)傳遞的是一個(gè)個(gè)脈沖，它們組成了一個(gè)脈沖序列，單間的時(shí)間間隔不一定，脈沖序列中蘊(yùn)含了時(shí)間的信息，這是傳統(tǒng)的人工所不能表達(dá)的。除此之外，脈沖神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元只有接收到一個(gè)脈沖時(shí)，才需算，功耗更低，計(jì)算更快；而傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)需要一層層的計(jì)算，計(jì)很多。因此，我們研究脈沖神經(jīng)網(wǎng)絡(luò)是非常有必要的。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：O175

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 ;Passivity Analysis of Impulsive Complex Networks[J];International Journal of Automation & Computing;2011年04期

本文編號(hào)：2515810