一类双向联记忆神经网络的动力学行为研究.pdfVIP

内 容 摘 要 由于神经网络本身具有的非线性映射能力、自组织学习能力、联想记忆能力、并 行信息处理方式及其良好的容错性能，使得神经网络在模式识别、图像及语音信号处 理、人工智能控制等领域得到成功的应用．而在具体应用神经网络时，人们总是希望 神经网络有非常快的全局收敛特性、大范围的映射泛化能力和较少的实现代价． 本文将以一类具有变时滞和连续分布时滞的 Cohen-Grossberg 型双向联想记忆 （BAM ）神经网络模型为研究基础，在激活函数满足李普希兹条件下，研究其平衡 点的存在性和全局指数稳定性，指数收敛率估计，周期解的存在性和全局指数吸引 性．同时，研究简化模型的Hopf 分岔现象．全文共分五章． 第一章概述了目前双向联想记忆神经网络模型和 Cohen-Grossberg 神经网络的 研究现状以及现有的研究方法． 第二章研究了具有变时滞和分布时滞的 Cohen-Grossberg 型双向联想记忆神经 网络模型平衡点的存在性和全局指数稳定性问题．依据压缩映象定理分析该模型平衡 点的存在性，并根据时滞的特性将全局指数稳定性的分析分为两种情况，分别构造适 当的 Lyapunov-Krasovskii 泛函得到