混沌神经网络的全局指数同步.doc

时变时滞混沌神经网络的全局指数同步 林静 张继业 张克跃 [摘要] 本文提出一种时变混沌神经网络的同步策略，这类混沌神经网络包括Hopfield神经网络和细胞神经网络。利用驱动－响应原理，提出两个结构相同的混沌神经网络的全局指数同步控制法则。更进一步，基于Lyapunov矢量函数和M矩阵理论，获得该网络的全局指数同步充分条件。所得同步条件易于验证。最后，举例仿真证明方法的可行性。 [关键词] 混沌神经网络 时滞误差反馈 全局指数同步 混沌同步 Global Exponential Synchronization of A Class of Chaotic Neural Networks with Time-Varying Delays LIN Jing, ZHANG Jiye, ZHANG Keyue National Traction Power Laboratory, Southwest Jiaotong University Chengdu 610031, P. R. China [Abstract] This paper aims to present a synchronization scheme for a class of chaotic neural networks with time-varying delays, which covers the Hopfield neural networks and cellular neural networks. Using the drive-response concept, a control law of two identical chaotic neural networks is derived to achieve the exponential synchronization. Furthermore, based on the idea of vector Lyapunov function, and M-matrix theory, the sufficient conditions for global exponential synchronization of a class of chaotic neural networks are obtained. The synchronization conditions are easy to verify. Finally, some chaotic neural networks with time-varying delays are given as examples for illustration. [Key word] chaotic neural networks delay error feedback globally exponential synchronizing chaos synchronizing 近年来, 基于Pecora和Caroll提出的两个混沌网络达到同步的驱动－响应概念[1]，混沌控制和同步得到了广泛关注和深入研究。众多学者提出了不同的方法并成功地应用到混沌同步中去[2,3]。比较常用的就是利用混沌驱动系统的状态变量做为混沌响应系统的驱动输入，在设定的条件下，响应系统与驱动系统逐渐达到同步。另一方面，Hopfield神经网络和细胞神经网络在近年来被广泛的研究[4-7]。这些神经网络当选择适当的参数和时滞，会出现复杂的动态行为，甚至混沌现象。各种神经网络的稳定性分析已有大量成果[8,9], 然而对这混沌神经网络同步问题的研究却只有很少结果[10]。本文提出了一种基于M-矩阵理论和Lyapunov函数的混沌神经网络同步方法, 给出了混沌神经网络全局指数同步的充分条件。 1 系统描述和同步问题 1.1 混沌神经网络描述 时滞混沌神经网络由下面的微分方程表示： () (1) 式中：表示神经元数量；是第i个神经元的状态变量；是自反馈函数；是神经元之间的激活函数；反馈矩阵是网络连接权重；是与时滞相关的网络连接权重，() ()；是输入常量。 神经网络(1)中的函数满足以下假设： 假设(A1). 函数：，是全局Lipschitz连续的，即存在常数0满足不等式： () 假设(A2). 函数：，是全局Lipschitz连续和存在常数，在条件下，满足不等式： () 方程(1)可以描述几种著名的神经网络，例如：Hopfield神经网络和细胞神经网络[6]，如果，, 方程(1)描述的就是Hopfield神经网络的动态系统，如果，, 方程(1)描述的就是细胞神经网络的动态系统。 研究此类神经网络，选择适当的矢量矩阵A和B, 以