基于忆阻的时滞递归神经网络的动力学研究与同步控制-dynamic research and synchronous control of delayed recurrent neural networks based on memristor.docxVIP

盖满足Lipschitz条件的函数, 因此, 拓展了现有的一些相关结果. 数值仿真算例也说明 文中所得结果的正确性和优越性.讨 论 了 带 周 期 外 部 输 入 的 基 于 忆 阻 的 时 滞 递 归 神 经 网 络 的 周 期 稳 定 性. 在Filippov解 的 框 架 下, 通 过 运 用 不 动 点 理 论, 证 明 了 系 统 周 期 解 的 存 在 性, 并 通 过构建适当的Lyapunov泛函以及运用Young不等式, 在p-范数(p ≥ 2)的基础上, 得到了 带周期外部输入的基于忆阻的时滞递归神经网络全局周期稳定的代数判据, 这些判据 深刻揭示了带周期外部输入的基于忆阻的时滞递归神经网络的周期动力学机理.研究了一类带常外部输入的基于忆阻的时滞神经网络, 通过设计一种连续状态 反馈控制器, 建立了此类基于忆阻的时滞神经网络指数同步控制的方法, 并构建适当 的Lyapunov泛函, 在p-范数(p ≥ 2)的基础上, 给出了此类基于忆阻的时滞神经网络同 步的代数判据, 这些判据揭示了此类基于忆阻的时滞神经网络同步的内在机理. 由于 基于忆阻的时滞神经网络的右端不连续性表现出更加复杂的混沌动力学行为, 其信号 更加难以破译, 因此, 这些结果可望用于保密通信, 使信息传输更加安全.本文针对一类基于忆阻的时滞递归神经网络, 设计一种周期间歇反馈控制器, 通 过构建适当的Lyapunov泛函, 在p-范数(p ≥ 1)的基础上, 得到了此类基于忆阻时滞神 经网络指数同步的代数判据. 与连续状态反馈控制相比, 周期间歇反馈控制更加经济. 与在2-范数基础上研究基于忆阻的时滞神经网络同步的结果相比, 本文所得结果更具 一般性, 且这些判据中包含更多的参变量, 显示出了自身的灵活性和优越性.关键词：忆阻, 神经网络, 全局稳定性, 周期稳定, 指数镇定, 同步控制, 间歇控制AbstractThe researches about memristor and memristor-based nonlinear systems have devel- oped rapidly since the invention of a TiO2-based practical memristor device by scientists of Hewlett-Packard Laboratory in 2008. The memristor-based neural network systems which are established from the circuit (VLSI Circuits) systems becoming the focus of research. The studies of memristor-based neural network systems can help to understand the behav- ior of many nonlinear systems, such as physical and biological systems. Memristor-based neural systems are presenting tremendous potential because of memristor has the follow- ing features: memory characteristics, nano size, low power consumption and fast switch- ing. Generally speaking, the previous development of theory is the basis of the research and development of technology, therefore, theoretical research on the dynamic behaviors of memristor-based neural systems pave the way for it applied to various fields.At present, there are a lot of results on the dynamical behaviors of neural networks with continuous right-hand side. However, memristor-based neural networks are the dy- namic systems with discontinuous right-hand side. So, the cl