递归神经网络的稳定性分析-应用数学专业论文.docxVIP

独创性声明 本人声明所呈交的学位论文是我个人在导师的指导下进行的研究工作及取得的 研究成果。尽我所知，除文中已标明引用的内容外，本论文不包含任何其他人或集 体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文 中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即： 学校有权 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本论文属于 保密口，在 年解密后适用本授权书。 不保密 口。 （请在以上方框内打“√”） 学位论文作者签名： 日期： 年 月 日 指导教师签名： 日期： 年 月 日 华 中 科 技 大 学 硕 士 学 位 论 文 I I 摘 要 递归神经网络(RNNs)，是一类特殊的非线性动力系统，其发展迅速，并应用在 很多的科学领域，比如模式识别、联想记忆设计等等。这些应用在很大程度上都依 赖于神经网络的动力学行为，这也就意味着我们必须要求这些应用的神经网络的平 衡点是稳定的。正如我们所知道的，时滞现象在实际系统中是经常发生的，并且， 时滞的出现可能会导致会导致系统表现出比较差的状态。另一方面，在递归神经网 络的应用过程中，由于系统的原件损坏，或者是系统所处的环境发生了变化，系统 可能面临着结构或者是参数发生变化。换句话说，我们所研究的系统可能有很多个 子系统，然后根据某一切换规则，系统在这有限个子系统之间进行切换。因而，在 本文中，我们在第二章中研究了一般的带有时变时滞的递归神经网络的全局渐近稳 定性，然后在第三章中我们转而研究带有马尔科夫切换和时变时滞的递归神经网络 的指数稳定性分析。而且，我们通过给出一个推论来说明我们的结果所应用的范围 更广泛，我们所提出的方法的保守性更低。在论文的证明过程中，我们尝试构建了 一个比较新颖的 Lyapunov 泛函，这个泛函充分的使用了时滞的信息，由一系列线性 矩阵不等式表示的一个新的指数稳定性准则被获得。在文章中定理的证明过程中， 我们利用了凸分析这个有利的工具，其有效地提升了文章的稳定性分析，并且显著 地降低了保守性。文章最后给出了一个具体实例来证明了我们所提出的方法的可行 性和有效性。 关键词：递归神经网络; 马尔科夫切换; 指数稳定性; 凸分析 II II Abstract Recurrent neural networks (RNNs), as a special case of nonlinear dynamical systems, have been developed and applied in many scientific areas such as pattern recognition, associative memory design and so on. Most of these applications are extremely dependent on the dynamic behaviors of the given neural networks, which means that we should require the equilibrium points of the recurrent neural networks to be stable. As we all know that time delays commonly exist in many real-world systems, and the presence of time delays may degrade performance of the systems. On the other hand, in the applications of RNNs, systems may be faced with sudden variations in their structures and parameters due to component breakdown, or the abrupt change of the environment. What is to say, the RNNs may have finite modes and jump from one mode to another one according to a certain regulation. Therefore, in th