时滞Cohen-Grossberg神经网络的稳定性分析.pdfVIP

摘要 神经网络在信号处理，动态图像处理，人工智能和全局优化等问 题中有非常重要的作用。近年来，神经网络的动力学问题引起了学术 界的广泛关注。神经网络平衡解或周期解的稳定性(包括渐近稳定性、 指数稳定性、绝对稳定性、周期稳定性等)有深入的研究，也得到了 一系列深刻的结果。在稳定性的研究中，最广泛使用的方法是 Lyapunov方法，它把稳定性问题变为某些适当地定义在系统轨迹上 的泛函稳定性问题，并通过这些泛函取得相应的稳定性条件。这些稳 定性条件就其表述形式至少可分为四种，即参数的代数不等式、系数 矩阵的范数不等式、矩阵不等式和线性矩阵不等式(LⅦ)等。 题，首先在不要求激活函数可微和有界的情况下，利用线性矩阵不等 式(LⅦ)结构和同胚定理证明了平衡解的存在唯一性，得到了一个 依赖于时滞的充分条件保证了解的全局渐近稳定性。接着，我们用一 网络的全局渐进稳定性，利用文献[67]的证明方法，得到了一个新的 用线性矩阵不等式表示的条件保证了解的存在唯一性及时滞独立的 全局渐近稳定性。这一方法的特点是在线性矩阵不等式的条件中引入 了一些辅助的矩阵项，使我们的分析具有灵活性。这些方法同样适用 于时滞CGNN模型的特殊模型时滞Hopfield神经网络，可以证明它的 平衡解的全局渐近稳定及存在唯一性。 不等式，Lyapunov泛函 ABSTRACT an rolein and Neuralnetworks playimportantsignalimageproces— and andmore sing，artificialintelligenceoptimization．Recently，more attentionshavebeen tothe ofthe ofneuralnetworks． paid study dynamics The neuralnetworksfor of and researcheson stabilityequilibrium solutionhavebeen periodic asymptoticstability, deepened(including SOon)，and exponentialstability,absolutestability,periodicstability,and aseriesof resultshaveobtained．Inthe of significant studystability,the mostcommonmethodis some Lyapunovapproach，whichchanges intothefunctionaldefinedon trajectoryproperly． stability stability system And thisfunctionalweobtain conditions， through correspondingstability Can into formsat whichbedividedfour least，thatis，t