离散时间型复值神经网络的全局指数周期性.pdfVIP

　 ， ３４ ９ Ａｐｐｌｉｅｄ Ｍａｔｈｅｍａｔｉｃｓ ａｎｄ Ｍｅｃｈａｎｉｃｓ　 　 ２０１３年９月１５ 日出版 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 Ｖｏｌ．３４，Ｎｏ．９，Ｓｅｐ．１５，２０１３ 文章编号：１０００⁃０８８７（２０１３）０９⁃０９２９⁃１２ ⓒ 应用数学和力学编委会，ＩＳＳＮ １０００⁃０８８７ 离散时间型复值神经网络的 全局指数周期性∗ 胡　 进，　 宋乾坤 （重庆交通大学 理学院，重庆４０００７４） （我刊编委宋乾坤来稿） 摘要：　 复值神经网络是神经网络的一个分支，也是最近几年快速发展的一个领域，在图像处理、 模式识别、联想记忆等方面有广泛的应用．目前，对于复值神经网络动力学方面的研究主要集中在 稳定性上，对于离散时间型复值神经网络周期性的研究还几乎没有．首先将连续时间型复值神经网 络模型离散化得到离散时间型复值神经网络模型，然后利用 矩阵理论、不等式技巧和Ｌｙａｐｕｎｏｖ Ｍ⁃ 方法，获得了全局指数周期性的一个充分条件，最后给出的具有仿真的数值例子验证了获得结果 的有效性． 关　 键　 词：　 离散；　 复值神经网络；　 时滞；　 全局指数周期性 中图分类号：　 Ｏ１７５．１３　 　 　 文献标志码：　 Ａ ＤＯＩ：１０．３８７９／ ｊ．ｉｓｓｎ．１０００⁃０８８７．２０１３．０９．００６ 引　 　 言 近些年来，由于时滞神经网络在信号处理、模式识别、工程优化以及联想处理等方面有着 ［１⁃９］ 广泛的应用，人们对于时滞神经网络的动力学特征展开了广泛的研究 ．在很多应用，如光电 子、语音合成、信息流中，我们必须考虑复信号，从而需要研究复值神经网络，因此一些复值神 经网络的模型纷纷被提出并加以了研究［１０⁃１９］ ，而复值神经网络也可以解决一些实值神经网络 无法解决的问题． 在复值神经网络中，状态变量、连接权及激活函数均为复函数．一般来说，复值神经网络由 于结构上的差异，性质要比实值神经网络更复杂．在实值神经网络中，激活函数ｆ（·）通常选择 ［１７］ 光滑（连续可微）且有界的函数，例如ｓｉｇｍｏｉｄａｌ 函数．然而，在复数域内，根据Ｌｉｏｕｖｉｌｌｅ定理 ， 有界整函数必为常数，即若ｆ（ｚ）在复数域Ｃ 内有界且连续，则ｆ（ｚ）是常数．从而如果我们在复 值神经网络中选择有界解析的函数ｆ（ｚ）作为激活函数，则ｆ（ｚ）在整个复数域Ｃ 内恒为常数， 显然这不符合我们的要求．这就意味着复值神经网络的激活函数不能同时满足有界和解析两 个条件，可见，激活函数是复值神经网络与实值神经网络的最大区别之一，也是研究复值神经 ∗ 收稿日期：　 ２０１３⁃０６⁃１３；修订日期：　 ２０１３⁃０６⁃２２ 基金项目：　 国家自然科学基金资助项 目； 重庆市自然科学基金（重点）资助项 目 （ｃｓｔｃ２０１３ｊｊＢ４０００８） 作者简介：　 胡进（１９８０—），男，湖北襄阳人，讲师，博士（Ｅ⁃ｍａｉｌ：ｖｉｃｔｏｒｊｈｕ＠ｇｍａｉｌ．ｃｏｍ）； 宋乾坤（１９６３—），男，教授，博士（通讯作者． Ｅ⁃ｍａｉｌ：ｑｉａｎｋｕｎｓｏｎｇ＠１６３．ｃｏｍ）． ９２９ ９３０ 胡　 　 进　 　 　 宋　 　 乾　 　 坤 网络的关键，故而很有必要从激活函数入手，对复值神经网络的动力学性质加以研究．在文献 ［１８］中，作者利用Ｌｙａｐｕｎｏｖ泛函和线性矩阵不等