随机时滞Hopfield神经网络数值解的稳定性研究.pdfVIP

中原工学院硕士学位论文

随机时滞Hopfield神经网络数值解的稳定性研究

专业：电子信息

硕士研究生：秦国栋

指导教师：刘凯副教授方建印教授史志杰高工

摘要

随机时滞Hopfield神经网络在神经网络模型的基础上增加随机项，考虑包含Brown

运动的随机因素，同时考虑了信息在神经元突触之间传递的时间延迟，在理论研究和

实际应用中都具有重要意义。因此，广泛用于多个领域中的系统模型，例如关联内容

寻址记忆，模式识别和优化，图像和信号处理等领域。在这些领域的研究中，系统的

稳定性是保证其有效运行和性能发挥的关键因素。对于随机时滞Hopfield神经网络而

言，其稳定性分析已经发展出多种类型的稳定性准则，包括渐近稳定性、矩稳定性、

指数稳定性等。然而，大多数具有非线性项的随机时滞Hopfield神经网络可能没有显

式解。因此，采用离散化的数值近似方法来研究系统的稳定性非常关键。本文主要研

究随机时滞Hopfield神经网络数值方法的稳定性，主要包括三个部分的内容：第一部

分是随机时滞Hopfield神经网络两类θ方法的稳定性研究；第二部分是中立型随机时滞

Hopfield神经网络两类θ方法的稳定性研究；第三部分研究随机时滞Hopfield神经网络

Euler-Maruyama(EM)方法以及backwardEuler-Maruyama(BEM)方法的稳定性。具体研

究内容如下。

(1)针对随机时滞Hopfield神经网络，在全局Lipschitz条件下研究两类方法的一

θ

般衰减率稳定性，即分步方法和随机线性方法的一般衰减率稳定性。在合理的假设

θθ

下，证明当θ∈0,1/2时，存在步长上限h，使得h∈0,h时，分步方法和随机线性

[)i(i)θ

θ方法是一般衰减率稳定的。当θ∈1/2,1时，对于任意步长，随机时滞Hopfield神经

[]

网络θ方法是一般衰减率稳定的。最后通过数值仿真验证结论的有效性。

(2)研究带有中立项的随机时滞Hopfield神经网络数值解的稳定性，与一般随机时

滞Hopfield神经网络相比，不仅考虑了带有时滞的状态项，也考虑了时滞状态项的导

数，即中立项，相比而言具有更广泛的实际应用。在全局Lipschitz条件以及压缩映射

下，证明当θ∈0,1/2时，存在依赖于漂移和扩散系数的步长上限h，使得h∈0,h

[)i(i)

时，分步方法和随机线性方法是一般衰减率稳定的。当θ∈1/2,1时，对于任意步

θθ[]

长，中立型随机时滞Hopfield神经网络两类方法都是一般衰减率稳定的。最后结合

hθ

数值仿真验证结果的有效性。

(3)研究随机时滞Hopfield神经网络EM方法以及BEM方法的稳定性问题，证明存

在步长上限h，当h∈0,h时，EM方法是一般衰减率稳定的。对于任意的步长，

i(i)h