论文部分内容阅读
本文通过运用拓扑度理论,同胚映射原理,新型不等式技巧及Lypaunov泛函等相方法对几类神经网络模型平衡点的存在性和全局稳定性进行了研究,建立了易于验证的LMI条件,所得结论削弱了已有结果中的条件,从而对于设计实用稳定的神经网络系统具有重要的理论指导意义.在最后两章,本文还对双权值神经网络的逼近误差估计问题进行了研究.全文内容共分为六章.在第1章,本文首先阐述了人工神经网络及其结构.然后,介绍了本文所要研究的几类神经网络模型,并对研究背景及本文所做的主要工作进行了说明.在这一章最后,给出了本文需要用到的一些记号和几个引理.在第2章,在去除现有文献中关于激励函数的有界性和单调性假设,对激励函数仅要求满足全局Lipschitz条件的情况下,利用度理论、新型不等式技巧和构造Lyapunov泛函等方法,对具反应扩散项和分布时滞的BAM神经网络,获得了系统平衡点的存在性和全局渐近稳定性的基于LMI的相同的充分条件,并给出了实例和数值模拟以说明结论的有效性.在第3章和第4章,分别对具时滞的惯性BAM神经网络和Cohen-Grossberg神经网络使用不同于第2章的方法证明了平衡点的存在唯一性和全局指数稳定性.首先通过变量替换把系统化为一阶微分方程,然后利用同胚映射原理,新型不等式和构造适当的Lyapunov泛函等方法建立了系统基于LMI的充分条件,并在第3章,对BAM神经网络去除了现有文献中关于激励函数的有界性假设,而对激励函数仅要求满足全局Lipschitz条件；在第4章,对Cohen-Grossberg神经网络去除了现有文献中关于行为函数可微性和单调性的假设,对行为函数仅要求满足全局Lipschitz条件.由于Cohen-Grossberg神经网络的放大函数的非线性性增大了系统稳定性分析的难度,因此,第3章和第4章在处理方法和难度上有所不同.在这两章最后都给出了实例说明和数值模拟.在第5章,构造了一类具单隐层的双权值神经网络,并以光滑模为度量工具,运用不等式技巧证明了在隐层节点数充分大时,这类神经网络在Lp度量空间中可以任意地逼近任何非线性Lp可积函数,且其逼近能力要优于在现有文献中所构造的BP神经网络.本章所得结果还去除了现有文献中关于激励函数为奇函数的假设,而且所构造的双权值神经网络的阂值和方向权值也与现有文献中的不同.在第6章,构造了一类新的具S形函数的双权值神经网络,并以连续模为度量工具,利用Fourier级数、单位分解逼近技巧和不等式方法,证明了只要隐层节点的数目充分大,具S形函数的双权值神经网络就可以任意地逼近非线性连续函数,而且它的逼近能力要优于现有文献中构造的BP神经网络.