离散时间型复值神经网络的全局指数周期性

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M-矩阵理论、不等式技巧和Lya-punov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.

一类变时滞模糊细胞神经网络的全局指数周期性

通过构造合适的Lyapunov泛函和利用Young不等式,研究了一类变时滞模糊细胞神经网络的全局指数周期性,得到了该神经网络周期解存在唯一且全局指数周期的充分条件,给出一个例子说明结论的有效性.

一类延时细胞神经网络的指数周期性与稳定性

细胞神经网络动态行为的研究是细胞神经网络应用的理论基础。对一类具分布延时细胞神经网络,研究了其全局指数周期性与稳定性。在输出函数满足全局Lipschitz连续的条件下,通过构造合适的Lyapunov泛函,给出了延时细胞神经网络全局指数周期性与稳定性的容易验证的充分条件。给出了算例及其仿真结果来验证所得结论,并说明所得结论与文献[16]的结论是相互独立的。

一类时滞区间神经网络的全局鲁棒指数周期性

在不要求激活函数有界,可微和单调的条件下,利用不等式分析技巧和Lyapunov泛函方法讨论了一类时滞区间神经网络的全局鲁棒指数稳定性和周期性,给出了实用有效的判据,推广了有关文献中的结果.

具分布延时细胞神经网络的指数周期与稳定性

研究了具分布延时细胞神经网络的全局指数周期性与指数稳定性。在没有假设激活函数是有界的、可微的、单调增的情况下,通过应用一些新的分析技巧与Halanay-type不等式方法,得到了确保延时细胞神经网络周期解存在唯一且全局指数周期与全局指数稳定的简单的、容易验证的、新的充分条件。并给出了算例及其仿真结果支持所得结论。

多比例时滞细胞神经网络的指数周期性与稳定性

研究了一类具多比例时滞细胞神经网络的全局指数周期性与稳定性.通过变换y(t)=x(e^t)将具多比例时滞的细胞神经网络变换成具常时滞变系数的细胞神经网络,利用一些分析技巧与构造合适的Lyapunov泛函,得到系统的周期解存在唯一且全局指数周期的时滞依赖的充分条件,判断方法简单易验证.并给出了两个例子及其数值仿真结果以支持所得结论.