具有时滞的双向联想记忆(BAM)的神经网络的全局动力学行为

在没有假定关联函数的光滑性,单调性和有界性的条件下,应用Liapunov泛函方法和矩阵代数技术,得到具有常数传输时滞的双向联想记忆(BAM)的神经网络模型平衡点存在性和全局指数稳定性的一些新的充分条件,这些条件可以由网络参数,连接矩阵和关联函数的Lipschitz常数所表示的M矩阵来刻化· 这些结果不仅是简单和实用的。

改进的双向联想记忆网络在凝汽器故障诊断中的应用

在确立凝汽器典型故障知识库的基础上,应用双向联想记忆(BAM)网络对凝汽器进行故障诊断。网络学习算法采用强化系数的多重训练算法。在该算法的作用下,BAM网络将被强化矢量对存储在以此矢量对为中心的Hemming距离为1的邻域里的能量最小点,从而保证矢量对的正确联想。设计了诊断模型,实现了对凝汽器典型故障的诊断,并分析了该模型在实际应用中可能出现的问题。

基于BAM的用户查询与网页匹配的研究

提出一个新匹配的策略使用更加精确和现实的概念以提高过去的基于关键词的匹配策略.根据从各个网页中提取的自然语义概念为每个网页建立1个概念格子.这样概念格由双向联想记忆存储器进行编码以区别于过去复杂概念格建立算法.然后提取这些形式概念中与查询的关键词相关的对象与属性进行匹配操作.

具有时滞的BAM细胞神经网络模型的全局指数稳定性

利用拓扑度理论、推广的Halanaly矩阵时滞微分不等式、Lyapunov原理以及Dini导数, 研究了具有时滞的双向联想记忆细胞神经网络模型的全局指数稳定性。去掉了有关文献中要求输出函数 fj在实数集R上有界的务件,给出了条件要求更弱的判定平衡点的存在唯一性以及全局指数稳定性判 据,推广和改进了前人的相关结论。

连续BAM神经网络的稳定性分析—LMI/BMI方法

对于连续双向联想记忆(BAM)神经网络的平衡点的稳定性问题,目前人们已经得到了很多富有意义的成果。本文提出一种新的神经网络模型-标准神经网络模型(SNNM),利用不同的Lyapunov泛函和S方法推导出基于线性/双线性矩阵不等式(LMI/BMI)的SNNM全局渐近稳定性和全局指数稳定性的充分条件。通过状态的线性变换,将连续BAM神经网络转化为SNNM,并利用有关SNNM的稳定性的一些结论,得到连续BAM神经网络平衡点的全局渐近稳定性和全局指数稳定性的充分条件,这些条件都以LMI或BMI形式给出,容易验证,保守性低。该方法扩展了以前的稳定性结果,同时也适用于其它类型的递归神经网络的稳定性分析。

中立型时变时滞BAM神经网络状态估计器的设计

基于Lyapunov-Krasovskii稳定性理论和积分等式的方法,给出闭环误差系统全局渐近稳定的时滞依赖充分条件,进一步得到状态估计器增益矩阵的表示方法,从而完成对中立型时变时滞BAM神经网络状态估计器的设计,通过仿真算例验证了所得结论的正确性和有效性。

基于FCA与BAM结合的网页匹配方法的研究

在互联网高速发展的今天,搜索引擎成了大家在互联网上获取自己所需要信息的重要工具之一,在搜索引擎中,使用最多的就是基于关键词的匹配策略。采用了形式概念分析(FCA)和双向联想记忆存储器(BAM)结合的研究方法,并对该方法进行了实验,实验表明该方法优于传统的网页匹配方法。

一类具有离散时滞和分布时滞的BAM神经网络的全局耗散分析

研究了带有离散时滞和分布时滞的BAM神经网络的全局耗散性问题;利用Lyapunov稳定性理论和线性矩阵不等式,通过构造Lyapunov泛函,得到了判定具有时变混合时滞的BAM神经网络系统是全局耗散的新准则;通过实例仿真,表明了所得结论的有效性.

多重训练BAM算法中强化系数的解析求取

从ＢＡＭ的能量函数出发推导出强化系数的解析解形式。在强化系数的作用下，ＢＡＭ网络将被强化矢量对存储在以此矢量对为中心Ｈｅｍｍｉｎｇ距离为１的邻域里的能量最小点，从而保证了该矢量对的正确联想．给出了根据此解析算式编制的算法和计算实例．

中立型BAM神经网络的鲁棒稳定性分析

本文主要研究不确定中立型BAM神经网络的鲁棒渐近稳定性问题,不确定参数具有较范数有界更一般的线性分式形式,考虑了中立时滞与状态时滞不相等的情况,激励函数只要求满足有界和全局李普希兹条件,通过构造一个新的Lyapunov泛函,利用Lyapunov-Krasovskii稳定性理论和一些不等式技术,得到了具有较小约束的时滞中立型BAM神经网络的鲁棒渐近稳定性条件,这个充分条件以线性矩阵不等式的形式给出,容易验证。最后,通过数值实例验证了所提算法的正确性和保守性。

BAM神经网络概周期解的存在性

本文利用巴拿赫不动点定理,得到了BAM神经网络存在唯一概周期解的充分条件。该结果改进了文[9]的结果,并有助于设计具有概周期振动解的BAM神经网络。

连续双向联想记忆网络的渐近稳定性

本文研究了连续双向联想记忆(BAM)神经网络的渐近稳定性,得出了几个定理.所得到的结论对于BAM的设计和应用都很有意义.

时滞标准神经网络模型及其应用

提出一种新的神经网络模型—时滞标准神经网络模型(DSNNM),它由线性动力学系统和有界静态时滞非线性算子连接而成.利用不同的Lyapunov 泛函和S 方法推导出DSNNM 全局渐近稳定性和全局指数稳定性的充分条件,这些条件可表示为线性矩阵不等式(LMI)形式.大多数时滞(或非时滞)动态神经网络(DANN)稳定性分析或神经网络控制系统都可以转化为DSNNM,以便用统一的方法进行稳定性分析或镇定控制.从DSNNM 应用于时滞联想记忆(BAM)神经网络的稳定性分析以及PH 中和过程神经控制器的综合实例, 可以看出,得到的稳定性判据扩展并改进了以往文献中的稳定性定理,而且可将稳定性分析推广到非线性控制系统的综合.

离散指数型BAM网络的记忆容量

基于Kosko的双向联想记忆模型BAM(bidirectional associative memory)原理,本文提出了一个离散指数型双向联想记忆模型。通过理论分析证实,该模型的记忆容量远远大于BAM的记忆容量。本文给出了指数型BAM记忆容量的下界。

时变时滞BAM神经网络系统的指数稳定性分析

利用Lyapunov稳定性理论和线性矩阵不等式技术,得到了保证时变时滞BAM神经网络系统指数稳定性的时滞依赖稳定性准则.所给的准则可用Matlab中的LMI控制工具箱进行验证.仿真实例进一步说明了结果的有效性.

连续型BAM神经网络的指数稳定性

首先将连续型双向联想记忆神经网络转化成一个特殊的 Ｈｏｐｆｉｅｌｄ网络模型．在此基础上，对连续ＢＡＭ神经网络的指数稳定性进行了新的分析，证明了神经网络连接权矩阵在给定的约束条件下有唯一平衡点．所做的分析可以用于设计全局指数稳定的神经网络．