噪声扰动下的广义时滞细胞神经网络稳定性分析

本文考虑到不可避免的噪声干扰,针对一类广义时滞细胞神经网络,引入随机扰动项,利用随机微分方程理论,It积分性质及分析技巧,研究了该系统在噪声扰动下的稳定性问题,并分别给出了判定平衡点全局稳定及全局指数稳定的充分条件.其结果以不等式形式给出,便于结论验证.最后,本文给出了主要定理的一个实例,表明结论的有效性.

基于Lévy噪声的混合时滞中立型神经网络自适应同步研究

研究了带有Lévy噪声的混合时滞随机中立型神经网络的自适应同步问题.Lévy噪声的提出,使得网络里的噪声干扰由Gauss过程和Poisson点过程两部分组成,同时包含了连续的扰动和不连续的突触噪声.通过建立新的Lyapunov泛函,使用Itos公式以及不等式分析方法,得到误差系统的稳定性条件,给出了反馈控制器的更新率,从而进一步保证响应系统和驱动系统的自适应同步.最后,提供了一个数值实例,通过MATLAB相关仿真,说明前文所得结果的正确性.

有噪及无噪的时滞细胞神经网络稳定性分析

分析了一类时滞细胞神经网络(DCNN)系统在无噪声和有噪声干扰情况下的稳定性.首先针对确定性系统给出了一种简单且容易验证的全局指数稳定性条件,然后讨论了噪声干扰下系统的稳定性.当DCNN被外部噪声扰动时,系统是全局稳定的.重要的是,当系统被内在噪声扰动时,只要噪声总强度控制在一定范围内,系统是全局指数稳定的.鉴于随机共振现象在越来越多的非线性生物系统中被发现,这种稳定性具有重要意义.

G−布朗运动驱动的时滞神经网络的稳定性分析

研究一类由G−布朗运动驱动的时滞神经网络(G−DNN)的稳定性问题.实际中噪声并不总是服从正态分布,为更好地描述实际情形,采用G−布朗运动来描述噪声,分析G−布朗运动噪声的离散观测值对时滞神经网络稳定性的影响.针对指数稳定的时滞神经网络,引入由G−布朗运动驱动的随机噪声,并利用G−随机分析理论、Gronwall不等式、Borel-Cantelli引理等,给出随机噪声强度的上界,使得在噪声强度少于该上界的情形下随机时滞递归神经网络的稳定速度大于原来神经网络的稳定速度.进一步分析噪声在离散的情形下随机时滞递归神经网络的稳定性问题.借助G−Itô公式、放缩技巧及一些基本不等式,得到能进一步加快随机时滞递归神经网络指数稳定速度的噪声离散步长的上界.通过实例验证了理论结果的有效性.

生物神经网络系统的动力学研究进展及展望

生物神经网络系统是复杂的非线性动力学系统,其动力学研究是国内外关注的一个重要课题。本文概括性地介绍神经网络系统的动态特性及影响因素,包括时滞和噪声对神经元网络的同步,同步转迁和随机共振的影响,并且介绍神经网络系统的建模问题。由于生物神经网络通常是动态的系统,因此建立模型要考虑网络如何受时变连接方式的影响,最后对今后研究给出一些展望。

基于超混沌Lorenz系统的自适应异步抗噪声保密通信方案

针对非实时通信对安全性要求高且信道中存在噪声的问题,提出了基于超混沌掩盖调制的自适应异步抗噪声保密通信方案。通信原理是由超混沌Lorenz系统生成四个状态变量的伪随机向量,并通过信号增益将它们调整到同一区间;再由分段线性混沌映射(PWLCM)生成两个向量,用于在四个状态变量之间随机切换选取和确定动态时滞步长,以生成载体信号;然后将预编码后的二进制信息成对掩盖到载体信号中,添加高斯噪声后发送出去。实验结果分析发现最小信号增益和噪声系数的比值稳定在一个小区间[0.08,0.11]内,如果把该比值设置成某个大于该区间上限的值,则比特误码率可达到零,因此接收端可在噪声信道中接收并完美恢复出被掩盖信号。该方案利用超混沌系统的非线性动力学特性,能够在噪声信道中自适应实现异步保密通信,数值仿真验证了其有效性。

随机时滞反应扩散广义细胞神经网络的均值指数稳定性

研究了一类反应扩散广义时滞细胞神经网络在噪声干扰下的指数稳定性.利用Ito公式,Holder不等式,M矩阵性质和微分不等式技巧,给出了系统均值指数稳定的充分条件,并且判断方法简单易操作.最后给出了主要定理的两个应用实例,表明结论的有效性.

多媒体多播组播单频网中免干扰动态信道分配

为了避免多媒体多播组播单频网(MBSFN)区域内部和区域之间的干扰,进一步提高频谱效率,该文提出一种改进的基于噪声调节时滞噪声混沌神经网络(NHNCNN)的动态信道分配方法。首先,根据MBSFN区域的特殊拓扑结构,重新定义了4种电磁兼容限制函数,在此基础上精心构建了免干扰的NHNCNN能量函数。其次对NHNCNN的稳态判定进程加以改进以提高系统的收敛速度。特别地,采用类二分法联合NHNCNN去搜索最小信道分配总数。仿真结果表明,利用富足的NHNCNN时滞、噪声和混沌神经动力,所提算法能有效地搜索到合理解,并最终找到全局最优解,提高了频谱效率。与现有方法相比,所提算法能够实现更好的收敛速度和合理解率。

基于简化的PCNN在超声乳腺癌图像去噪方面的应用

针对乳腺癌超声图像中斑点对诊断的影响,提出一种基于简化的脉冲耦合神经网络(simplified pulse-coupled neuralNetwork,SPCNN)的去噪新方法,并将此方法应用于乳腺癌超声图像滤波。首先利用简化的PCNN定位极端脉冲噪声点并利用中值滤波滤除椒盐噪声,然后利用PCNN赋时矩阵采用分类滤波自适应调节灰度值滤除高斯噪声。用实验图像验证了方法的有效性,然后将此方法应用于乳腺癌的超声图像中进行滤波,实验结果证实该方法对混合噪声在滤波效果和保护细节方面具有优势,对乳腺癌的超声图像能较好地滤除噪声,同时保证了细节,结合医学诊断证实了该方法的有效性。