一种基于极点配置稳定的新型局部递归神经网络

针对局部全局前馈递归动态神经网络的稳定性问题提出了一种新的采用极点配置稳定方法的局部递归全局前馈(Locally recurrent global forward,LRGF)神经网络.由于动态神经元的极点有存在于实轴上和一对共轭复数极点两种情况为了避免神经元无限脉冲响应滤波器(Infinite impulse response filter,IIR)的系数投影到稳定区域的复杂性,构造的神经网络将动态神经元分成实数极点IIR和共轭复数极点IIR两部分,通过函数权值的方法将这两部分加权输出.同时针对这种新的神经网络采用了梯度下降的学习算法.通过仿真对本文提出的神经网络的可靠性和有效性进行验证,并分析这种新的神经网络在稳定投影计算上的复杂度.

一种新的全局优化前馈神经网络

将 L-M算法与填充函数法相结合,提出一种训练前向网络的混合型全局优化新算法.L-M算法的收敛速度快,利用它先得到一个局部极小点,然后利用填充函数算法跳出局部最小,得到一个更低的局部极小点.重复计算即可得到全局最优点.经实验验证,该算法收敛速度很快,避免局部收敛,而且性能稳定.

一类时变时滞静态神经网络的指数稳定性

基于线性矩阵不等式方法建立了时变时滞静态神经网络的指数稳定判据.考虑到时滞变化率对稳定性能的影响,分别建立了仅依赖时滞上界的稳定判据和完全依赖时滞信息的稳定判据.所得到的稳定判据能够适应慢变时滞和快变时滞两种情况,具有适用范围宽、保守性小和易于验证等特点,并通过几个注释说明与现有的文献结果进行了比较.仿真示例验证了所得结果的有效性.