具有可变时滞的Hopfield型随机神经网络的指数稳定性

研究了具有可变时滞的Ｈｏｐｆｉｅｌｄ型随机种经网络的指数稳定性，应用Ｒａｚｕｍｉｋｈｉｎ定理与 Ｌｙａｐｕｎｏｖ函数，建立了这种神经网络的均方指数稳定与几乎必然指数稳定的两类判据，一类是时 滞相关而另一类是时滞无关．

带脉冲的随机Hopfield型神经网络的p阶矩稳定性

本文主要研究p阶矩意义下带脉冲的随机Hopfield型神经网络平衡点的随机指数稳定性。通过构造适当的Lyapunov泛函和利用随机分析理论,推导出平衡点稳定满足的条件。结果以不等式形式给出,使得结论更容易被验证。而且,本文给出求解算法,通过一数值算例,验证了算法的有效性。

随机分布参数型Hopfield时滞神经网络的稳定性

基于随机Fubini定理,利用关于空间变量平均的Lyapunov函数与Ito公式,研究了具时滞的分布参数型随机Hopfield神经网络的稳定性与镇定,获得了若干充分条件．

随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性

旨在研究随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性。当θ∈[0,1/2)时,在步长受限的条件下,随机时滞Hopfield神经网络分步θ方法是一般衰减率稳定的。对于θ∈[1/2,1],不需要额外的步长要求,即可保证随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性。最后,通过一个数值例子验证所得结果的有效性。

具衰减随机干扰的分布参数型Hopfield神经网络的镇定

以随机Fubini定理为基础,研究具有分布参数的Hopfield随机神经网络的镇定问题,该神经网络具有衰减的随机扰动。构造了一个关于空间变量平均的Lyapunov函数,用Lyapunov第二方法给出了使该类随机神经网络控制系统镇定的控制器设计,并通过一实例证明了该控制器的有效性。

基于可伸缩型注意力机制的神经网络地震数据去噪方法

地震资料中的随机噪声会影响地震数据的质量,从而影响后续处理与解释的准确性。传统去噪方法受先验条件的约束,效率低下,神经网络具有强大的特征提取能力,能够弥补这些缺点。然而,由于传统神经网络卷积核的局限性,可能会导致全局信息丢失。为了克服这个缺点,本文在卷积神经网络(CNN)的基础上,添加了可伸缩型注意力机制。该机制在网络中同时呈现密集和稀疏两种类型的自注意力模块,这两种注意力模块交替使用可以显著增强神经网络的表现能力,扩大接受场。通过卷积层和注意力模块提取地震数据浅层特征和深层特征,结合CNN的局部建模能力和Transformer的全局建模能力,有利于提升网络的全局交互作用,增强其去除噪声和处理细节的能力。最后,合成和实际地震数据实验结果均表明,该方法相较于Unet和DnCNN,具有更好的噪声压制与保留地震数据有效信息的能力,可以大幅提高信噪比,为地震数据的处理和解释提供帮助。

二阶Hopfield型神经网络的稳定性分析及收敛速度的估计

本文讨论二阶连续Hopfield型神经网络平衡点的全局稳定性问题 ,利用LMI方法和Lyapunov方法得到了网络平衡点全局渐近稳定和全局指数稳定的几个充分条件 ,并对其指数收敛速度进行了估计 .

Hopfield型时滞神经网络的指数稳定性

研究了Ｈｏｐｆｉｅｌｄ型随机时滞神经网络ｄｘ（ｔ）＝［－Ａｘ（ｔ）＋Ｂσ（ｘ（ｔ一τ））］ｄｔ＋ｆ（ｔ．ｘ（ｔ），Ｘ（ｔ—τ））ｄｗ（ｔ）的均方指数稳定性与几乎必然指数稳定性．应用Ｌａｙａｐｕｎｏｖ函数与鞅不等式，建立了这种随机时滞神经网络指数稳定的时滞相关的充分条件．文献中某些关于确定性的时滞神经网络ｘ（ｔ）＝－Ａｘ（ｔ）＋Ｂσ（ｘ（ｔ－τ））与神经网络ｘ（ｔ）＝－Ａｘ（ｔ）＋Ｂσ（ｘ（ｔ））的稳定准则是文中的特殊情况．

具有周期输入Hopfield型神经网络的全局渐近性质

在不假定非线性激励函数有界和可微的条件下 。

Hopfield型时滞神经网络的稳定性分析

研究了具有时滞的Hopfield型神经网络模型平衡点的全局渐近稳定性· 去掉了有关文献中关于fj 在R上有界性、可微性的条件 ,给出了更弱的实用性较强的判定平衡点的存在唯一性及全局渐近稳定性的条件 。

高阶Hopfield型神经网络的定性分析

本文讨论高阶连续型Hopfield神经网络平衡态的性质 ,包括平衡态的存在唯一性和稳定性 .借助于Ba nach不动点原理和Lyapunov方法得到了若干平稳态存在唯一和全局渐近稳定的充分条件 .作为特例 ,获得了一阶连续型Hopfield神经网络稳定性的新判据 .

含反应扩散项和混合时滞的随机Hopfield神经网络的时滞相关全局指数稳定性分析

研究一类含反应扩散项和混合时滞的随机Hopfield神经网络的稳定性,通过构造恰当的Lya-punov泛函和运用不等式分析,得到了该网络平凡解时滞相关的全局均方指数稳定性条件,推广了已有的结果.利用一个例子,说明结果的有效性.

基于一类新型激活函数的递归神经网络的多稳定性分析

本研究基于一类新型连续锯齿型激活函数研究了递归神经网络(Hopfield神经网络)的多稳定性。首先,通过区间剖分法、Brouwer不动点定理证明了基于该激活函数的n维神经网络模型至少具有7n个平衡点,并运用对角占优矩阵理论、局部稳定性判定定理等方法证明了其中4n个平衡点是局部指数稳定的,剩余的平衡点是不稳定的。其次,通过增加锯齿型激活函数的峰值点将激活函数推广到更一般的情况,得到了n维神经网络在含有k个峰值点的连续锯齿型激活函数中至少具有(2k+1)n个平衡点,其中(k+1)n个平衡点为局部稳定的。本研究设计的激活函数相较于现有的一些激活函数会产生更多的稳定平衡点,并且在增加峰值点的过程中不会增加神经网络的计算复杂度。最后,通过两个具体的数值算例验证了本研究结果的有效性。

基于实虚型连续多值复数Hopfield神经网络的QAM盲检测

针对统计量算法盲检测QAM信号的缺陷,该文提出了一个实虚型连续多值复数Hopfield神经网络算法,该网络的实部、虚部各含一个连续多值实激活函数.该文构造了适用于该网络的能量函数,并分别在异步和同步更新模式下证明了该神经网的稳定性.当该神经网的权矩阵借助接收数据补投影算子构成时,该实虚型连续多值复数Hopfield神经网络可有效地实现QAM信号盲检测.仿真试验表明:该算法采用较短接收数据即可到达全局真解点,并且适用于含公零点信道.

具有混合时滞的随机Hopfield神经网络的稳定性分析

讨论一类具有时变离散时滞和多时变分布时滞的随机Hopfield神经网络的均方鲁棒稳定性问题.假定激活函数既不可微也不严格单调,运用Lyapunov-Krasovskii泛函理论、随机分析理论和MATLAB中的LMI工具箱,推出系统渐近稳定的判别准则.最后通过数值例子论证该结果的有效性.

随机时滞Hopfield神经网络的均方指数稳定性

利用Ｌｙａｐｕｎｏｖ泛函和Ｉｔｏ公式，研究了具有时滞的随机Ｈｏｐｆｉｅｌｄ型神经网络的均方指数稳定性．证明了三条定理和三个推论．当随机扰动为零时，便得到确定性的时滞神经网络指数稳定的结果．

二进Hopfield型神经网络的记忆容量

本文证明了具有Ｎ个神经元的二进Ｈｏｐｆｉｅｌｄ型神经网络可存储的记忆模式的最大数目为２Ｎ．对于任意Ｋ（１≤Ｋ≤２Ｎ）个Ｎ维二进值向量，给出了它们成为具有Ｎ个神经元的二进Ｈｏｐｆｉｅｌｄ型神经网络稳定态的充要条件．文中指出了一个二进Ｈｏｐｆｉｅｌｄ型神经网络有可能没有任何稳定态，这是与连续Ｈｏｐｆｉｅｌｄ型神经网络的一个重要区别．最后。

基于随机Hopfield神经网络的最优多用户检测器

Hopfield神经网络检测器与传统检测器相比具有独特的魅力 ,但存在局部收敛问题 .随机Hopfield神经网络通过对状态变量引入噪声 ,从而避免局部收敛 ,进而达到最优检测 .本文给出了CDMA移动通信系统中基于随机Hopfield神经网络的最优多用户检测器的统一框架 ,该检测器利用随机Hopfield神经网络对最大似然函数进行优化从而得到最优检测性能 .在三种典型信道中对这些检测器性能进行比较 ,结果表明该检测器比传统检测器的性能更好 .

一类含有时变时滞的不确定中立型Hopfield神经网络的鲁棒稳定性判据

针对一类不确定中立型时变时滞Hopfield神经网络的鲁棒稳定性问题,构造了一个新Lyapunov-Krasovskii泛函,并结合自由矩阵方法和牛顿–莱布尼茨公式,得到了新的时滞相关稳定性判据.该判据考虑了中立型时变时滞Hopfield神经网络中的参数不确定性,所得结果以线性矩阵不等式(Linear matrix inequality,LMI)的形式给出,容易验证.最后,通过两个数值算例验证了该结果的有效性及可行性.该判据对丰富与完善中立型神经网络的稳定性理论体系,具有积极的意义.

具有扩散影响的Hopfield型神经网络的全局渐近稳定性

对具有扩散影响的Hopfield型神经网络平衡点的存在唯一性和全局渐近稳定性进行了研究.在激活函数单调非减、可微且关联矩阵和Liapunov对角稳定矩阵有关时,利用拓扑度理论得到了系统平衡点存在的充分条件.通过构造适当的平均Liapunov函数,分析了系统平衡点的全局渐近稳定性.所得结论表明系统的平衡点(如果存在)是全局渐近稳定的而且也蕴含着系统的平衡点的唯一性.