BAM神经网络模型形式与研究方法分析

双向联想记忆神经网络模型形式与结构多种多样,研究方法也千差万别。总结了在双向联想记忆神经网络的研究中对网络联接权重、时滞及信号传递函数等的不同要求,比较了在不同环境下双向联想记忆神经网络的种种模型的形式。最后,对双向联想记忆神经网络理论研究中常用的方法进行了分析,并探讨了进一步的研究方向。     

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。     

一类具多比例时滞脉冲BAM神经网络的稳定性

通过构造合适的Lyapunov函数,讨论了一类具多比例时滞的脉冲BAM神经网络的稳定性,得到了神经网络全局渐近稳定和全局多项式稳定的充分条件。最后,通过数值模拟实例验证了所得结论的有效性和正确性。     

具时变时滞模糊BAM神经网络周期解的稳定性

本文利用Lyapunov泛函及不等式(2ab≤ra2+1/rb2,r>0)导出了判定模糊BAM(bi-directional associa-tive memory)神经网络周期解的存在性与稳定性的一些充分条件,得到了其周期解全局指数稳定性的一些新的简单判据.     

变时滞模糊BAM神经网络的全局指数稳定性

本文讨论了一类具有变时滞模糊FBAM（fuzzybi—directional associate memory）神经网络平衡点的存在性和全局指数稳定性,利用不动点定理及Halanay型不等式获得了平衡点存在唯一性及全局指数稳定性的充分条件,所得结论容易验证．最后举例说明所得结果的可行性。     

一类具比例时滞双向联想记忆神经网络的平衡点的存在性及唯一性

应用非线性测度方法讨论了一类具比例时滞双向联想记忆神经网络的平衡点的存在性、唯一性的充分条件。     

含有分布时滞和脉冲的杂交BAM神经网络的全局指数稳定性

通过构造李雅普诺夫函数,利用M-矩阵理论以及Young不等式技巧,给出了一类含有分布时滞和脉冲双向联想记忆神经网络的平衡点的全局指数稳定性的充分条件,这些条件去掉了对激活函数的有界性、单调性和可微性的要求,且在某些情况下更易验证.     

一类二元时滞神经网络模型同步解的周期性

本文对一类二元时滞神经网络模型的同步解进行定性研究,主要是针对网络参数的不同取值,分步地求解一个在一定初始函数空间中给定初始值的泛函微分方程,再讨论模型同步解的周期性。分析表明网络参数在神经网络模型研究中具有极其重要的作用。     

具时滞的BAM神经网络平衡点的存在性

用非线性测度方法研究了一类BAM神经网络的平衡点的存在性,得到了其平衡点存在唯一的一个较好的充分条件.     

一类时滞模糊BAM神经网络周期解的全局指数稳定性的新准则

研究了一类具变时滞模糊BAM(bi-directional associative memory)神经网络.利用Yang不等式和构造Lyapuonv函数等技巧,在弱化条件下给出了BAM神经网络周期解的全局指数稳定性的充分条件.     

一类时滞BAM神经网络的全局指数稳定性的新准则

利用M-矩阵理论以及Halanay不等式技巧,给出了一类含有变时滞的非自治BAM(bi-direc-tional associative memory)神经网络周期解的全局指数稳定性的充分条件,这些条件去掉了对激活函数的有界性、单调性和可微性的要求,且在某些情况下更易验证.最后通过一个例子验证了所给结果的有效性.     

具反应扩散项的时滞BAM神经网络的全局吸引子(英文)

用半群算子理记和Sobolev空间的嵌入定理及一些分析技巧,我们获得了一些充分条件确保具扩散项的时滞BAM神经网络的全局吸引子的存在性.     

一类时滞连续时间神经网络的稳定性

研究了具有时滞的连续时间神经网络的稳定性问题;通过使用不等式分析技巧和微分方程性质,利用常数变易法,获得了一类时滞连续时间神经网络的平衡点的K-全局渐近稳定性与K-全局指数稳定性的易于验证的时滞相关充分条件．     

时滞Hopfield神经网络模型的稳定性分析

研究时滞Hopfield神经网络模型,平衡点的全局渐近稳定性与全局指数稳定性,通过使用不等式分析技巧和微分方程性质,得到这类模型稳定性的易于验证的时滞无关充分条件。     

带反应扩散项的时滞双向联想记忆神经网络的全局指数稳定性

本文研究带反应扩散项的BAM神经网络的全局指数稳定性.改进和推广了文献[9]的工作.     

一类具比例时滞双向联想记忆神经网络的指数稳定性

讨论了一类具比例时滞双向联想记忆神经网络的指数稳定性。应用非线性测度导出了指数稳定性的充分条件。而且,这些准则提供了解的指数收敛速度。     

一类双向联想记忆神经网络概周期解的全局渐近稳定性

利用Bananch空间中的不动点定理、指数二分法和Lyapunov函数方法研究了一类分布时滞双向联想记忆神经网络概周期解的全局渐近稳定性,实例说明了判据的有效性.     

基于离散型Hopfield神经网络的联想记忆能力研究

人工神经网络是对人脑功能的简单抽象和模拟,实质是一种数学模型。它通过大量的简单处理单元互相连接成规模庞大的简单抽象和信息处理系统,能够存储经验知识和联想回忆并使用已存储知识,是目前智能信息处理技术发展的一个主流方向。它可以解决许多传统方法难以解决或无法解决的问题,尤其是那些与记忆、思维、认知、推理及联想相关的问题。主要介绍了离散型Hopfield 神经网络的发展历程、工作原理、使用方法及其联想记忆功能,并通过举例证明了离散型Hopfield神经网络的联想记忆能力。     

基于离散Hopfield神经网络的数字识别研究

离散Hopfield神经网络具有联想记忆的功能,利用这一功能对数字进行识别可以取得令人满意的效果,并且其计算的收敛速度很快。通过创建Hopfield网络,将带噪声的数字点阵输入到其中,利用MATLAB神经网络工具箱中的函数进行仿真测试,并对测试的结果进行分析、比较,实验结果表明Hopfield神经网络用于数字识别是可行、有效的。     

一类非自治的高阶BAM神经网络周期解的全局指数稳定性的新准则

通过构造Lyapuonv函数,利用Yang不等式等分析技巧,给出了一类非自治高阶BAM(bi-directional associative memory)神经网络周期解的全局指数稳定性的充分条件.