时滞BAM神经网络的全局稳定性

利用李雅普诺夫泛函方法并结合一些分析技巧获得了时滞BAM神经网络平衡点全局渐近稳定和全局指数稳定的充分条件，这些条件对设计全局渐近稳定的BAM神经网络和全局指数稳定的BAM神经网络具有重要意义．     

具有离散和分布时滞的脉冲神经网络的全局指数稳定性

研究了一类具有离散和分布时滞的脉冲神经网络的全局稳定性。基于微分方程的Lyapunov稳定性理论和线性矩阵不等式（LMI）处理方法,得到了系统全局指数稳定的充分条件。     

具有马尔可夫跳跃参数的变时滞静态神经网络的全局指数稳定性

利用李雅普诺夫泛函方法和线性矩阵不等式技巧研究了具有变时滞和马尔可夫跳跃参数的静态神经网络的全局指数稳定性,给出了一个判断全局指数稳定性的简洁易行的代数判据。     

时变时滞BAM神经网络系统的时滞依赖指数稳定性准则

基于Lyapunov稳定性理论和线性矩阵不等式技术，针对一类时变时滞BAM神经网络系统给出了时滞依赖的指数稳定性准则。所得到的条件可用Matlab中的LMI控制工具箱方便的求解。仿真实例进一步说明了结论的有效性。     

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。     

变时滞神经网络的时滞相关指数稳定性判据

研究其具有变时滞的神经网络的时滞相关指数稳定性问题.利用Lyapunov-Krasovskii泛函和自由权矩阵方法,提出此类神经网络有唯一稳定点和全局指数稳定的充分条件.不要求激活函数的单调递增性和时滞导数小于1,具有较弱的保守性.通过算例验证所给方法的正确性.     

具连续分布时滞与非线性脉冲BAM神经网络的全局指数稳定性

研究了具有连续分布时滞与非线性脉冲影响的BAM型神经网络的全局指数稳定性问题.利用M-矩阵以及谱理论等工具得到了系统存在惟一全局指数稳定的平衡点的充分条件.并给出一个例子说明结论的有效性.     

变时滞脉冲高阶BAM神经网络的指数稳定性

研究带脉冲和时滞项的高阶BAM神经网络系统的指数稳定性.首先,通过压缩映射原理得到了系统存在唯一的平衡点的新的充分条件.其次,利用Halanay不等式和数学归纳法,得到了保证系统指数稳定的充分条件.最后,通过一个例子说明所得结果的有效性.     

时滞Hopfield神经网络的全局指数稳定性

利用时滞微分不等式,讨论了时滞Hopfield神经网络的全局指数稳定性,获得了几个判定条件。这些结论推广了已知文献中的结果。     

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.     

混合变时滞的中立型神经网络全局指数稳定性

利用Lyapunov—Krasovskii稳定性理论和线性矩阵不等式（LMI）处理方法,研究了一类具有混合时变时滞的中立型细胞神经网络的全局指数稳定性问题,获得了该模型平衡点全局指数稳定的一个新的充分条件．改进和推广了已有文献的结果,降低了系统的保守性．所得结论对更好的模拟细胞神经网络的行为具有重要的指导意义．     

反应扩散BAM神经网络的全局指数稳定性

利用拓扑度技巧、 M-矩阵和变分理论, 得到了考虑扩散因素在内的双向联想记忆人工神经网络系统的全局指数稳定性判定定理. 结果表明, 所给判据得出的指数稳定收敛速率估计比传统结果更精细.     

一种新的时滞细胞神经网络全局渐近稳定性准则

研究了一类具有时滞的细胞神经网络全局稳定性问题。首先,提出所研究的时滞细胞神经网络模型、系统激活函数所需满足的条件及本文需要用到的引理。然后,将所研究的系统通过一个等式进行线性变换,在定义一个与系统相关的积分操作基础上讨论时滞细胞神经网络的全局渐近稳定性。与早期的文献结果相比,本文所得结果具有更少保守性,并且该条件是与时滞相关的。本文所得到的稳定性准则可以很容易地求出系统稳定的时滞上界,进而可以很容易得到时滞无关稳定性结果。最后,用一个数值例子证明本文所得的稳定性条件是有效的。     

具有时滞的双向联想记忆神经网络的鲁棒稳定性

应用线性矩阵不等式技术研究了时滞双向联想记忆神经网络的平衡点稳定性问题.针对存在参数不确定的时滞双向联想记忆神经网络,根据Lyapunov稳定理论,通过构造适当的Lyapunov-Krasovskii泛函,给出了保证双向联想记忆神经网络平衡点全局鲁棒稳定的两个新判据.所得到的结果能够表示成线性矩阵不等式形式,具有易于验证和独立于时变时滞幅值大小等特点.对于慢时变时滞的情况,当时滞幅值较大时,所得结果具有较小的保守性.通过一个仿真例子表明了所得结果的有效性.     

分布时滞模糊BAM神经网络模型的指数稳定性

详细介绍了一类具分布时滞的模糊BAM（Bi·direction Associate Memory）神经网络模型．在合适的条件下,通过数学分析技巧和压缩映像原理,证明了模型平衡点的存在唯一性;通过构造Liapunov泛函,利用Lipschitz激励函数性质,获得了平衡点的指数稳定性．     

变时滞高阶BAM神经网络的稳定性

文章研究高阶BAM神经网络的稳定性，运用Brouwer不动点定理以及Lyapunov泛函方法，得到周期解的存在唯一性和稳定性．     

可变时延神经网络的全局指数稳定性

利用Lyapunov泛函方法和线性矩阵不等式(LMI)技术,讨论了带有可变时延的神经网络的全局指数稳定性.通过引入一系列参数,给出全局指数稳定的平衡点的充分条件.实例表明给出的充分条件是有效、可行的.     

BAM神经网络的稳定性分析

本文研究了BAM神经网络的稳定性问题,通过构造新的Lyapunov泛函,给出了此类系统平衡点渐近稳定的充分条件,并举例说明了结果的有效性和保守性.该充分条件对丰富和完善了神经网络的稳定性理论体系,具有积极的意义.     

时滞神经网络的指数稳定性分析

研究了一类时滞细胞神经网络的指数稳定性问题,利用Razumikhin定理和线性不等式技术得到新的全局指数稳定性准则.与其他方法不同之处在于,对神经网络模型的“线性化”,将神经网络模型变成一个线性时变的系统.所获的条件具有较少的保守性.最后用1个数值例子说明文中所得的结果是有效的.