15、不确定随机高阶时变延迟Hopfield神经网络稳定性及二维离散时滞Hopfield神经网络动力学分析-CSDN博客

本文链接：https://blog.csdn.net/tcp8optimizer/article/details/154557676

不确定随机高阶时变延迟Hopfield神经网络稳定性及二维离散时滞Hopfield神经网络动力学分析

1. 引言

神经网络在图像处理、模式识别、优化求解器、定点计算等工程领域有着广泛应用，这些应用在很大程度上依赖于神经网络的动态行为。其中，稳定性是神经网络最重要的行为之一，一直是研究的重点。同时，由于放大器的有限开关速度和神经元的固有通信时间，时滞在神经网络中经常出现，时滞的存在往往是神经网络不稳定的根源，因此对时滞神经网络的稳定性研究具有重要的理论和实践意义。

Hopfield提出的Hopfield神经网络（HNNs）在许多领域得到了应用，其目标问题可归结为优化问题。近年来，HNNs及其各种推广形式吸引了众多科学家的关注，因为它们在分类、联想记忆、并行计算等任务中具有潜力，并且能够解决复杂的优化问题。然而，一阶HNNs存在内在局限性，高阶神经网络由于具有更强的逼近性、更快的收敛速度、更大的存储容量和更高的容错性，受到了更多的关注。

本文主要研究一类不确定随机高阶时变延迟Hopfield神经网络的全局稳定性，基于Lyapunov稳定性理论，提出了基于线性矩阵不等式（LMIs）的新的全局渐近稳定性准则，并通过数值例子验证了所提出的稳定性结果的有效性。同时，还对二维离散时滞Hopfield神经网络进行了完整的稳定性和分岔分析，揭示了零解的稳定性域结构以及边界处分岔的类型。