一、Stabilization of stochastic Hopfield neural network with distributed parameters（论文文献综述）
苏日古嘎[1]（2021）在《几类反应扩散系统的稳定性分析》文中进行了进一步梳理反应扩散随机系统在力学、化学、生物学和生态学等领域中有着许多重要的应用。此外,现实世界中存在许多结构突变的系统,如:计算机控制系统、化学过程和通信系统,都可以用Markov跳变系统来描述。脉冲现象会出现在物理学、化学、种群动力学以及神经网络等许多领域。滑模控制作为一类特殊的非线性控制,被广泛应用于抑制系统参数的不确定性和外部干扰,如机器人、航天器、容错执行器等。因此,研究具有Markov跳变、脉冲现象、随机扰动、滑模控制的反应扩散系统具有重要的实际背景和理论意义。主要研究内容如下:首先,针对具有一般不确定转移速率的高阶时滞Markov跳变反应扩散Hopfield神经网络的稳定性问题,应用Lyapunov-Krasovskii泛函方法和线性矩阵不等式,研究了该类反应扩散Hopfield神经网络的全局均方指数稳定性。我们考虑的不确定转移速率具有一般性,所得结果推广了前人的研究结果,具有更小的保守性。数值算例说明了所得结论的有效性。其次,针对具有脉冲影响的时滞随机不确定反应扩散广义细胞神经网络和具有脉冲影响的时滞反应扩散系统的稳定性问题,通过构造Lyapunov泛函、利用线性矩阵不等式以及Razumikhin技术,得到了脉冲时滞随机不确定反应扩散广义细胞神经网络鲁棒均方稳定和脉冲时滞反应扩散系统一致渐近稳定的新的充分性条件。仿真算例说明了所得结论的可行性。再次,对具有Markov跳变时变时滞中立型随机反应扩散神经网络的稳定性问题,利用Lyapunov-Krasovskii泛函方法和线性矩阵不等式,得到了几种新的该类随机反应扩散神经网络均方指数稳定的充分性判据。仿真例子说明了所得结论的有效性。最后,通过设计具有脉冲影响的反应扩散不确定系统的滑模控制器,研究了一类脉冲反应扩散不确定系统的镇定性问题。利用线性矩阵不等式,得到了滑模控制反应扩散脉冲不确定闭环系统鲁棒指数稳定的充分性判据,推广了脉冲不确定系统滑模控制理论方面的研究成果。仿真算例说明了所得结论的合理性。
卢建[2]（2021）在《基于忆阻器的随机神经网络应用研究》文中研究指明通过在权重或神经元中添加随机性,随机神经网络能够有效克服常规神经网络面临的过拟合、对模型输出过度自信等问题,被应用于对安全性和可靠性要求极高的领域。然而,随着人工智能的迅速发展和数据规模的急剧增加,基于传统CMOS器件的“存算分离”计算结构已无法高效地支持神经网络核心的矩阵-向量积运算和海量数据的处理。此外,当在传统CMOS硬件平台上运行随机神经网络时,往往需要复杂的随机数产生模块为算法模型提供必需的随机性。随着CMOS器件的尺寸即将达到物理极限,传统的硬件平台已无法满足人工智能任务对算力的需求,需要开发具有随机性和非易失性的新原理器件来优化支持随机神经网络的硬件平台。忆阻器,具有非易失、结构简单、功耗低、可微缩性好、易于三维集成以及与CMOS工艺兼容等优点,支持存内计算、并行计算以及模拟计算,被认为是突破传统计算结构,实现新型“存算一体”计算结构的有力候选者之一。此外,忆阻器件中丰富的本征随机性使其成为一个随机存储器件,而这些本征随机性对实现忆阻器基的随机神经网络是十分契合的。本文围绕着如何利用阻变忆阻器中丰富的本征随机性实现随机神经网络,开展了器件本征随机性的测试和表征,忆阻器基随机神经突触和随机神经元的构建,电路设计,硬件系统验证等方面的工作。取得了如下成果:（1）基于忆阻器的Hopfield网络的研究。我们首先制备了1kb的基于1T1R结构的TiN/TaOx/HfOx/TiN器件阵列,对器件的阻值随机性进行了统计测试,并对阻值随机性进行高斯假设检验。在理论分析的基础之上,我们采用软件仿真的方法,研究了权重中随机性的大小对忆阻Hopfield网络在解决优化问题的影响,结果表明存在一个合适的随机性水平对系统的增益最大。（2）基于忆阻器的贝叶斯神经网络的研究。在1kb阵列中随机选择15个TiN/TaOx/HfOx/TiN器件,对器件在不同阻值下的随机性大小进行统计测试,并对测试结果的对数进行线性函数拟合。根据测试和拟合结果,我们采用重参数的方法利用忆阻器阵列表征高斯随机变量,并在此基础之上构建了基于忆阻器的贝叶斯神经网络硬件系统。该硬件系统支持贝叶斯神经网络和高斯随机数产生两种操作模式。（3）基于忆阻器的受限玻尔兹曼机的研究。在对NbOx器件的阈值电压和保持电压的统计测试基础上,对利用NbOx器件转变电压的随机性实现二值随机神经元进行了理论分析,设计了混合CMOS-忆阻器的随机神经元电路,并探讨了器件间转变电压的差异性对神经元电路的影响。针对器件间的转变电压表现出来的差异性,我们提出了一种简单的校正方案以克服这种差异性对神经元电路的影响。在对随机神经元电路的分析和系统仿真的基础之上,我们采用新的权重映射方案,设计了一个基于忆阻器的受限玻尔兹曼机硬件系统,突触采用的是1T1RTaOx/HfOx器件,神经元采用的是基于NbOx器件的随机神经元电路。针对硬件系统中存在着的突触随机性和神经元的随机性,我们进一步对二者的相互作用进行了理论分析,并推导了相关公式以对这两种随机性的相互作用进行量化分析。
贾金梁[3]（2021）在《循环神经网络的自动高速结构优化》文中进行了进一步梳理循环神经网络（Recurrent Neural Networks,RNN）是一个简洁高效的非线性通用模型,加上时间元素之后,能有效地处理动态系统（包括时间序列）问题。在实践中,RNN的网络结构（包括反馈位置,隐藏层神经元个数,激活函数等）通常需要人为预先确定,这要求丰富的经验或者繁琐的反复实验;另外,RNN的权值参数优化一直是基于梯度方法的,梯度消失和梯度爆炸问题表现得尤为突出,这些都导致了RNN结构设计困难或者网络性能不佳。为了提高RNN的结构设计效率和网络性能,本文首先提出了一种RNN的自动化结构设计方法,由此形成了层内时间延迟神经网络（Intra-layer Time Delay Neural Network,ILTDNN）模型。ILTDNN模型引入延迟时间,延迟权值,激活函数种类三种结构参数增强网络性能,从两个方面体现了自动化结构设计:1).不用预先确定网络大小,而是通过网络生长确定;2).不用预先确定网络结构参数,而是通过优化算法得到。另外,该模型还将时间序列特征预处理过程并入网络结构设计过程中,实现了特征处理自动化,这也避免了当RNN网络性能表现不佳时,难以确定是特征处理不当还是网络结构设计不当的困境。传统的基于梯度的算法无法对结构优化,收敛缓慢,也很容易陷入局部最优,而进化算法可以通过编码和种群来高效地搜索结构参数空间。因此,本文还为ILTDNN模型设计了基于网络生长的增量优化策略和优化网络结构参数的混合进化算法。增量优化策略解决了网络从小到大生长时哪些参数会被优化的问题,一方面可以避免先前的优化努力不会浪费,另一方面可以减少要优化的结构参数数量。混合进化算法是基于改进收敛性的自然进化策略算法和具有超线性收敛的二阶局部搜索算法设计,其使用局部搜索增强种群搜索的梯度方向。实验表明,混合进化算法能够很好的处理复杂多模态问题。在实践中,将混合进化算法与并行计算技术结合,在多核处理器上能够实现RNN结构参数的高速准确求解。此外,本文比较了ILTDNN模型的几种结构参数对网络性能的影响,并将该网络模型应用于几个经典的混沌时间序列预测问题和轴承系统故障预测问题,证明了其有效性。与现有的大多数其它神经网络相比,通过自动化结构设计方法和混合进化算法生成的网络结构更加小型化,预测更准确。因此,网络模型更简洁,具有更好的泛化能力和应用前景。
张欣欣[4]（2020）在《连续型Hopfield神经网络的稳定性和同步性分析》文中研究表明神经网络在各个领域内的广泛应用使其一直成为学者们的热门研究话题。Hopfield神经网络是一种单层互相全连接的反馈型神经网络,是反馈神经网络模型中最经典且应用广泛的神经网络,它广泛应用在模式识别、图像处理、系统故障诊断、参数估计等领域里。随着Hopfield神经网络理论以及相关理论和相关技术的不断发展,Hopfield神经网络的应用越来越广泛。在本论文中,通过运用微分包含理论,Lyapunov稳定性理论,不动点定理,Mittag-Leffler函数性质,矩阵测度,线性矩阵不等式分析技术以及不等式的基本性质等,研究了连续型Hopfield神经网络的稳定性和同步性。主要研究内容概括如下:1.研究了分数阶脉冲Hopfield神经网络的全局Mittag-Leffler稳定性。首先,在激活函数满足两种不同的条件下,利用不动点定理给出了分数阶脉冲Hopfield神经网络的解的存在性的条件。其次,在激活函数满足单边Lipschitz条件下,分别提出了分数阶脉冲Hopfield神经网络的平衡点的存在性,唯一性和全局Mittag-Leffler稳定性的条件。2.分析了具有时滞和不连续激活函数的整数阶Hopfield神经网络的全局准同步和全局反同步。首先,在自适应增益非脆弱控制器下,得到了具有时滞和不连续激活函数的整数阶Hopfield神经网络的驱动系统和响应系统全局准同步的条件,并应用矩阵测度型的Lyapunov-Krasovskii函数和微分包含理论给予了证明。其次,在乘法增益非脆弱控制器下,基于Lur’e-Postnikov Lyapunov函数,微分包含理论和不等式分析技术,以线性矩阵不等式的形式给出了具有时滞和不连续激活函数的整数阶Hopfield神经网络的驱动系统和响应系统全局反同步的条件。3.分析了具有不确定参数和不连续激活函数的分数阶Hopfield神经网络的鲁棒牵制同步问题。基于线性控制器,通过Lyapunov函数方法,非平滑分析理论,得到误差动态系统Mittag-Leffler稳定性的条件。同时,利用不等式分析技术,以线性矩阵不等式的形式给出了具有不确定参数和不连续激活函数的分数阶Hopfield神经网络驱动系统和响应系统的鲁棒牵制同步条件。4.研究了具有时滞的分数阶复值Hopfield神经网络的有限时间同步。对阶数分两种情况:1/2≤α＜1和0＜α＜1/2（α是阶数）,分别给出了具有时滞的分数阶复值Hopfield神经网络有限时间同步的条件并通过H?lder不等式和Gronwall不等式等性质给予了证明。
王迪[5]（2020）在《人工智能在电网故障诊断中的应用研究》文中研究指明
谭亚华[6]（2019）在《几类随机时滞神经网络的稳定性分析》文中研究表明稳定性理论有着广泛的应用。比如,自然科学、工程技术、环境生态、社会经济等方面。本文主要讨论了几类随机时滞神经网络的稳定性。通过对不同神经网络模型的解的性质的研究,我们得到了判断其解稳定性的条件。本文主要研究的内容有以下几方面。首先,我们研究的是由常固定时滞与连续分布时滞构成的混合时滞的随机Hopfield神经网络模型。此外,我们使用的方法有Lyapunov函数法、不等式法以及Ito公式法。通过构建合适的Lyapunov函数并且将Ito公式应用到所构建的Lyapunov函数中,我们得到了具有混合时滞的随机Hopfield神经网络的均方渐近稳定性的判定条件。然后,我们通过一个例子来说明获得的主要的结论。其次,我们讨论了随机时滞细胞神经网络的几乎必然指数稳定性。通过构建合适的Lyapunov函数,接着根据Ito公式和半鞅收敛定理,我们得出随机时滞细胞神经网络是几乎必然指数稳定的这一结论。然后,通过一个例子来解释我们的结果。最后,通过使用欧拉法和后欧拉法,我们考虑了带跳的随机时滞Hopfield神经网络的数值解的指数稳定性。在给出一些具有理论意义的条件下,我们证明了欧拉法和后欧拉法模拟的数值解都是几乎必然指数稳定的。但是,欧拉法的应用范围小于后欧拉法。另外,我们主要的研究工具是离散半鞅收敛定理。同样,所得到的结果通过例子来解释。
林德辉[7]（2019）在《时滞离散递归神经网络稳定性及同步控制研究》文中研究说明在过去的数十年中,人工神经网络在模式识别、信号处理、联想记忆、静态图像处理以及组合优化方面得到了广泛应用从而吸引了众多科研人员进行研究。众所周知,稳定是前面所述工程应用的前提条件,而时滞,不确定性和随机干扰是导致神经网络不稳定的三大主要原因。在利用大规模集成电路实现人工神经网络的过程中由于有限的信息处理速度和电子元器件参数的波动自然会引入时滞和不确定性。另外,随机干扰是无处不在的。因此,带有时滞和不确定性的随机神经网络稳定性分析具有重要意义。过去的十年中,时滞神经网络的主-从同步问题由于其在化学、生物学、密码学以及保密通信方面的潜在应用引起人们广泛的兴趣。到目前为止,许多方法被用于时滞神经网络主从同步,例如模糊控制、脉冲控制、自适应控制、时滞反馈控制、数据采样控制等等。现有大多数文献的研究对象是连续时间神经网络主-从系统模型。在当今数字化时代,在神经网络的实现和应用方面,由于数字计算机的广泛应用,研究离散时间神经网络的同步问题有着更现实的意义和重要性。本文主要研究的是时变时滞离散递归神经网络的稳定性和同步控制。同步控制器的设计采用的是时滞反馈的设计方法。具体的研究成果及创新点如下:（1）针对时变时滞随机离散递归神经网络,通过建立Lyapunov-Krasovskii函数,使用线性矩阵不等式（Linear Matrix Inequality,LMI）和Jensen不等式,得出系统均方渐近稳定的充分条件。在系统带有不确定性的情况下也给出系统均方渐近稳定的充分条件。计算结果表明在不带有干扰和不确定性情况下,获得了比现有文献保守性更弱的结论。同时,由于变量的减少从而使计算复杂性降低;（2）针对带有约束干扰和丢包情况下的时滞离散递归神经网络,给出了主-从系统同步的控制器设计方法。与其他文献不同的是,系统误差模型中考虑了干扰的约束条件。神经网络之间的不可靠通信建模为符合伯努利分布的随机丢包事件。通过建立Lyapunov函数,利用矩阵不等式方法给出了主-从系统误差渐近稳定的充分条件。主-从系统误差均方意义渐近稳定,从而主-从系统同步。在系统存在不确定性的情况下,同样给出了同步控制器的设计方法以及结果;（3）针对时滞离散递归神经网络,研究了使主-从系统同步的控制器设计方法。在设计的过程中考虑了控制器的非线性特性,从而更贴近实际应用。在系统存在不确定性情况下,也同样进行了讨论;（4）第三章控制器设计的过程中,当θ（k）=0时,u（k）=0,某些情况下可能导致u（k）的剧烈变化。基于此,采用一种重用策略设计控制器,避免了u（k）的大幅波动。设计出来的控制器保证了带有不确定性的主-从系统渐近同步。求取控制器的过程使用了遗传算法。
王璐[8]（2018）在《基于代理模型的稳健优化设计及其改进》文中提出传统工程结构的优化设计是基于确定性的结构参数和优化模型的,并借助经典优化算法进行优化模型的求解,没有考虑设计变量和其他输入变量的不确定性,因此有可能造成结构设计的失败。而稳健优化设计既能保证优化解满足可靠性约束条件,又能使目标值对扰动不敏感,具有重要的实际工程意义。本文在已有的研究基础上,围绕稳健优化设计及与其密切相关的代理模型、全局灵敏度分析等方面进行了研究,主要的工作和创新点如下:1.在经典的GMDH神经网络算法基础上,通过改进神经元筛选准则及各层神经元的耦合方式,提出了改进的GMDH神经网络算法,它不仅保持了原算法自组织建立最佳网络结构的优点,还能减少所需样本量、提高计算结果的精度。此外,借鉴切割点的思想提出了Cut-GMDH神经网络算法,能够进一步地减少计算GMDH神经网络系数的时间。2.将GMDH神经网络算法与HDMR相结合,提出了GMDH-HDMR方法用于高效高精度地求解基于方差的全局灵敏度指标,并用数值算例和工程算例验证了该方法的精度和效率,扩展了对变量分布形式的适用性。3.提出一种新的基于概率加权矩的全局灵敏度测度,提供了两种求解方法（双循环重复样本数值模拟法和双循环单组样本数值模拟法）的详细步骤,该指标与传统的基于方差的全局灵敏度指标相比需要的样本点更少,对样本中的异常值不敏感,部分情况还能够反映函数系数的正负号对输出响应的影响。4.针对稳健优化设计中的主要问题,包括稳健度量,目标函数的处理及数学模型的建立以及求解策略进行了研究。提出了确定性优化解是否满足稳健要求的判断准则;对于线性加权法将多目标问题转换为单目标问题利用超平面法确定最优权重系数;提出了基于最大熵的新的稳健度量及实施方法;最后给出了稳健优化设计单循环求解策略。5.将全局灵敏度分析方法、代理模型方法与稳健优化设计相结合,提出了基于代理模型的稳健优化设计,首先利用全局灵敏度分析对优化模型的输入变量进行筛选,以有效降低模型的维度;然后利用代理模型显式化目标函数或约束条件的具体表达式;最后利用遗传算法进行稳健优化设计的全局寻优。
罗世贤[9]（2016）在《几类复杂非线性系统的多稳定性分析与混杂控制研究》文中进行了进一步梳理含随机性、时滞、脉冲与切换、以及反应扩散等特性的复杂非线性系统广泛存在于自然界和实际工程中.受状态变量的非线性演化,连续动态和离散动态的混杂驱动,以及随机因素的不确定影响,这类系统呈现出复杂动力学行为.如何根据系统的内在结构和演化规律,发展有效的数学方法,定性分析它们的动力学特性,并设计实用和有效的控制策略,成为这类系统分析与控制的研究主题.本文针对几类非线性复杂系统,从系统结构入手,研究它们的多稳定性与周期性现象；从驱动机制入手,建立脉冲、采样与间歇等混杂控制策略.主要工作如下：（1）研究了时滞随机Hopfield神经网络的多稳定性问题.基于激活函数的几何结构,将相空间划分为2n+1个子空间,包含2n个无界的矩形域.利用Schauder不动点定理及随机分析技术,证明了这2n个矩形域为系统概率为1的正不变集以及每个矩形域内存在唯一的平衡点.然后,针对缓变时滞和快变时滞情形,分别利用Lyapunov函数和泛函方法,建立了这些平衡点均方指数稳定的判据.（2）研究了时滞随机细胞神经网络多周期解的存在性、稳定性及抗干扰问题.利用压缩映像原理、随机分析技术并结合Lyapunov泛函方法,建立了随机时滞神经网络多周期解的存在性与唯一性判别准则.然后,给出了时滞细胞神经网络多周期解的干扰衰减分析.分析表明：周期解的多稳定特性对随机扰动具有一定的鲁棒性.（3）研究了脉冲驱动下的时滞神经网络周期轨道的生成与控制问题.引入“权重”相空间PCα,以该空间为基础,建立了无界分布时滞脉冲神经网络周期解存在性、唯一性与全局指数稳定性一般性准则.然后,基于与脉冲时间序列相关的加权Lyapunov函数／泛函分析方法,建立了周期脉冲驱动下生成全局稳定周期轨道的控制策略.（4）研究了混合时滞反应扩散神经网络的脉冲同步问题并应用于图像加密.首先,运用脉冲时间依赖的Lyapunov泛函分析技术并运用改进的、Virtinger不等式处理扩散项,建立了系统输出反馈脉冲同步的新准则,与现有结果相比,该准则较大程度地降低了现有结果的保守性.然后,应用所得到的同步结果,设计基于时空混沌脉冲同步的图像加密与解密算法,并用于构建能传送加密图像的保密通信系统.最后,给出了图像加密算法的仿真实验,并利用密钥空间、密钥敏感性、统计分析以及信息熵分析等指标对图像加密算法进行安全性测试.测试结果显示,所提出的图像加密方案具有密钥空间大、抗攻击能力强的优点.（5）研究了基于点测量输出的反应扩散神经网络的有限维间歇镇定问题.所提出的镇定方案基于空间采样并关于时间间歇,即控制器只在“工作时间”被激活,且在“工作时间”的每个时刻,只在空间中的有限个点对状态采样.引入分段Lyapunov函数,并利用、Virtinger积分不等式充分发掘扩散项的镇定作用,建立了系统全局指数稳定的充分条件,该条件定量揭示了控制宽度、休息宽度、空间采样步长之间的关系.基于稳定性条件,给出了有限维间歇控制器的参数化设计方法.（6）研究了一维半线性对流扩散系统的采样分布H∞控制问题.基于状态在空间有限个点的一系列离散时刻采样信息,提出了Razumikhin-Lyapunov泛函分析技术,建立了系统可采样分布反馈镇定并具有有限L2-增益的准则.该准则定量揭示了空间采样步长、时间采样步长与系统L2-增益之间的关系.与Fridman所提出的Halanay不等式方法相比,本文提出的Razumikhin型方法不仅较完整地解决了采样分布H∞控制问题,而且,在采样分布镇定问题上,较大程度地降低了Fridam结果的保守性.
赵碧蓉,戴喜生[10]（2014）在《分布参数高阶随机时滞Hopfield神经网络的指数稳定性》文中研究说明利用Lyapunov稳定性理论,积分不等式和Halanay不等式,研究了具分布参数的高阶随机时滞Hopfield神经网络的均方指数稳定性,得到了保证系统指数稳定且与扩散项相关的充分性条件,并给出了指数收敛率,同时放松了现有文献中对变时滞的要求,因而在一定程度上了改进了现有文献的结果.最后给出了数值算例验证所得结果的有效性.
二、Stabilization of stochastic Hopfield neural network with distributed parameters（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Stabilization of stochastic Hopfield neural network with distributed parameters（论文提纲范文）
（1）几类反应扩散系统的稳定性分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 反应扩散时滞神经网络 |
| 1.2.2 反应扩散脉冲时滞随机系统 |
| 1.2.3 反应扩散系统的滑模控制 |
| 1.3 本文主要研究内容 |
| 第2章 时滞Markov跳变反应扩散Hopfield神经网络的均方指数稳定性 |
| 2.1 时滞Markov跳变反应扩散Hopfield神经网络 |
| 2.2 均方指数稳定性分析 |
| 2.3 数值算例 |
| 2.4 本章小结 |
| 第3章 脉冲随机不确定反应扩散广义细胞神经网络的鲁棒均方稳定性 |
| 3.1 脉冲随机不确定反应扩散广义细胞神经网络 |
| 3.2 鲁棒均方稳定性分析 |
| 3.3 数值算例 |
| 3.4 本章小结 |
| 第4章 时滞脉冲反应扩散系统的一致渐近稳定性 |
| 4.1 时滞脉冲反应扩散系统 |
| 4.2 一致渐近稳定性分析 |
| 4.3 数值算例 |
| 4.4 本章小结 |
| 第5章 Markov跳变中立型随机反应扩散神经网络的均方指数稳定性 |
| 5.1 Markov跳变中立型随机反应扩散神经网络 |
| 5.2 均方指数稳定性分析 |
| 5.3 数值算例 |
| 5.4 本章小结 |
| 第6章 反应扩散脉冲不确定系统的积分滑模控制 |
| 6.1 反应扩散脉冲不确定系统 |
| 6.2 积分滑模控制律下反应扩散脉冲不确定系统的镇定性 |
| 6.2.1 设计滑模面 |
| 6.2.2 可达性分析 |
| 6.2.3 鲁棒指数镇定性 |
| 6.3 数值算例 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 致谢 |
| 个人简历 |
（2）基于忆阻器的随机神经网络应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 前言 |
| 1.2 随机神经网络的类别 |
| 1.2.1 人工神经网络模型 |
| 1.2.2 随机神经网络的分类 |
| 1.3 CMOS基神经网络硬件 |
| 1.4 忆阻器基神经网络硬件及挑战 |
| 1.4.1 忆阻器基神经网络 |
| 1.4.2 忆阻器基神经网络挑战 |
| 1.5 选题意义与研究内容 |
| 第二章 忆阻器件的本征随机性概述 |
| 2.1 忆阻器概述 |
| 2.1.1 忆阻器的分类 |
| 2.1.2 忆阻器的性能参数 |
| 2.1.3 氧空位细丝型忆阻器的转变模式 |
| 2.1.4 阈值型忆阻器的转变模式 |
| 2.1.5 忆阻器阵列集成方案 |
| 2.2 忆阻器件的随机性 |
| 2.3 忆阻器基神经网络的随机性 |
| 2.3.1 忆阻器基神经突触中的随机性 |
| 2.3.2 忆阻器基神经元中的随机性 |
| 2.4 本章总结 |
| 第三章 基于忆阻器的Hopfield网络 |
| 3.1 Hopfield网络简介 |
| 3.1.1 Hopfield网络简介 |
| 3.1.2 Hopfield网络权重中随机性分析 |
| 3.2 突触器件制备及电学特性测试 |
| 3.2.1 器件制备 |
| 3.2.2 器件的电学特征及随机性测试 |
| 3.3 器件阻值的随机性对Hopfield网络解决优化问题的影响 |
| 3.4 本章小结 |
| 第四章 基于忆阻器的贝叶斯神经网络 |
| 4.1 贝叶斯神经网络 |
| 4.1.1 贝叶斯神经网络简介 |
| 4.1.2 贝叶斯神经网络的硬件平台 |
| 4.2 随机神经突触表征 |
| 4.2.1 基于忆阻器的随机突触表征 |
| 4.2.2 基于忆阻器的贝叶斯神经网络仿真分析 |
| 4.2.3 基于忆阻器的高斯随机权重分析 |
| 4.3 基于忆阻器的贝叶斯神经网络硬件系统 |
| 4.4 本章小结 |
| 第五章 基于忆阻器的受限玻尔兹曼机 |
| 5.1 受限玻尔兹曼机 |
| 5.1.1 受限玻尔兹曼机简介 |
| 5.1.2 受限玻尔兹曼机硬件平台 |
| 5.2 NbO_x器件的制备及电学测试 |
| 5.2.1 NbO_x器件的制备 |
| 5.2.2 NbO_x器件的电学测试 |
| 5.3 基于NbO_x器件的随机神经元设计 |
| 5.4 系统软件仿真 |
| 5.5 忆阻受限玻尔兹曼机的硬件设计 |
| 5.5.1 权重映射方法 |
| 5.5.2 全硬件受限玻尔兹曼机系统设计 |
| 5.6 随机神经元和随机突触的相互作用 |
| 5.7 本章小节 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的成果 |
（3）循环神经网络的自动高速结构优化（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 神经网络结构优化研究现状 |
| 1.2.2 用于预测任务的网络结构研究现状 |
| 1.2.3 网络优化算法研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构 |
| 第二章 相关理论介绍 |
| 2.1 神经网络的数学模型和主要结构 |
| 2.1.1 感知器的数学模型 |
| 2.1.2 神经网络的三种主要结构 |
| 2.1.3 设计神经网络的三个步骤 |
| 2.2 循环神经网络及其变体 |
| 2.3 循环神经网络的长期依赖问题 |
| 2.4 Vapnik-Chervonenkis维度和结构风险最小化 |
| 2.5 进化算法及其并行实现 |
| 2.6 本章小结 |
| 第三章 循环神经网络的自动化结构框架设计 |
| 3.1 引言 |
| 3.2 循环神经网络的自动化结构框架设计 |
| 3.2.1 相空间重构技术 |
| 3.2.2 层内时间延迟神经网络结构设计 |
| 3.2.3 结构参数描述 |
| 3.2.4 RNN和 ILTDNN的关系 |
| 3.3 网络前向计算算法设计 |
| 3.4 网络自动化结构生长流程设计 |
| 3.5 本章小结 |
| 第四章 循环神经网络的高速结构优化算法设计 |
| 4.1 引言 |
| 4.2 代价函数改进 |
| 4.2.1 预测滞后问题 |
| 4.2.2 带惩罚项的代价函数 |
| 4.3 自然进化策略及其收敛性改进 |
| 4.3.1 自然进化策略 |
| 4.3.2 改进的自然进化策略 |
| 4.3.3 基准测试验证 |
| 4.3.3.1 基准测试和测试函数 |
| 4.3.3.2 基线和实验设置 |
| 4.3.3.3 结果和分析 |
| 4.3.4 全局算法改进总结 |
| 4.4 局部搜索算法收敛性比较 |
| 4.5 混合进化算法设计 |
| 4.5.1 混合进化算法原理及实施过程 |
| 4.5.2 实验结果与分析 |
| 4.5.2.1 测试函数和实验设置 |
| 4.5.2.2 LANES-BFGS的收敛过程 |
| 4.5.2.3 LANES-BFGS与其它启发式算法的比较 |
| 4.5.2.4 LANES-BFGS的种群数量分析 |
| 4.5.3 混合算法设计总结 |
| 4.6 并行计算应用方案设计 |
| 4.7 本章小结 |
| 第五章 实验验证及工程应用 |
| 5.1 引言 |
| 5.2 模型评估误差准则 |
| 5.3 Mackey–Glass混沌时间序列的预测 |
| 5.3.1 不同结构参数对网络性能的影响 |
| 5.3.2 不同优化算法对网络性能的影响 |
| 5.3.3 惩罚代价函数对网络性能的影响 |
| 5.3.4 自动化生成ILTDNN网络 |
| 5.4 Rossler混沌时间序列的预测 |
| 5.5 Lorenz混沌时间序列的预测 |
| 5.6 轴承系统故障预测应用 |
| 5.6.1 CWRU轴承故障数据集介绍 |
| 5.6.2 预测结果和分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 结论 |
| 6.2 未来工作 |
| 致谢 |
| 参考文献 |
| 硕士学习期间取得的研究成果 |
（4）连续型Hopfield神经网络的稳定性和同步性分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.1.1 神经网络的发展史 |
| 1.1.2 Hopfield神经网络的研究意义 |
| 1.2 Hopfield神经网络的分类 |
| 1.3 Hopfield神经网络的稳定性的国内外研究现状 |
| 1.4 Hopfield神经网络的同步性的国内外研究现状 |
| 1.5 本文的主要研究内容及结构安排 |
| 第2章 分数阶脉冲Hopfield神经网络的全局Mittag-Leffler稳定性 |
| 2.1 引言 |
| 2.2 模型描述 |
| 2.3 预备知识 |
| 2.4 具有脉冲的分数阶Hopfield神经网络的解的存在性 |
| 2.4.1 系统的激活函数满足单边Lipschitz条件 |
| 2.4.2 系统的激活函数满足线性增长条件 |
| 2.5 具有脉冲的分数阶Hopfield神经网络的平衡点的稳定性分析 |
| 2.5.1 平衡点的存在唯一性 |
| 2.5.2 平衡点的Mittag-Leffler稳定性 |
| 2.6 数值仿真 |
| 2.7 本章小结 |
| 第3章 基于非脆弱控制器的时滞Hopfield神经网络的准同步性和反同步性 |
| 3.1 引言 |
| 3.2 模型描述 |
| 3.3 预备知识 |
| 3.4 时滞Hopfield神经网络的准同步性和反同步性的问题研究 |
| 3.4.1 基于自适应增益非脆弱控制器的时滞Hopfield神经网络的准同步性 |
| 3.4.2 基于乘法增益非脆弱控制器的时滞Hopfield神经网络的反同步性 |
| 3.5 数值仿真 |
| 3.6 本章小结 |
| 第4章 具有不确定参数的分数阶Hopfield神经网络的鲁棒牵制同步 |
| 4.1 引言 |
| 4.2 模型描述 |
| 4.3 预备知识 |
| 4.4 分数阶Hopfield神经网络的鲁棒牵制同步 |
| 4.5 数值仿真 |
| 4.6 本章小结 |
| 第5章 具有时滞的复值分数阶Hopfield神经网络的有限时间同步 |
| 5.1 引言 |
| 5.2 模型描述 |
| 5.3 预备知识 |
| 5.4 具有时滞的复值分数阶Hopfield神经网络的有限时间同步 |
| 5.5 数值仿真 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（5）人工智能在电网故障诊断中的应用研究（论文提纲范文）
| 第1章 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 文章结构安排 |
| 第2章 输电线路故障分析与建模 |
| 2.1 常见故障分类 |
| 2.2 输电线路的数学模型 |
| 2.3 输电线路故障仿真模型搭建 |
| 2.4 故障特征分析 |
| 2.5 本章小结 |
| 第3章 基于深度置信网络的故障诊断方法 |
| 3.1 人工神经网络 |
| 3.1.1 神经元 |
| 3.1.2 激活函数 |
| 3.1.3 BP神经网络 |
| 3.2 深度置信网络基本原理 |
| 3.2.1 波尔兹曼机 |
| 3.2.2 受限玻尔兹曼机 |
| 3.2.3 深度置信网络 |
| 3.3 人工神经网络和深度置信网络仿真实验 |
| 3.4 本章小结 |
| 第4章 深度置信网络的改进及故障诊断 |
| 4.1 深度置信网络故障诊断模型中存在的不足 |
| 4.2 改进的深度置信网络故障诊断模型 |
| 4.3 改进的深度置信网络参数优化研究 |
| 4.4 改进的深度置信网络在不同工况下的研究 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（6）几类随机时滞神经网络的稳定性分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及现状 |
| 1.2 准备工作 |
| 1.2.1 记号说明 |
| 1.2.2 预备知识 |
| 1.3 论文的主要研究内容 |
| 第二章 混合时滞随机Hopfield神经网络的均方渐近稳定性 |
| 2.1 模型及相关条件 |
| 2.2 主要的结论 |
| 2.3 例子 |
| 2.4 本章小结 |
| 第三章 随机时滞细胞神经网络的几乎必然指数稳定性 |
| 3.1 模型及相关条件 |
| 3.2 主要的结果 |
| 3.3 例子 |
| 3.4 本章小结 |
| 第四章 带跳的随机时滞Hopfield神经网络数值解的指数稳定性 |
| 4.1 模型及相关条件 |
| 4.2 主要的结果 |
| 4.3 欧拉数值解的稳定性 |
| 4.4 后欧拉数值解的稳定性 |
| 4.5 数值算例 |
| 4.6 本章小结 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 致谢 |
（7）时滞离散递归神经网络稳定性及同步控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 人工神经网络的发展历史 |
| 1.3 时滞对递归神经网络的影响以及时滞递归神经网络的研究现状 |
| 1.3.1 时滞递归神经网络稳定性的研究现状 |
| 1.3.2 时滞递归神经网络同步的研究现状 |
| 1.4 预备知识 |
| 1.4.1 非线性离散系统Lyapunov稳定性理论 |
| 1.4.2 相关引理 |
| 1.5 本文的主要研究内容及安排 |
| 2 时滞离散递归神经网络稳定条件及鲁棒性分析 |
| 2.1 时滞离散递归神经网络模型 |
| 2.2 渐近稳定性及鲁棒性分析 |
| 2.3 鲁棒性仿真分析 |
| 2.4 本章小结 |
| 3 带干扰和丢包的时滞离散递归神经网络均方渐近同步控制 |
| 3.1 主-从系统模型及控制器设计 |
| 3.2 主-从系统同步条件及鲁棒性分析 |
| 3.3 系统同步及鲁棒性仿真分析 |
| 3.4 本章小结 |
| 4 时滞离散递归神经网络同步控制和非线性控制器设计 |
| 4.1 主-从系统模型及非线性控制器设计 |
| 4.2 主-从系统均方渐近同步条件及鲁棒分析 |
| 4.3 控制器求解及仿真分析 |
| 4.4 本章小结 |
| 5 时滞离散递归神经网络同步控制的重用策略 |
| 5.1 主-从系统模型及基于重用策略的控制器设计 |
| 5.2 主-从系统渐近同步条件 |
| 5.3 控制器增益矩阵的计算 |
| 5.4 主-从系统同步仿真分析及重用策略效果验证 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 致谢 |
| 发表文章目录 |
（8）基于代理模型的稳健优化设计及其改进（论文提纲范文）
| 摘要 |
| Abstract |
| 专有名词注释表 |
| 第一章 绪论 |
| 1.1 背景及意义 |
| 1.2 研究发展现状 |
| 1.2.1 稳健优化设计发展现状简介 |
| 1.2.2 代理模型发展现状简介 |
| 1.2.3 全局灵敏度分析发展现状简介 |
| 1.3 本文的主要工作 |
| 第二章 改进的GMDH神经网络算法及其应用 |
| 2.1 GMDH神经网络算法 |
| 2.2 改进的GMDH神经网络算法 |
| 2.2.1 基本流程 |
| 2.2.2 新的神经元筛选准则 |
| 2.3 Cut-GMDH神经网络算法 |
| 2.3.1 HDMR方法基本理论 |
| 2.3.2 Cut-HDMR方法 |
| 2.3.3 Cut-GMDH神经网络算法 |
| 2.4 算例 |
| 2.4.1 数值算例 |
| 2.4.2 工程算例 |
| 2.5 本章小结 |
| 第三章 输入变量的全局灵敏度分析 |
| 3.1 两种经典的全局灵敏度测度回顾 |
| 3.1.1 基于方差的全局灵敏度测度 |
| 3.1.2 矩独立全局灵敏度测度 |
| 3.2 求解基于方差的全局灵敏度指标的HDMR方法 |
| 3.2.1 展开式中系数的求解 |
| 3.2.2 常用正交多项式系及对应的分布 |
| 3.2.3 多项式展开的最高阶数的选取准则 |
| 3.3 求解基于方差的全局灵敏度指标的GMDH-HDMR方法 |
| 3.3.1 基本步骤 |
| 3.3.2 新的多项式展开的最高阶数的选取准则 |
| 3.4 算例 |
| 3.4.1 数值算例 |
| 3.4.2 工程算例 |
| 3.5 基于概率加权矩的全局灵敏度测度 |
| 3.5.1 概率加权矩的定义 |
| 3.5.2 基于概率加权矩的全局灵敏度测度 |
| 3.5.3 数值计算方法 |
| 3.6 算例 |
| 3.6.1 数值算例 |
| 3.6.2 工程算例 |
| 3.7 本章小结 |
| 第四章 稳健优化设计及其改进 |
| 4.1 稳健优化设计的基本理论 |
| 4.1.1 稳健优化设计定义及基本流程 |
| 4.1.2 常用的稳健度量 |
| 4.1.3 稳健优化设计的数学模型 |
| 4.2 稳健性的判定准则 |
| 4.2.1 准则一:目标函数在优化解处二阶可导 |
| 4.2.2 准则二:目标函数在优化解处二阶不可导 |
| 4.3 目标函数及约束条件的处理 |
| 4.3.1 现有的处理方法 |
| 4.3.2 加权求和法中最佳权重的选择 |
| 4.4 最大熵的稳健度量 |
| 4.5 求解策略 |
| 4.6 算例 |
| 4.6.1 数值算例 |
| 4.6.2 工程算例 |
| 4.7 本章小结 |
| 第五章 基于代理模型的稳健优化设计 |
| 5.1 基于代理模型的稳健优化设计主要流程 |
| 5.2 十杆结构的稳健优化设计 |
| 5.3 简易输电塔模型的稳健优化设计 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 附录 |
| 发表论文、参加科研及获奖情况 |
| 致谢 |
（9）几类复杂非线性系统的多稳定性分析与混杂控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的研究意义 |
| 1.2 国内外研究现状与发展动态分析 |
| 1.2.1 神经网络的多稳定性与多周期性研究概述 |
| 1.2.2 脉冲时滞神经网络周期解的稳定性研究概述 |
| 1.2.3 混合时滞反应扩散神经网络的脉冲同步研究概述 |
| 1.2.4 反应扩散神经网络的间歇控制研究概述 |
| 1.2.5 半线性抛物型系统的采样控制研究概述 |
| 1.3 符号说明、相关定义与引理 |
| 1.3.1 符号说明 |
| 1.3.2 相关定义与引理 |
| 1.4 本文的主要工作和简介 |
| 第二章 时滞随Hopfield神经网络的多稳定性分析 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 多稳定性分析 |
| 2.4 数值例子 |
| 2.5 本章小结 |
| 第三章 时滞随机细胞神经网络的多周期性及干扰衰减分析 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 多周期解的存在性和均方稳定性 |
| 3.4 多周期解的干扰衰减分析 |
| 3.5 数值例子 |
| 3.6 本章小结 |
| 第四章 受脉冲驱动的时滞神经网络周期解的生成与控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 周期解的存在性与稳定性 |
| 4.3.1 快变时滞的稳定性分析 |
| 4.3.2 缓变时滞的稳定性分析 |
| 4.4 数值例子 |
| 4.5 本章小结 |
| 第五章 混合时滞反应扩散神经网络的脉冲同步及其应用于图像加密 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 同步判据 |
| 5.4 数值例子 |
| 5.5 脉冲同步应用于图像加密 |
| 5.5.1 时空混沌加密系统 |
| 5.5.2 实验结果 |
| 5.5.3 安全性分析 |
| 5.6 本章小结 |
| 第六章 基于空间采样的反应扩散神经网络的有限维间歇镇定 |
| 6.1 引言 |
| 6.2 一类反应扩散神经网络的周期间歇采样镇定 |
| 6.2.1 问题描述 |
| 6.2.2 稳定性分析 |
| 6.2.3 数值例子 |
| 6.3 一类随机反应扩散神经网络的有限维非周期间歇镇定 |
| 6.3.1 问题描述 |
| 6.3.2 稳定性分析 |
| 6.3.3 控制器设计 |
| 6.3.4 数值例子 |
| 6.4 本章小结 |
| 第七章 空间点测量下的一类抛物型系统的采样分布H_∞控制 |
| 7.1 引言 |
| 7.2 问题描述 |
| 7.3 稳定性分析 |
| 7.4 有限L_2增益分析 |
| 7.5 数值例子 |
| 7.6 本章小结 |
| 总结与展望 |
| 主要贡献 |
| 后续研究与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 攻读学位期间参与的基金项目 |
（10）分布参数高阶随机时滞Hopfield神经网络的指数稳定性（论文提纲范文）
| 0 引言 |
| 1 模型描述与基本假设 |
| 2 主要结果 |
| 3 数值算例 |
| 4 结论 |
四、Stabilization of stochastic Hopfield neural network with distributed parameters（论文参考文献）
- [1]几类反应扩散系统的稳定性分析[D]. 苏日古嘎. 哈尔滨工业大学, 2021
- [2]基于忆阻器的随机神经网络应用研究[D]. 卢建. 中国科学技术大学, 2021(09)
- [3]循环神经网络的自动高速结构优化[D]. 贾金梁. 电子科技大学, 2021(01)
- [4]连续型Hopfield神经网络的稳定性和同步性分析[D]. 张欣欣. 燕山大学, 2020(01)
- [5]人工智能在电网故障诊断中的应用研究[D]. 王迪. 华北电力大学(北京), 2020(06)
- [6]几类随机时滞神经网络的稳定性分析[D]. 谭亚华. 天津工业大学, 2019(02)
- [7]时滞离散递归神经网络稳定性及同步控制研究[D]. 林德辉. 浙江大学, 2019(01)
- [8]基于代理模型的稳健优化设计及其改进[D]. 王璐. 西北工业大学, 2018(06)
- [9]几类复杂非线性系统的多稳定性分析与混杂控制研究[D]. 罗世贤. 广西大学, 2016(02)
- [10]分布参数高阶随机时滞Hopfield神经网络的指数稳定性[J]. 赵碧蓉,戴喜生. 南京信息工程大学学报(自然科学版), 2014(02)
标签：神经网络模型论文; 网络模型论文; 忆阻器论文; 网络结构论文; hopfield神经网络论文;