论文部分内容阅读
众所周知,神经网络广泛应用于各个领域,而其应用的基础和前提是其性能的好坏,即神经网络的稳定性。在神经网络应用的过程中,主要存在两个方面的因素破坏其稳定性,一方面是时间延迟现象,另一方面是参数的不确定性。因此,为了更好地发挥神经网络的应用价值,对于时滞神经网络的鲁棒稳定性讨论是极其重要的。在本文中,我们主要研究两类时滞神经网络的鲁棒稳定性。首先,研究了带有一般激励函数神经网络的鲁棒指数稳定性。与目前一些结论相比,我们取消了激励函数的全局Lipschitz条件,因此,更具有一般性。在此部分中,利用拓扑度理论证明了平衡点的存在唯一性,接下来运用Lyapunov稳定性定理证明了此类神经网络的全局鲁棒指数稳定性,并举例说明了本结论的优越性。其次,研究了具有反向Lipschitz激励函数神经网络的鲁棒稳定性。激励函数满足反向Lipschitz这一特征具有非常重要的应用价值,引起了越来越多学者的关注。在本文中,我们给出确保此类神经网络鲁棒稳定性的充分条件,并通过数值算例验证了所得结论的有效性。