具有可变时滞的Hopfield型随机神经网络的指数稳定性

研究了具有可变时滞的Ｈｏｐｆｉｅｌｄ型随机种经网络的指数稳定性,应用Ｒａｚｕｍｉｋｈｉｎ定理与 Ｌｙａｐｕｎｏｖ函数,建立了这种神经网络的均方指数稳定与几乎必然指数稳定的两类判据,一类是时 滞相关而另一类是时滞无关．     

时滞细胞神经网络的时滞相关指数稳定性

应用Lyapunov泛函法研究了具有时滞的细胞神经网络（DCNNs）的平衡点的全局指数稳定性，获得了一个指数稳定性的判定准则。这个准则与时滞的大小有关，即DCNNs是指数稳定的只要系统所含时滞不超过一个界。     

时滞细胞神经网络的稳定性研究

本文通过构造Lyapunov函数和利用不等式分析技巧，研究了具有时滞的细胞神经网络的稳定性，给出了与时滞无关的网络渐近稳定的充分判据，该判据可用于时滞细胞神经网络的设计与检验，有重要的理论意义与应用价值。     

含脉冲的Hopfield神经网络的全局指数稳定性

研究了一类含脉冲的Hopfield神经网络的全局指数稳定性.利用同胚映射理论、Lyapunov函数思想和不等式技巧,给出了平衡点的存在唯一性和全局指数稳定性的新的判别准则.     

一类随机BAM细胞神经网络的指数稳定性

研究了一类随机BAM细胞神经网络的指数稳定性,利用Lyapunov函数理论、It公式和线性矩阵不等式方法,建立了这种细胞神经网络均方指数稳定性判定的充分性条件.     

Hopfield型时滞神经网络的指数稳定性

研究了Ｈｏｐｆｉｅｌｄ型随机时滞神经网络ｄｘ（ｔ）＝［－Ａｘ（ｔ）＋Ｂσ（ｘ（ｔ一τ））］ｄｔ＋ｆ（ｔ．ｘ（ｔ）,Ｘ（ｔ—τ））ｄｗ（ｔ）的均方指数稳定性与几乎必然指数稳定性．应用Ｌａｙａｐｕｎｏｖ函数与鞅不等式,建立了这种随机时滞神经网络指数稳定的时滞相关的充分条件．文献中某些关于确定性的时滞神经网络ｘ（ｔ）＝－Ａｘ（ｔ）＋Ｂσ（ｘ（ｔ－τ））与神经网络ｘ（ｔ）＝－Ａｘ（ｔ）＋Ｂσ（ｘ（ｔ））的稳定准则是文中的特殊情况．     

变时滞细胞神经网络的全局指数稳定性研究

本文采用Lyapunov-Krasovskii泛函方法对一类变时滞细胞神经网络的全局指数稳定性进行了研究,得出了一些关于DCNN全局指数稳定性的充分条件。     

连续型BAM神经网络的指数稳定性

首先将连续型双向联想记忆神经网络转化成一个特殊的Hopfield网络模型.在此基础上,对连续BAM神经网络的指数稳定性进行了新的分析,证明了神经网络连接权矩阵在给定的约束条件下有唯一平衡点.所做的分析可以用于设计全局指数稳定的神经网络.     

一类具有时滞的Cohen-Grossberg神经网络的指数稳定性

考虑一类具有时滞的Cohen-Grossberg神经网络,利用Lyapunov方法和微分不等式理论,得到了其全局指数稳定性的判别准则.该准则引入了更多的参数,更便于系统的设计与分析.     

具有脉冲和无限时滞的模糊细胞神经网络的全局指数稳定性

本文讨论了具有脉冲和无限时滞的模糊细胞神经网络的全局指数稳定性.通过建立一个脉冲时滞%积分微分不等式,以及模糊逻辑算子与M-矩阵的性质,不仅得到了系统全局指数稳定的充分条件,而且也给出了指数收敛速度.最后,所给的例子充分验证了文中所给出的充分条件的有效性.     

时滞细胞神经网络概周期解的存在性与全局指数稳定性

通过利用Banach 空间中的不动点定理和Lyapunov泛函的方法,获得了时滞细胞神经网络概周期解的存在性与全局指数稳定性的新结论. 所获结果在较大程度上改进和推广了已有文献中的相应结果.     

时滞细胞神经网络的稳定性分析

研究具有时滞的细胞神经网络的稳定性问题，通过构造合适的Lyapunov函数及不等式分析技巧，给出了时滞细胞神经网络全局稳定的新的充分判据，这些结论推广了已知文献中的结果。     

具有时滞的细胞神经网络的全局指数稳定性

利用Liapunov函数方法,结合积分不等式技巧,分析了时滞细胞神经网络的平衡点存在的唯一性和全局指数稳定性,保证时滞细胞神经网络全局指数稳定的一个新的充分判据被得到.所得判据比已有文献具有更少的限制,为实际应用提供了方便.     

Cohen-Grossberg神经网络的全局指数稳定性分析

本文研究了CohenGrossberg神经网络模型的指数稳定性.为避免构造Lyapunov函数的困难,我们采用广义相对Dalquist数方法来分析神经网络的稳定性.借助这一方法,我们不但得到了CohenGrossberg神经网络模型平衡解的存在性、唯一性和全局指数稳定性的新的充分条件,而且给出了神经网络的指数衰减估计.所获结论改进了已有文献的相关结果.     

Global Exponential Stability in Discrete-time Analogues of Delayed Cellular Neural Networks

A novel method called semi-discretization is employed in the formulation of discrete-time analogues of nonlinear delayed differential equations modelling cellular neural networks. The dynamical characteristics of the discrete-time analogues are studied. When the network parameters satisfy certain sufficient conditions which are independent of the delays, the discrete-time analogues for any choice on the discretization step-size are shown to be globally exponentially stable. The sufficient conditions are obtained by employing an appropriate form of Lyapunov sequences and these conditions correspond to those which have been obtained in the literature for the global exponential stability of continuous-time delayed cellular neural networks. Several examples and computer simulations are given to support our results and to demonstrate some of the advantages of the discrete-time analogues in numerically simulating their continuous-time counterparts.