一类二元离散神经网络模型的收敛性

研究离散二元神经网络模型{xn 1=λxpf(xn) (1-λ)f(yn)[xn] yn 1=λxn qf(yn) (1-λ)f(xn)[yn] 解的收敛性. 这里λ∈(0,1)是常数,p,q时非负已知常数且p·q=0;[x] 表示:[x] ={x,x＞0, 0,x≤0.信号传输函数f为三段非线性常数函数.     

离散Hopfield型神经网络的异步收敛性研究

主要研究非对称离散Hopfield神经网络的异步演化方式的收敛性，并给出了一些新的收敛性条件。若网络的连接权矩阵可以分解成主对角元素非负的对称矩阵和行（列）对角占优的矩阵之和，则网络是异步收敛的，所获结果推广了已有的结论。     

二元离散模型收敛性

考虑具非线性函数的二元离散神经网络模型，其中网值a、b∈R，并且ab(a 1/1-λ)（b=1/1-λ)=0。当初始条件及a、b变化时，模型的极限点也不同。由此得到了模型的解收敛的一些充分条件。     

一类二元离散细胞神经网络的收敛性与周期解的存在性

主要研究了一类反馈矩阵为对称矩阵的二元离散细胞神经网络模型的收敛性和周期解的存在性,利用Uapunov直接方法和Lasalle不变集原理,获得了系统的稳定性、渐近稳定性、2-周期解的存在吸引性等新的结果．     

一类离散神经网络的全局指数同步探析

定义了离散型神经网络全局指数同步的概念,研究了一类离散型时滞神经网络的全局指数同步问题,给出了这类神经网络全局指数同步的充分性判据,判据的有效性可通过LMI工具箱得到检验.     

一类二元时滞神经网络模型同步解的收敛性

对一类二元时滞神经网络模型的同步解进行定性研究,主要是针对网络参数的不同取值,分步地求解一个在一定初始函数空间中给定初始值的泛函微分方程,再讨论模型同步解的收敛性.我们的分析表明网络参数在神经网络模型研究中具有极其重要的作用.     

分形神经网络中的收敛性

近年来,许多学者对具有联想记忆功能的神经网络模型进行了广泛研究,提出了多种模型结构和学习算法,其中有代表性的是 Hopfield 模型。但该模型的记忆容量很有限,误差校正能力也不强。所以,寻找高性能的新的联想记忆模型,是神经网络研究中的一个重要内容。     

一类训练前馈神经网络的梯度算法及收敛性

为加速网络训练,给出学习率的一种更广泛的选取方式,并从理论上证明这类新的变学习率的梯度学习算法的收敛性和训练过程中误差函数的单调递减性.     

神经网络控制的稳定性与收敛性分析

本文采用梯度下降技术及非线性函数逼近理论。对神经网络控制的稳定性、收敛性进行了分析，给出稳定性和收敛性条件。最后根据本文提出的定理进行了仿真，仿真结果表明条件是正确的。     

一类二元神经网络模型的收敛性

讨论了一类二元时滞反馈人工神经网络模型．在假设信号传输函数是分段常数非线性的条件下，得到了该模型解的收敛性质。     

基于神经网络模型的采场巷道收敛预测研究

根据余化寺矿的生产实际情况，分析影响巷道围岩收敛的主要因素，利用神经网络的非线性、学习和记忆等功能，建立了针对采场巷道收敛的神经网络预测模型、通过对采场巷道围岩收敛的现场监测，采用训练样本训练网络模型，并用检验样本对模型进行检验，预测模型性能好，预测精度高。     

三角形式非线性离散系统自适应神经网络控制

针对一类控制输入为三角形式的多输入多输出离散非线性系统,提出了基于反步法的自适应神经网络控制方法.由于该系统的控制输入为非仿射形式,不能采用反馈线性化的方法设计控制系统;因此,首先采用隐函数定理证实了能够使系统输出跟踪期望轨迹的理想控制输入的存在性,并构造了理想的控制输入.利用高阶神经网络估计这些控制输入,提出了基于反步法的自适应神经网络控制方法.证明了所提出的控制方法能够保证闭环系统的所有信号半全局一致最终有界,并通过仿真验证了该方法的有效性.     

神经网络全局收敛快速算法在非线性建模中的应用

把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,给出前馈神经网络在线运行投影学习算法,理论上证明算法的全局收敛性,并讨论算法参数的选择范围．通过非线性时变系统的神经网络建模应用的仿真,验证算法的在线运行能力．     

基于非合作博弈的三网融合策略

在对我国当前网络运营商的业务及其关系进行描述的基础上,建立其业务与效益模型,并对竞争运营商进行非合作博弈分析.分析结果表明,可以通过调控运营商间合作因子,使运营商在非合作博弈条件下,其纳什均衡点与系统全局最优点重合,达到其合并运营的效果.由此说明,对各个运营商的网络进行实质合并不是必须的.在三网融合中心的参与下,使用合适的计费策略监督与调节各运营商的计费关系,就可以实现高效的三网融合.     

离散时间BAM神经网络周期解的存在性

利用迭合度连续定理研究了具有周期系数的离散时间BAM神经网络周期解的存在性,得到了比原有结果更优化的结论。     

基于遗传算法的BP网络全局收敛的混合智能学习算法

给出了一种将 BP算法和遗传算法有机结合的全局收敛的混合计算智能学习算法。此算法结合了 BP算法和遗传算法的长处 ,既有较快的收敛性 ,又具备良好的全局收敛特性。计算机仿真结果表明 ,该混合算法显著优于遗传算法和 BP算法