论文目录 | |
中文摘要 | 第1-7页 |
Abstract | 第7-13页 |
第一章 绪论 | 第13-27页 |
1.1 变分不等式的研究背景 | 第13-15页 |
1.2 神经计算的概述 | 第15-18页 |
1.3 基于神经计算的变分不等式优化求解研究现状 | 第18-19页 |
1.4 神经网络的稳定性分析方法及研究概况 | 第19-21页 |
1.5 预备知识 | 第21-25页 |
1.5.1 符号说明 | 第21页 |
1.5.2 相关定义和引理 | 第21-25页 |
1.6 本文的主要工作 | 第25-27页 |
第二章 基于无时滞投影神经网络的线性变分不等式优化求解 | 第27-39页 |
2.1 引言 | 第27页 |
2.2 无时滞投影神经网络的模型描述 | 第27-29页 |
2.3 不同可行域下的神经网络稳定性分析 | 第29-34页 |
2.3.1 可行域为矩形域下的稳定性 | 第29-33页 |
2.3.2 可行域为任意闭凸集下的稳定性 | 第33-34页 |
2.4 仿真研究 | 第34-38页 |
2.5 本章小结 | 第38-39页 |
第三章 利用时变时滞投影神经网络的线性变分不等式优化求解 | 第39-59页 |
3.1 引言 | 第39页 |
3.2 时变时滞投影神经网络的模型设计 | 第39-40页 |
3.3 平衡点的存在性和唯一性 | 第40-43页 |
3.4 不同时变时滞率下的神经网络稳定性分析 | 第43-53页 |
3.4.1 慢时变时滞下的稳定性判据 | 第43-45页 |
3.4.2 任意时变时滞下的稳定性判据 | 第45-53页 |
3.5 对比分析与仿真 | 第53-57页 |
3.6 本章小结 | 第57-59页 |
第四章 基于中立型投影神经网络的线性变分不等式优化求解 | 第59-75页 |
4.1 引言 | 第59页 |
4.2 中立型投影神经网络模型 | 第59-61页 |
4.3 中立型投影神经网络的稳定性 | 第61-70页 |
4.3.1 有结果的隐含保守性分析 | 第61-62页 |
4.3.2 改进的全局指数稳定判据 | 第62-70页 |
4.4 数值仿真 | 第70-73页 |
4.5 本章小结 | 第73-75页 |
第五章 利用混合时滞投影神经网络的线性变分不等式优化求解 | 第75-97页 |
5.1 引言 | 第75页 |
5.2 混合时滞投影神经网络的模型设计 | 第75-76页 |
5.3 混合时滞系统的稳定性分析 | 第76-94页 |
5.4 对比分析与仿真 | 第94-96页 |
5.5 本章小结 | 第96-97页 |
第六章 基于神经计算的广义线性变分不等式优化求解 | 第97-119页 |
6.1 引言 | 第97页 |
6.2 广义线性变分不等式和预备知识 | 第97-98页 |
6.3 神经计算模型的设计 | 第98-99页 |
6.4 网络平衡点的存在性和唯一性 | 第99-102页 |
6.5 基于不同理论的神经网络稳定性分析 | 第102-114页 |
6.5.1 基于矩阵泛函微分方程理论的神经网络稳定性 | 第102-106页 |
6.5.2 基于Lyapunov理论的神经网络稳定性 | 第106-114页 |
6.6 仿真例子 | 第114-118页 |
6.7 本章小结 | 第118-119页 |
第七章 基于神经计算的非线性逆变分不等式优化求解 | 第119-135页 |
7.1 引言 | 第119页 |
7.2 逆变分不等式与网络模型设计 | 第119-120页 |
7.3 网络平衡点的存在性和唯一性 | 第120-123页 |
7.4 Lipschitz常数依赖的全局指数稳定性 | 第123-129页 |
7.5 仿真研究 | 第129-134页 |
7.6 本章小结 | 第134-135页 |
第八章 结论与展望 | 第135-137页 |
参考文献 | 第137-149页 |
攻读博士学位期间的研究成果 | 第149-151页 |
致谢 | 第151-152页 |
个人简历 | 第152页 |