近年来，时滞神经网络在图像处理、模式识别、联想记忆、信号处理、全局优化和保密通信等领域得到广泛的应用，惯性项的添加不仅可以使得神经网络算法收敛速度加快，而且会带来更丰富的动力学行为。本书主要对不同情况下的时滞惯性神经网络，从两个方面即自治系统以及非自治系统下平衡点的全局稳定性以及自治系统周期解的局部稳定性、Hopf分岔、共振余维二分岔、混沌和如何增加脉冲控制器保证系统的稳定性的方法进行了一系列的阐述。
【目录】
目录
第1章 绪论 1
1.1 人工神经网络概述 1
1.1.1 人工神经网络发展 1
1.1.2 人工神经网络动力学行为研究概述 3
1.2 时滞神经网络研究概述 4
1.2.1 时滞神经网络的稳定性研究 5
1.2.2 时滞神经网络的分岔与混沌研究概述 7
1.3 时滞惯性神经网络概述 13
1.4 时滞脉冲神经网络概述 14
参考文献 16
第2章 时滞动力系统研究预备知识 21
2.1 时滞动力系统稳定性行为预备知识 21
2.2 时滞动力系统分岔行为预备知识 22
2.2.1 时滞动力系统的Hopf分岔：Hassard方法 23
2.2.2 带有外部周期激励的时滞动力系统Hopf分岔：平均法 24
2.3 时滞动力系统的混沌行为预备知识 26
2.4 三种时滞动力系统控制方法概述 30
2.4.1 时滞神经网络的脉冲控制 30
2.4.2 时滞神经网络的切换控制 31
2.4.3 时滞神经网络的间歇控制 32
参考文献 33
第3章 带分布时滞的神经网络模型渐近稳定性分析 38
3.1 带分布时滞的神经网络模型描述 38
3.2 模型的稳定性分析 40
3.3 本章小结 50
参考文献 50
第4章 带惯性项的两个时滞神经元系统的Hopf分岔和混沌分析 51
4.1 带惯性项的两个时滞神经元系统描述 51
4.2 系统的局部稳定性和Hopf分岔 52
4.3 分岔周期解的稳定性和分岔方向 57
4.4 数值仿真 64
4.5 混沌行为的发现 69
4.6 本章小结 76
参考文献 76
第5章 带惯性项的两个时滞神经元系统的共振余维二分岔 77
5.1 带惯性项的两个时滞神经元系统描述 77
5.2 余维二分岔的存在性和局部稳定性 77
5.3 分岔周期解的稳定性和分岔方向 82
5.4 数值仿真 84
5.5 本章小结 87
参考文献 88
第6章 外部周期激励下惯性时滞神经网络分岔周期解的稳定性分析 89
6.1 外部周期激励下的时滞惯性神经网络模型描述 89
6.2 对应自治系统的局部稳定性和Hopf分岔的存在性 90
6.3 分岔周期解的方向和稳定性分析 92
6.3.1 简化中心流形 93
6.3.2 平均方程 96
6.3.3 分岔周期解的稳定性与方向分析 97
6.4 数值仿真 98
6.5 本章小结 106
参考文献 107
第7章 外部周期激励下两个时滞神经元系统的动力学行为分析 109
7.1 带外部周期激励的两个时滞神经元系统模型描述 109
7.2 对应自治系统的局部稳定性分析以及Hopf分岔存在性 110
7.3 分岔周期解的稳定性和方向 112
7.3.1 简化中心流形 112
7.3.2 分岔周期解及其稳定性讨论 115
7.4 数值仿真 117
7.5 本章小结 125
参考文献 125
第8章 基于脉冲控制的时滞惯性BAM神经网络的稳定性分析 126
8.1 脉冲控制下的时滞惯性BAM神经网络模型描述 126
8.2 稳定性分析 130
8.3 数值仿真 134
8.4 本章小结 139
参考文献 139
第9章 周期间歇控制下时滞惯性BAM神经网络的指数稳定性分析 141
9.1 周期间歇控制下的时滞惯性BAM神经网络模型描述 141
9.2 稳定性分析 143
9.3 数值仿真 147
9.4 本章小结 149
参考文献 149
索引 150
【书摘与插画】
?
