高阶模糊细胞神经网络动力学性质研究毕业论文答辩.ppt

模糊细胞神经网络简介 目前，人工神经网络发展的一个重要趋势由单纯的神经计算向生 物智能方向迈进，高阶模糊神经网络就是典型的代表。由于突触连接 除了二体相互作用的基本类型外，还存在着超微结构这些超微结构在 中枢神经系统内部很多部位存在，并在较大程度上决定大脑发育的完 善程度，因此在模型中如果只考虑二体相互作用的情形往往具有局限 性，为了提高神经网络的性能，可以在模型中增加高阶连接权得到高 阶神经网络模型，从而增加模型的容错能力、映射逼近能力、存储能 力以及降低了网络成本。由于高阶神经网络比一阶神经网络在逼近能 力、收敛速度、存储能力及容错能力等方面都具有更强的功能,近年 来不少学者对高阶神经网络进行研究，并且所取得了成果已经在模式 识别、联想存储以及优化设计等方面得到越来越广泛的应用。 二、变时滞高阶模糊神经网络平衡点的研究 在神经网络的硬件实现时，由于受放大器开关速度和 信号传输速度的限制，时滞的存在是不可避免的.时滞对 神经网络的性能有较大的影响，它可导致网络产生不稳定 现象和振荡。由于在实际应用中, 神经网络系统的时滞通 常是时变的,有时受电子回路发生故障的影响和放大器转 换速度的限制, 时滞甚至会随时间发生剧烈的变化。此外 ，神经网络的一个重要应用是最优化计算，对于最优化计 算的神经网络，为了避免局部极小，比较理想的情形是只 有一个全局稳定的平衡点，所以研究变时滞神经网络平衡 点的存在唯一性具有重要的理论意义和现实意义。 二、变时滞高阶模糊神经网络平衡点的研究 二、变时滞高阶模糊神经网络平衡点的研究 二、变时滞高阶模糊神经网络平衡点的研究 二、变时滞高阶模糊神经网络平衡点的研究 二、变时滞高阶模糊神经网络平衡点的研究 四、变系数高阶模糊神经网络指数稳定性 四、变系数高阶模糊神经网络指数稳定性 四、变系数高阶模糊神经网络指数稳定性 四、变系数高阶模糊神经网络指数稳定性 四、变系数高阶模糊神经网络指数稳定性 暨南大学数学系论文答辩 导 师：谭满春 教授 汇报人：徐书苹 高阶模糊细胞神经网络动力学性质研究 研究背景及课题的提出 01 变时滞高阶模糊神经网络平衡点的研究 02 周期解的存在性及全局指数稳定性 03 总结与展望 05 变系数高阶模糊神经网络指数稳定性 04 论文 结构 一.研究背景及课题的提出 神经网络简介 神经网络技术是20世纪末发展起来的一门新兴的、综合性、交叉性很强的学科，由于其自身具有良好的自学习适应能力、非线性映射能力以及并行信息处理能力，为解决控制问题和非线性系统建模提供了一种新思路，因而吸引了国内外众多专家学者的研究，并取得了一定的成就，从而使得神经网络控制成为智能控制的一个重要分支。基于神经网络控制系统具有一定的学习能力，能够很好的适应系统特性的变化，适合复杂系统的建模和控制，特别是在系统存在不确定性因素时，更能体现神经网络方法的优越性，因而在生活中神经网络系统得到广泛应用。在应用神经网络时，人们总是希望系统有较快快的全局收敛特性、大范围的映射泛化能力以及实用性。 70年代 60年代 50年代 40年代 一.研究背景及课题的提出 一.研究背景及课题的提出 自从美国加州伯克莱大学的L.O.Chua和L.Yang提出细胞神经网(CNN)以来,由于其巨大的潜在应用前景, 因此很快成为研究的新热点。为更好地模拟神经细胞,Yang将模糊逻辑应用于细胞神经网络,提出了模糊细胞神经网络(FCNN),模糊神经网络是由模糊逻辑和神经网络结合而成的，它不仅保留了细胞神经网络神经元间的局部连接，具有双值输出，输出的信号函数是分段线性，运行速度快等优点之外，而且具有更好的收敛性和稳定性，较强的知识存储能力、自学能力以及处理不确定信息的能力。由于模糊神经网络的提出是基于不确定性——研究大脑模型所遇到的普遍问题,所以比一般神经网络更接近人脑，因而模糊神经细胞网络被广泛的应用于数学、模式识别、计算机科学、人工智能、优化控制、方程求解、机器人、军事科学等方面。 控制和优化 模式识别和图像处理 预报和智能信息管理 通讯 应用领域 一.研究背景及课题的提出 主要 特性 非线性映射 实时操作能力 自适应能力 容错性 具有很强的信息综合能力 一.研究背景及课题的提出 一.研究背景及课题的提出 高阶模糊神经网络概况 系统模型描述 本章主要研