论文部分内容阅读
人工神经网络是一种在模拟大脑神经元和神经网络结构、功能基础上而建立的一种现代信息处理系统。它是人类在认识和了解生物神经网络的基础上,对大脑组织结构和运行机制进行抽象、简化和模拟的结果。其实质是根据某种数学算法或模型,将大量的神经元处理单元,按照一定规则互相连接而形成的一种具有高容错性、智能化、自学习和并行分布特点的复杂人工网络结构。神经网络在模式识别、图像处理、智能控制等领域有广泛的应用。因此研究神经网络的理论及其应用具有深远的实际意义和极强的理论价值。本文的主要研究内容如下:研究了具有时变时滞的执行器饱和的耦合脉冲神经网络的有限时间稳定性问题。基于时滞状态控制,可以在有限时间内实现具有时变时滞和执行器饱和的耦合脉冲神经网络的稳定性。结合Lyapunov的有限时间稳定性理论,分别通过凸组合方法和扇形区域法,获得具有时变时滞和执行器饱和的耦合神经网络在有限时间内达到稳定性的一些条件。此外,给出了具有执行器饱和的耦合脉冲神经网络的驻足时间,发现它与初始状态和脉冲效应有关。最后使用两个仿真实验来证明所获结果的有效性。研究了具有无界时滞和执行器饱和的脉冲惯性神经网络的稳定性。基于凸组合方法,为脉冲惯性神经网络获得了确保全局渐进稳定性的一些充分条件。通过使用具有2-范数矩阵形式的Lyapunov函数,获得了确保脉冲惯性神经网络的稳定性的一些条件。最后,通过几个仿真实例验证了该方法的有效性。研究了具有执行器饱和的耦合时滞神经网络的脉冲同步问题。设计了一种新的控制器,将执行器饱和项引入到脉冲控制器中。基于扇型区域非线性方法,分别研究了具有执行器饱和和部分执行器饱和的脉冲控制,并获得了一些有效的充分条件。通过数值模拟验证了理论结果的正确性。最后,模型应用于图像加密。实验结果表明,所提出的图像加密系统具有较高的安全性。提出了一种基于时空注意和双流融合卷积神经网络的基于视频的行人再识别新方法,该方法由双流融合卷积神经网络,长短期记忆网络,空间注意子网络和时间注意子网络组成。具体来说,双流卷积神经网络同时学习时间和空间特征,并执行两次融合以实现更好的特征表示。空间注意网络是在每帧中自动选择行人图像的重要部分。时间注意模型根据不同帧的重要性分配不同的权重。在基准数据集上进行的实验表明,该方法优于基于视频的行人再识别的现有方法。