论文部分内容阅读
本文利用Lyapunov函数方法和不等式技术讨论了两类具有时变时滞的模糊神经网络模型，即具有时变时滞的 Takagi-Sugeno（T-S）模糊 Cohen-Grossberg神经网络(CGNNs)模型和具有时变时滞的T-S模糊Bidirectional Associative Memory(BAM)神经网络模型，给出了系统的指数吸引集存在的充分条件，并给出了这些集合的具体估计.全文分为4章，主要内容如下： 第一章介绍了模糊神经网络的发展历史与研究现状，课题研究背景与意义，同时简单介绍了T-S模糊模型. 第二章针对T-S型模糊CGNNs，对其进行Lagrange全局指数稳定性分析，通过构造适当的Lyapunov函数和选择恰当的不等式，给出了一些使T-S型模糊CGNNs在Lagrange意义下全局指数稳定的不等式形式的充分条件，同时也给出了模糊 CGNNs全局指数吸引集的估计式. 第三章针对T-S型模糊BAM神经网络，对其鲁棒指数收敛性进行分析，给出了一些使T-S型模糊BAM神经网络鲁棒指数收敛的不等式形式的充分条件. 第四章总结全文并进行展望，主要对本文的研究工作作一个全面的总结，同时指出了新型模糊神经网络还有待完善的地方，并提出一些改进设想.