通常一个用于解决复杂非线性问题的人工神经网络模型具有大量的神经元，并且它们之间的连接是非常复杂的。在实际中人们很难完全知道每个神经元的状态信息，因此对时滞递归神经网络的状态估计问题的研究具有非常重要的意义。本书主要介绍有关时滞递归神经网络的状态估计理论和应用的最新成果，运用多种不同的方法（如时滞划分方法、松弛变量方法和多重积分不等式方法等）处理三类时滞神经网络的状态估计问题，给出了状态估计器的设计算法，并通过大量的例子来验证本书的理论成果。最后，讨论了理论成果在反馈控制中的应用。
样章试读
目录
前言第 1章引言 1
1.1神经网络的研究进展 1
1.2递归神经网络的分类 3
1.3递归神经网络的动力学行为 5
1.3.1 Lyapunov稳定性理论简介 5
1.3.2时滞线性系统的稳定性 6
1.3.3时滞递归神经网络的稳定性 8
1.4研究现状和全书主要内容概述 9
1.5几个常用的引理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12
第一部分时滞局部场神经网络的状态估计
第 2章时滞局部场神经网络的状态估计 (I)：基于自由权矩阵的方法 . . . . . . . . 15
2.1问题的描述 16
2.2时滞局部场神经网络的状态估计器设计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3仿真示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27第 3章时滞局部场神经网络的状态估计 (II)：基于改进的时滞划分方法 28
3.1问题的描述 29
3.2改进的时滞划分方法的基本思想 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3基于改进时滞划分方法的状态估计器设计 32
3.4数值结果与比较. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .39
3.5本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40第 4章时滞局部场神经网络的状态估计 (III)：基于松弛参数的方法 41
4.1问题的描述 42
4.2基于松弛参数的状态估计器设计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3在时滞混沌神经网络中的应用 49
4.4本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51第 5章具有参数不确定性的时滞局部场神经网络的鲁棒状态估计 52
5.1问题的描述 53
5.2鲁棒状态估计器的设计 56
5.3不带参数不确定性的时滞局部场神经网络的状态估计 62
5.4仿真示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.5本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69第 6章时滞局部场神经网络的保性能状态估计 70
6.1问题的描述 71
6.2依赖于时滞的保 H∞性能的状态估计器的设计 73
6.3依赖于时滞的保广义 H2性能的状态估计器的设计 80
6.4两个示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.5讨论与比较 91
6.6本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
第二部分时滞静态神经网络的状态估计第 7章时滞静态神经网络的状态估计 (I):依赖于时滞的设计方法 99
7.1问题的描述 100
7.2状态估计器的设计 102
7.3时滞静态神经网络的稳定性分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.4仿真示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .113
7.5本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .117第 8章时滞静态神经网络的状态估计 (II):保性能状态估计的初步结果 . . . .119
8.1问题的描述 119
8.2时滞静态神经网络的保 H∞性能的状态估计 121
8.2.1不依赖于时滞的保 H∞性能的状态估计 121
8.2.2依赖于时滞的保 H∞性能的状态估计 125
8.3保广义 H2性能的状态估计器设计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.3.1不依赖于时滞的保广义 H2性能的状态估计 . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.3.2依赖于时滞的保广义 H2性能的状态估计 . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
8.4仿真示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .139
8.5本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .143
第 9章时滞静态神经网络的状态估计 (III)：基于二阶积分不等式的保性能状态估计 145
9.1问题的描述 146
9.2基于二阶积分不等式的保 H∞性能的状态估计 . . . . . . . . . . . . . . . . . . . . . . 149
9.2.1依赖于时滞的保 H∞性能的设计准则 149
9.2.2仿真示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
9.3基于二阶积分不等式的保广义 H2性能的状态估计 156
9.3.1依赖于时滞的保广义 H2性能的设计准则 . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
9.3.2仿真示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
9.4本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .164第 10章时滞静态神经网络的状态估计 (IV): Arcak型状态估计器设计 166
10.1问题的描述 167
10.2保广义 H2性能的状态估计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
10.3示例与数值比较 175
10.4本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .176
第三部分带马尔可夫跳跃参数的时滞递归神经网络的状态估计
第 11章依赖于系统模态的带马尔可夫跳跃参数和混合时滞的递归神经网络的状态估计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .181
11.1问题的描述 183
11.2依赖于系统模态的状态估计器设计 186
11.3讨论与比较 193
11.4具有复杂动力学行为的马尔可夫跳跃神经网络的状态估计 199
11.5本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .206第 12章带马尔可夫跳跃参数的时滞递归神经网络的滤波器设计 207
12.1问题的描述 207
12.2 H∞滤波器的设计 209
12.3 L2 -L∞滤波器的设计 213
12.4仿真示例. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .219
12.5本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .220
第四部分时滞递归神经网络的状态估计理论在反馈控制方面的应用
第 13章基于状态估计理论的时滞递归神经网络的指数镇定 . . . . . . . . . . . . . . . . 223
13.1问题的描述 224
13.2基于状态估计的反馈控制 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
13.3仿真示例. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .231
13.4本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .234
参考文献 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .235本书常用的数学符号 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .252]]>
京公网安备 11010102004214号