原创《动力学神经网络模型的构建与其稳定性》：本论文为免费优秀的关于神经网络论文范文资料，可用于相关论文写作参考。
摘 要： 针对静态人工神经网络具有在反映系统动态行为时网络结构复杂、不能很好地反映系统动态性能的缺点,提出一种由带有积分器和可调反馈系数的神经元构成的新型动力学神经网络模型.该网络比以前的动态网络即递归网络或在此基础上改进的网络能更好地反映系统的动态性能,网络的结构更加简单,训练过程加快,从而使系統能够更好的运行.利用梯度下降法研究了该网络的权值调整算法,并通过李雅普诺夫稳定性判据讨论了这种新型动力学神经网络的稳定性条件.该网络研究为反映系统的动力学行为提供了更好的模型结构和理论算法,为神经网络的发展提供了新的研究方向.
关键词： 动力学神经网络； 梯度下降法； 李雅普诺夫稳定性判据； 权值调整算法
中图分类号： TN711?34 文献标识码： A 文章编号： 1004?373X（2017）03?0167?04
Construction of dynamics neural network model and its stability study
LI Liping1, HAN Bingxin2
（1. Shijiazhuang Tiedao University Sifang College, Shijiazhuang 051132, China； 2. Shijiazhuang Tiedao University, Shijiazhuang 050000, China）
Abstract： Since the static artificial neural network has the complicated network structure while reflecting on the system dynamic behior, and can′t reflect on the system dynamic performance better, a new dynamics neural network model composed of the neuron with adjustable feedback coefficient and integrator is proposed. The new neural network can better reflect on the system dynamic performance than the previous dynamic network （recursion network） or the network improved on the basis of it, has simpler network structure and faster training process to make the system run better. The gradient descent method is used to study the weight adjustment algorithm of the network. The stability condition of the new dynamics neural network is discussed according to the Lyapunov stability criteria. The study of the network provides a better model structure and theory algorithm for reflecting on the system dynamics behior, and a new research direction for the development of the neural network.
Keywords： dynamics neural network； gradient descent method； Lyapunov stability criteria； weight adjustment algorithm
鉴于传统神经网络处理动态问题能力的不足,本文提出一种由带有积分器和可调反馈系数的神经元构成的动力学神经网络,并研究了其稳定性.此网络能更好地处理时变输入或输出通过时延环节反馈到输入的问题,可以不需要像静态网络那样通过外时延环节反馈来描述动态系统,可以大大地简化网络模型.新型网络中的积分环节可以时刻反应输出状态以便于更好地实时检测系统,而可调的反馈系数使网络得到更好的训练.
1 动力学神经网络模型的建立
1.1 动力学神经元模型
当系统从一个稳态向另一个稳态转变,尤其是在工况条件发生较大变化时,得到的稳态模型将无法准确地反映输入与输出之间的关系,而动态模型可以完成这一任务.
传统动态网络如递归网络[1～5] 是通过在静态网络中加入延时单元,把以前的状态存储在延时单元中.此时可以看作是把时间信号转变为空间表示后再送给静态的前馈网络,将动态时间建模问题变为一个静态空间建模问题,可是这样会增加网络结构的复杂程度.
本设计引入反馈使网络成为一个动态系统,故提出了一种新的动力学神经元模型,结构图如图1所示.它本身带有积分器和反馈环,使得神经网络能够用微分方程来描述,微分方程能够描述真正意义上的动力学行为,从而使动态神经元构成的动力学神经网络包含更多的信息,更接近于人脑的思维活动.
其中：
得到如下模型方程：
式中：[ui（t）]为[t]时刻神经元[j]接收的来自神经元[i]的信息输入；[wji（t）]为神经元的突触连接系数或权重值；[fvt]为神经元转移函数；[xt]为输出量.
1.2 动力学神经网络模型的构建
神经网络论文参考资料：
结论：动力学神经网络模型的构建与其稳定性为适合不知如何写神经网络方面的相关专业大学硕士和本科毕业论文以及关于神经网络论文开题报告范文和相关职称论文写作参考文献资料下载。
