时滞递归神经网络的状态估计理论与应用

前言第1章 引言 1.1 神经网络的研究进展 1.2 递归神经网络的分类 1.3 递归神经网络的动力学行为 1.3.1 Lvapunov稳定性理论简介 1.3.2 时滞线性系统的稳定性 1.3.3 时滞递归神经网络的稳定性 1.4 研究现状和全书主要内容概述 1.5 几个常用的引理第一部分 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 2.1 问题的描述 2.2 时滞局部场神经网络的状态估计器设计 2.3 仿真示例 2.4 本章小结 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 3.1 问题的描述 3.2 改进的时滞划分方法的基本思想 3.3 基于改进时滞划分方法的状态估计器设计 3.4 数值结果与比较 3.5 本章小结 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 4.1 问题的描述 4.2 基于松弛参数的状态估计器设计 4.3 在时滞混沌神经网络中的应用 4.4 本章小结 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 5.1 问题的描述 5.2 鲁棒状态估计器的设计 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 5.4 仿真示例 5.5 本章小结 第6章 时滞局部场神经网络的保性能状态估计 6.1 问题的描述 6.2 依赖于时滞的保H∞性能的状态估计器的设计 6.3 依赖于时滞的保广义H2性能的状态估计器的设计 6.4 两个示例 6.5 讨论与比较 6.6 本章小结第二部分 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 7.1 问题的描述 7.2 状态估计器的设计 7.3 时滞静态神经网络的稳定性分析 7.4 仿真示例 7.5 本章小结 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 8.1 问题的描述 8.2 时滞静态神经网络的保H∞性能的状态估计 8.2.1 不依赖于时滞的保H∞性能的状态估计 8.2.2 依赖于时滞的保H∞性能的状态估计 8.3 保广义H2性能的状态估计器设计 8.3.1 不依赖于时滞的保广义H2性能的状态估计 8.3.2 依赖于时滞的保广义H2性能的状态估计 8.4 仿真示例 8.5 本章小结 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 9.1 问题的描述 9.2 基于二阶积分不等式的保H∞性能的状态估计 9.2.1 依赖于时滞的保H∞性能的设计准则. 9.2.2 仿真示例 9.3 基于二阶积分不等式的保广义H2性能的状态估计 9.3.1 依赖于时滞的保广义H2性能的设计准则 9.3.2 仿真示例 9.4 本章小结 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 10.1 问题的描述 10.2 保广义H2性能的状态估计 10.3 示例与数值比较 10.4 本章小结第三部分 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 11.1 问题的描述 11.2 依赖于系统模态的状态估计器设计 11.3 讨论与比较 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 11.5 本章小结 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 12.1 问题的描述 12.2 H∞滤波器的设计 12.3 L2-L∞滤波器的设计 12.4 仿真示例 12.5 本章小结第四部分 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 13.1 问题的描述 13.2 基于状态估计的反馈控制 13.3 仿真示例 13.4 本章小结参考文献本书常用的数学符号

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。《时滞递归神经网络的状态估计理论与应用》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《时滞递归神经网络的状态估计理论与应用》的理论成果。最后，讨论了理论成果在反馈控制中的应用。