時滯神經(jīng)網(wǎng)絡(luò)動力學(xué)是神經(jīng)網(wǎng)絡(luò)與動力系統(tǒng)交叉結(jié)合的一門新型學(xué)科，《時滯型神經(jīng)網(wǎng)絡(luò)動力學(xué)分析及在電力系統(tǒng)中的應(yīng)用》較詳細(xì)地介紹了若干具有不同實際背景和應(yīng)用功能的時滯型神經(jīng)網(wǎng)絡(luò)的模型及有關(guān)基本概念，通過對國內(nèi)外大量文獻資料進行精心篩選與組織，較系統(tǒng)地介紹了國內(nèi)外學(xué)者關(guān)于時滯型神經(jīng)網(wǎng)絡(luò)動力學(xué)研究的一些優(yōu)秀成果并將其付諸于電力系統(tǒng)背景中加以應(yīng)用，《時滯型神經(jīng)網(wǎng)絡(luò)動力學(xué)分析及在電力系統(tǒng)中的應(yīng)用》的內(nèi)容絕大多數(shù)來源于作者近幾年來的創(chuàng)新性研究成果，新穎實用，研究方法先進，具有重要的理論研究和實際應(yīng)用價值。另外，為了使《時滯型神經(jīng)網(wǎng)絡(luò)動力學(xué)分析及在電力系統(tǒng)中的應(yīng)用》內(nèi)容自成體系，《時滯型神經(jīng)網(wǎng)絡(luò)動力學(xué)分析及在電力系統(tǒng)中的應(yīng)用》簡要介紹了神經(jīng)網(wǎng)絡(luò)動力學(xué)的一些基本理論知識和常用的分析工具，以方便讀者閱讀與學(xué)習(xí)。《時滯型神經(jīng)網(wǎng)絡(luò)動力學(xué)分析及在電力系統(tǒng)中的應(yīng)用》主要內(nèi)容包括時滯型神經(jīng)網(wǎng)絡(luò)的有界性、穩(wěn)定性、魯棒性、有限時間有界性、非負(fù)平衡態(tài)、Lagrange穩(wěn)定性、正不變集和吸引集的存在性及其耗散性等問題。
《時滯型神經(jīng)網(wǎng)絡(luò)動力學(xué)分析及在電力系統(tǒng)中的應(yīng)用》讀者對象為應(yīng)用數(shù)學(xué)、自動化、計算機、信息技術(shù)等專業(yè)的高年級本科生、研究生、教師和相關(guān)的科技工作者，特別是從事常微分方程、泛函微分方程、差分方程、動力系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用及實現(xiàn)技術(shù)研究的人員。
前言
第1章 緒論
1.1 引言
1.2 神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀
1.2.1 時滯神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析
1.2.2 Lagrange穩(wěn)定性研究
1.2.3 有限時間有界問題的提出
1.2.4 不確定問題描述
1.3 隨機時滯神經(jīng)網(wǎng)絡(luò)基本理論
1.3.1 隨機神經(jīng)網(wǎng)絡(luò)的發(fā)展概述
1.3.2 幾種隨機遞歸神經(jīng)網(wǎng)絡(luò)模型
1.3.3 時滯對隨機神經(jīng)網(wǎng)絡(luò)的影響
1.3.4 隨機時滯神經(jīng)網(wǎng)絡(luò)的研究方法
1.4 電力系統(tǒng)的研究現(xiàn)狀
參考文獻
第2章 數(shù)學(xué)基礎(chǔ)
2.1 向量和矩陣的范數(shù)
2.1.1 向量范數(shù)
2.1.2 矩陣范數(shù)
2.2 常用不等式及線性矩陣不等式
2.2.1 常用不等式
2.2.2 線性矩陣不等式
2.3 Ito隨機系統(tǒng)的基本理論
2.3.1 幾種常見的隨機過程
2.3.2 Ito隨機微分方程
2.3.3 Ito隨機系統(tǒng)穩(wěn)定性概念
2.4 LyapLinov方程及穩(wěn)定性理論
2.4.1 Lyapunov方程的一般解
2.4.2 Lyapunov方程的非負(fù)解
2.4.3 Lyapunov穩(wěn)定性理論
2.5 其他引理
2.6 函數(shù)的范數(shù)
參考文獻
第3章 變時滯神經(jīng)網(wǎng)絡(luò)的有界性和全局指數(shù)穩(wěn)定性
3.1 問題描述
3.2 非自治遞歸神經(jīng)網(wǎng)絡(luò)的有界性和全局指數(shù)穩(wěn)定性
3.3 非自治多時滯神經(jīng)網(wǎng)絡(luò)的有界性和全局指數(shù)穩(wěn)定性
3.3.1 系統(tǒng)描述和預(yù)備知識
3.3.2 有界性和全局指數(shù)穩(wěn)定性
3.4 仿真算例
3.5 本章小結(jié)
參考文獻
第4章 混合時滯神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性與收斂率估計
4.1 問題描述
4.2 混合時滯神經(jīng)網(wǎng)絡(luò)全局漸近穩(wěn)定性和全局指數(shù)穩(wěn)定性
4.2.1 全局漸近穩(wěn)定性
4.2.2 全局指數(shù)穩(wěn)定性
4.3 指數(shù)收斂率的估計
4.3.1 預(yù)備知識
4.3.2 指數(shù)收斂率估計
4.4 仿真算例
4.5 本章小結(jié)
參考文獻
第5章 多時滯Cohen.Grossberg神經(jīng)網(wǎng)絡(luò)的有限時間有界性
5.1 問題描述
5.2 有限時間有界性分析
5.2.1 預(yù)備工作
5.2.2 主要結(jié)果
5.3 仿真算例
5.4 本章小結(jié)
參考文獻
第6章 混合時滯Cohen.Grossberg神經(jīng)網(wǎng)絡(luò)的魯棒指數(shù)收斂性
6.1 問題描述
6.2 魯棒指數(shù)收斂性分析
6.3 仿真算例
6.4 本章小結(jié)
參考文獻
第7章 混合時滯Cohen.Grossberg神經(jīng)網(wǎng)絡(luò)非負(fù)平衡點的穩(wěn)定性
7.1 問題描述
7.2 非負(fù)平衡點的存在唯一性
7.3 非負(fù)平衡點的R-全局穩(wěn)定性分析
7.4 仿真算例
7.5 本章小結(jié)
參考文獻
第8章 混合時滯神經(jīng)網(wǎng)絡(luò)在Lagrange意義下的穩(wěn)定性
8.1 問題描述
8.2 混合時滯非自治Cohen-Grossberg神經(jīng)網(wǎng)絡(luò)的Lagrange穩(wěn)定性
8.2.1 預(yù)備工作
8.2.2 主要結(jié)論
8.3 具有廣義激活函數(shù)混合時滯Cohen-Grossberg神經(jīng)網(wǎng)絡(luò)的Lagrange穩(wěn)定性
8.3.1 模型描述
8.3.2 Lagrange穩(wěn)定性
8.3.3 應(yīng)用定理
8.4 仿真算例
8.5 本章小結(jié)
參考文獻
第9章 混合時滯神經(jīng)網(wǎng)絡(luò)正不變集和全局指數(shù)吸引集
9.1 問題描述
9.2 估計正不變集和全局指數(shù)吸引集
9.3 應(yīng)用舉例
9.4 本章小結(jié)
參考文獻
第10章 混合時滯區(qū)間神經(jīng)網(wǎng)絡(luò)的魯棒耗散性
10.1 問題描述
10.2 全局魯棒指數(shù)耗散性分析
10.3 仿真算例
10.4 本章小結(jié)
參考文獻
第11章 隨機時滯網(wǎng)絡(luò)及系統(tǒng)的漸近行為與控制
11.1 隨機CohemGrossberg時滯神經(jīng)網(wǎng)絡(luò)系統(tǒng)的漸近行為
11.1.1 預(yù)備工作
11.1.2 隨機最終有界
11.1.3 幾乎必然指數(shù)穩(wěn)定性
11.1.4 仿真算例
11.2 不確定中立型隨機時滯系統(tǒng)的魯棒穩(wěn)定性
11.2.1 問題描述
11.2.2 中立型隨機微分時滯方程的Lasalle不變原理
11.2.3 魯棒穩(wěn)定性
11.2.4 仿真算例
11.3 基于Back—Stepping方法的隨機系統(tǒng)非線性控制器
11.3.1 問題描述
11.3.2 非線性控制器的設(shè)計
11.3.3 仿真算例
11.4 不確定隨機時滯大系統(tǒng)的魯棒性及分散鎮(zhèn)定
11.4.1 問題描述
11.4.2 隨機時滯大系統(tǒng)的魯棒指數(shù)穩(wěn)定性
11.4.3 正則可魯棒鎮(zhèn)定的判定條件
11.4.4 仿真算例
11.5 本章小結(jié)
參考文獻
第12章 時滯電力系統(tǒng)的兩類穩(wěn)定性與參數(shù)辨識
12.1 問題描述
12.2 電力系統(tǒng)的Lagrange穩(wěn)定性判定
12.2.1 基于混沌分析的電力系統(tǒng)Lagrange穩(wěn)定性判定
12.2.2 基于LMI的時滯電力系統(tǒng)Lagrange穩(wěn)定性判定
12.3 時滯電力系統(tǒng)Lyapunov穩(wěn)定性分析
12.3.1 時滯電力系統(tǒng)模型
12.3.2 基于LMI方法分析時滯電力系統(tǒng)Lyapunov穩(wěn)定性
12.3.3 仿真算例
12.4 電力系統(tǒng)模型參數(shù)辨識
12.4.1 系統(tǒng)參數(shù)辨識
12.4.2 電力系統(tǒng)數(shù)學(xué)模型
12.4.3 參數(shù)辨識的混合遺傳算法和小種群粒子群算法
12.4.4 仿真算例
12.5 本章小結(jié)
參考文獻
新書資訊