资源描述：
《脉冲控制的随机系统周期解的存在性与稳定性【开题报告】》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、毕业论文开题报告数学与应用数学脉冲控制的随机系统周期解的存在性与稳定性一、选题的背景与意义近年来，以细胞神经网络为代表的随机系统，由于其许多重要的应用，如模型识别,联想记忆，图形辨别和组合优化等，越来越受到人们关注。在神经网络系统屮，因信息的传递和存储所带來的时滞是不可避免的，并且它通常是造成系统产生振荡和不稳定现象的重要原因，也是动态图像处理等相关应用的重要影响因索，所以研究时滞神经网络的稳定条件对神经网络的设计具有重要意义；而且在实际应用屮，系统经常受到外部很多不定因素的影响，它们往往可以看成是随机的，因此，考虑随机因素对神经网络动力学行为的影响也是非常冇必要的；同时，脉冲效应也大量存在于
2、神经网络系统屮，如电了网络的实施过程中，会因某个时刻的即时干扰或突变而发生交换和频繁转变等现象。但实际上，对具冇脉冲和随机效应的细胞神经网络与时滞细胞神经网络方面的研究成果却很少见，因此研究脉冲控制的随机系统的周期解的存在性与稳定性具有一定的理论意义和实用价值。二、研究的基本内容与拟解决的主要问题木文综合考虑随机系统的理论热点和研究现状，分析总结其研究背景跟意义，同时综述已有结论的优缺点，以引出本文的研究方向。另外，木文从随机效应和脉冲效应的角度出发，通过建立具有脉冲的时滞微分不等式的L算子，以及随机分析方法的运用，并结合不动点理论，来进一步讨论时滞细胞神经网络周期解的存在性与全局指数稳定性，
3、并给出相应的证明过程，以期得到一些简单的充分条件，以确保随机系统周期解的存在性和稳定性。本文还将给出两个数值模拟的实例，以此來验证本文结论的可行性与有效性。同时,通过与以往结论的对比，突出强调木文的不同之处，以突显其价值。三、研究的方法与技术路线在准备阶段，我们利用网络与图书资料，通过综合分析与总结随机系统的研究现状与理论热点，来最终确定论文的研究方向。正式行文时，我们根据伊藤公式给出的模型，先用不动点理论证明了系统周期解的存在性与唯一性；再通过建立具有脉冲的吋滞微分不等式的L算子，以及随机分析方法的运用，来证明系统周期解的全局指数稳定性。并在此基础上，通过合理的假设分析和推理，捉出了确保系统
4、周期解的存在性与全局指数稳定性的一些充分条件。最后，运用数值分析法与图像法，给出两个数值实例，模拟检验木文结论的可行性与冇效性。并通过综合比较分析法，突出本文的不同之处与应用价值。四、研究的总体安排与进度1、2010-2011年第一学期第13周：选题、开题论证会；第14周：对文献综述和开题报告进行修改；第15・19周：收集资料，提交论文研究框架；2、2010-2011年第二学期第1・7周：捉交毕业论文初稿给指导老师审阅，修改论文；第8周：毕业论文定稿，完成相关材料的填写，装订成册；第9・11周：毕业论文上交教务办；第12周：参加毕业论文答辩。五、主要参考文献[1]丁明智，虞继敏•常时滞细胞神经
5、网络稳定性分析[J]•广四师范学院学报洎然科学版,2010,27(1):26-32.[2]戴志姐•具冇连续分布延时的细胞神经网络的全局指数稳定性[J]•扬州职业大学学报,2010,14(2):30-34・⑶罗文品,钟守铭，杨军•具有脉冲和时滞的细胞神经网络的全局指数稳定性[J].四川理工学院学报:自然科学版,2009,22(3):1-3.[4]李中华，王慧.脉冲时滞细胞神经网络周期解的存在性和指数稳定性[J].重庆交通大学学报:自然科学版,2010,29(2):321-325.⑸李毓•随机细胞神经网络平衡点均方指数稳定性分析[J]•模型识别与人工智能,2010,23(3):357-361.⑹戴
6、志娟.一类具有连续分布时滞的细胞神经网络的全局指数稳定性和周期解[J].扬州教育学院学报,2006,24⑶:39・43・⑺刘自鑫，吕恕，钟守铭，叶茂•细胞神经网络指数稳定及周期解的新判据[J]•计算机应用研究,2010,26(8):2881-2991.⑻段明秀，李海•脉冲时滞细胞神经网络的周期解[J]•重庆文理学院学报：自然科学报,2010,29(1):75-88.⑼出安峰,盖明久，时宝，黄诘•一类变系数混合时滞细胞神经网络周期解的存在性和全局指数稳定性[J]•海军航空工程学院学报,2009,24⑹:711・715.[10]XiaodiLi.Existenceandglobalexponent
7、ialstabilityofperiodicsolutionfordelayedneuralnetworkswithimpulsiveandstochasticeffects[D].Neurocomputing,73(2010):749-758.[1IJQiankunSong.Exponentialstabilityofrecurrentneuralnetworkswithbothtime-var
