| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 绪论 | 第12-22页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 神经网络的发展概况 | 第13-14页 |
| 1.3 常见的递归神经网络简述 | 第14-17页 |
| 1.4 递归神经网络的多稳定性研究概况 | 第17-20页 |
| 1.5 本文的主要工作 | 第20-22页 |
| 2 基于非单调激励函数和混合时滞的递归神经网络的多稳定性分析 | 第22-39页 |
| 2.1 引言 | 第22-23页 |
| 2.2 平衡点的存在性分析 | 第23-29页 |
| 2.3 平衡点的稳定性分析 | 第29-33页 |
| 2.4 稳定平衡点的吸引域估计 | 第33-35页 |
| 2.5 数值算例 | 第35-38页 |
| 2.6 本章小结 | 第38-39页 |
| 3 基于一类非单调激励函数的时滞Cohen-Grossberg神经网络的多稳定性分析 | 第39-59页 |
| 3.1 引言 | 第39-40页 |
| 3.2 平衡点的存在性分析 | 第40-44页 |
| 3.3 Cohen-Grossberg神经网络的多稳定性分析 | 第44-48页 |
| 3.4 稳定平衡点的吸引域估计 | 第48-50页 |
| 3.5 数值算例 | 第50-58页 |
| 3.6 本章小结 | 第58-59页 |
| 4 基于Mexican-hat函数的时滞递归神经网络的多稳定性 | 第59-88页 |
| 4.1 引言 | 第59-60页 |
| 4.2 区间剖分和平衡点的存在性分析 | 第60-69页 |
| 4.3 平衡点的稳定性分析 | 第69-75页 |
| 4.4 稳定平衡点的吸引域估计 | 第75-79页 |
| 4.5 数值算例 | 第79-87页 |
| 4.6 本章小结 | 第87-88页 |
| 5 基于Gaussian函数的时滞递归神经网络的多稳定性和完全稳定性分析 | 第88-112页 |
| 5.1 引言 | 第88页 |
| 5.2 平衡点的存在性分析 | 第88-97页 |
| 5.3 稳定性分析 | 第97-107页 |
| 5.3.1 完全稳定性分析 | 第97-104页 |
| 5.3.2 指数稳定性分析 | 第104-107页 |
| 5.4 数值算例 | 第107-111页 |
| 5.5 本章小结 | 第111-112页 |
| 6 总结与展望 | 第112-114页 |
| 致谢 | 第114-116页 |
| 参考文献 | 第116-127页 |
| 附录Ⅰ 攻读博士学位期间发表论文目录 | 第127-128页 |
| 附录Ⅱ 攻读博士学位期间参与的科研项目 | 第128-129页 |
| 附录Ⅲ 公开发表的学术论文与博士学位论文的关系 | 第129页 |
