摘要 | 第1-7页 |
Abstract | 第7-11页 |
目录 | 第11-18页 |
第一章 绪论 | 第18-26页 |
·神经网络动力学背景及其研究现状 | 第18-20页 |
·神经网络研究历史 | 第18-19页 |
·神经网络稳定性研究概述 | 第19-20页 |
·复杂网络动力学研究现状 | 第20-22页 |
·混沌同步与控制研究现状 | 第20-21页 |
·复杂网络动力学研究现状 | 第21-22页 |
·复杂网络应用 | 第22-23页 |
·论文的主要研究工作和创新点 | 第23-25页 |
·论文的结构安排 | 第25-26页 |
第二章 概率型混合时滞随机离散神经网络稳定性研究 | 第26-44页 |
·引言 | 第26-27页 |
·问题描述 | 第27-30页 |
·主要结果 | 第30-39页 |
·数值仿真 | 第39-42页 |
·本章小结 | 第42-44页 |
第三章 离散和分布时滞连续型随机神经网络的同步研究 | 第44-70页 |
·引言 | 第44-45页 |
·离散和分布时滞连续型随机神经网络的同步-自适应方法 | 第45-55页 |
·问题描述 | 第45-47页 |
·主要结果 | 第47-53页 |
·数值仿真 | 第53-55页 |
·离散和分布时滞Markov随机神经网络的同步-LMI方法 | 第55-68页 |
·问题描述 | 第55-58页 |
·主要结果 | 第58-66页 |
·数值仿真 | 第66-68页 |
·小结 | 第68-70页 |
第四章 离散和分布时滞切换随机耦合复杂网络同步研究 | 第70-86页 |
·引言 | 第70页 |
·问题描述 | 第70-73页 |
·主要结果 | 第73-83页 |
·数值仿真 | 第83-85页 |
·结论 | 第85-86页 |
第五章 分数阶复杂网络的牵制控制研究 | 第86-98页 |
·引言 | 第86-87页 |
·问题描述 | 第87-88页 |
·稳定性分析 | 第88-92页 |
·实例 | 第92-97页 |
·数值算法 | 第92-93页 |
·特征值分布分析 | 第93-95页 |
·通过调节分数阶q牵制网络 | 第95页 |
·通过调节控制增益矩阵D的牵制控制 | 第95-96页 |
·通过调节全局耦合强度c的牵制控制 | 第96页 |
·通过调节可调参数β的牵制控制 | 第96-97页 |
·随机牵制和选择牵制 | 第97页 |
·结论 | 第97-98页 |
第六章 复杂网络应用Ⅰ-基于时延耦合格子的图像加密算法研究 | 第98-114页 |
·引言 | 第98-99页 |
·加密系统 | 第99-104页 |
·排列算法 | 第99-100页 |
·扩散算法 | 第100-102页 |
·解密算法 | 第102-104页 |
·安全性分析 | 第104-112页 |
·统计分析 | 第104-106页 |
·密钥空间分析 | 第106-108页 |
·密钥敏感性分析 | 第108-110页 |
·差分攻击 | 第110-112页 |
·抵御已知明文攻击和选择明文攻击 | 第112页 |
·本章小结 | 第112-114页 |
第七章 复杂网络应用Ⅱ-可控概率型粒子群算法研究 | 第114-134页 |
·引言 | 第114页 |
·粒子群算法 | 第114-116页 |
·传统的粒子群算法 | 第114-115页 |
·一些改进的粒子群算法 | 第115-116页 |
·可控概率型粒子群算法 | 第116-122页 |
·控制惯性系数 | 第116-117页 |
·具有可控概率的粒子群算法 | 第117-121页 |
·精英局部学习方法 | 第121-122页 |
·实验结果 | 第122-130页 |
·实验初始化 | 第122-125页 |
·调节学习率和惩罚率 | 第125-126页 |
·解精确性的比较 | 第126-128页 |
·收敛速度的比较 | 第128-129页 |
·成功率比较 | 第129-130页 |
·分析自适应惯性系数和可控概率方法 | 第130-131页 |
·本章小结 | 第131-134页 |
第八章 总结与展望 | 第134-138页 |
·研究成果总结 | 第134-136页 |
·研究展望 | 第136-138页 |
参考文献 | 第138-156页 |
发表和接收文章目录 | 第156-159页 |
致谢 | 第159页 |