| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-26页 |
| 1.1 人工神经网络及其结构 | 第11-12页 |
| 1.2 几类神经网络模型简介 | 第12-15页 |
| 1.2.1 向联想记忆(BAM)神经网络 | 第12-13页 |
| 1.2.2 Cohen-Grossberg神经网络 | 第13-14页 |
| 1.2.3 权值神经网络 | 第14-15页 |
| 1.3 本文的研究背景和主要工作 | 第15-21页 |
| 1.3.1 本文在稳定性方面的研究背景和工作 | 第15-20页 |
| 1.3.2 本文在逼近性方面的研究背景和工作 | 第20-21页 |
| 1.4 本文所用的记号和几个引理 | 第21-26页 |
| 第2章 具反应扩散项和分布时滞的BAM神经网络的全局渐近稳定性 | 第26-48页 |
| 2.1 模型描述和假设 | 第26-29页 |
| 2.2 平衡点的存在性 | 第29-36页 |
| 2.3 平衡点的全局指数稳定性 | 第36-45页 |
| 2.4 应用举例及其数值模拟 | 第45-48页 |
| 第3章 具时滞的惯性BAM神经网络的全局指数稳定性 | 第48-70页 |
| 3.1 模型描述和假设 | 第48-52页 |
| 3.2 平衡点的存在性和唯一性 | 第52-60页 |
| 3.3 平衡点的全局指数稳定性 | 第60-68页 |
| 3.4 应用举例及其数值模拟 | 第68-70页 |
| 第4章 具时滞的惯性Cohen-Grossberg神经网络的全局指数稳定性 | 第70-88页 |
| 4.1 模型描述和假设 | 第70-73页 |
| 4.2 平衡点的存在性和唯一性 | 第73-79页 |
| 4.3 平衡点的全局渐近稳定性 | 第79-86页 |
| 4.4 应用举例及其数值模拟 | 第86-88页 |
| 第5章 L~p度量空间中的双权值神经网络的逼近误差估计 | 第88-95页 |
| 5.1 几个引理 | 第88-90页 |
| 5.2 主要结果及其证明 | 第90-95页 |
| 第6章 具S形函数的双权值神经网络的构造与逼近误差估计 | 第95-103页 |
| 6.1 S形函数与双权值神经网络的构造 | 第95-97页 |
| 6.2 双权值神经网络的逼近误差估计 | 第97-103页 |
| 结论 | 第103-105页 |
| 参考文献 | 第105-113页 |
| 致谢 | 第113-114页 |
| 附录A 攻读学位期间所完成的学术论文目录 | 第114页 |
