自从Hopfield**提出了利用能量函数的概念来研究一类具有固定权值的神经网络（后被称为Hopfield神经网络）的稳定性并付诸电路实现以来，这类神经网络在优化计算和联想记忆等领域取得了成功应用，并且关于这类具有固定权值神经网络稳定性的定性研究从来也没有间断过。由于神经网络的各种应用取决于神经网络的稳定特性，所以，关于神经网络的各种稳定性的定性研究就具有重要的理论和实际意义。
目前，关于神经网络稳定性结果的表述方式主要有三类：一类是基于M矩阵形式的或不含有未知参数的其他不等式表示形式；一类是基于各种微分不等式等技术得到的含有大量未知参数的不等式表示形式（上述两类形式的稳定结果都没有考虑神经元的激励和**对神经网络的影响，且前者虽因不包含未知参数而易于验证，但结果的保守性相对较大，后者虽因包含了大量的可调参数降低了结果的保守性，但因没有系统的方法来调节这些未知参数，进而使得结果不易验证）；第三类表示形式的稳定结果，即基于线性矩阵不等式形式的稳定结果，则克服了上述两种表示形式的稳定结果所存在的不足，既具有适量的可调参数来降低保守性，又可容易利用现有的内点算法等方法来验证所得结果的可行性

第1章 绪论
1.1神经网络简介
人脑是由极大数量基本单元（即神经元）经过复杂的相互连接而形成的一种高度复杂的、非线性的、并行处理的信息处理系统。单个神经元的反应速度是毫秒级，比计算机的基本单元（逻辑门）要低5-6个数量级。由于人脑的神经元数量极大（约1010个），每个神经元可与几千个其他神经元连接（总连接数约为6×103），对有些问题的处理反而比计算机快得多。同时，在能耗方面，神经网络更具有显著优势。可见，其性能要比现代计算机高得多，人工神经网络就是从模拟人脑智能的角度出发，来寻求新的信息表示、存储和处理方式，设计全新的计算机处理结构模式，构造一种更接近人类智能的信息处理系统来解决实际工程和科学研究领域中传统的冯?诺依曼计算机难以解决的问题。简言之，人工神经网络（以下简称神经网络）是一种具有大量连接的并行分布的处理器，它具有通过学习获取知识并解决问题的能力，且知识是分布存储在连接权中（对应于生物神经元的突触），而不是像常规计算机那样按地址存在特定的存储单元中。 人类的大脑是目前世界上*具复杂性的事物之一，其细胞之间相互连接，形成纵横交错的网状结构，进而构成了一个非常复杂并且**的信息处理网络。人工神经网络正是模拟人脑的工作模式而形成的一种信息处理系统。从20世纪40年代人工神经网络**进入人们的视野开始到现在，人工神经网络已经被广泛应用于经济、**、工业、农业等各个领域，被包括数学、经济学、电子科学、控制科学及工程学等学科作为重要的研究对象和研究工具。特别是在控制领域中，人工神经网络已经成为了信号处理、系统建模和模式识别等方向上不可替代的工具。
近几十年来，已经出版了很多关于神经网络方面的书籍，但是真正把神经网络的动态特性作为研究对象的专著还不多见。而本书正是从时滞递归神经网络稳定性的角度出发，对其进行了系统而深入的研究。本书的作者及其课题组经过多年的研究和探索，在时滞递归神经网络的稳定性这一课题上，采用Lya．punov稳定理论和线性矩阵不等式等方法，取得了许多创新性成果。这些成果分别在���内外具有影响的期刊上发表或被录用，如IEEE Transactions on Neural Networks，IEEE Transactions on（ircuits andSystems，Neurocomputing，Chinese．Journal of Electronics，Progress in Natural Science，Journal of Control Theory and Applications物理学报、控制与决策等，本书既涵盖了作者近几年的学术研究成果，同时又有比较系统完整的理论基础，为该领域的进一步深入研究提供了很好的参考，是神经网络稳定性方面****的一本好书。

第1章 绪论
1.1 神经网络简介
1.2 递归神经网络动力学模型分类
1.3 常用的递归神经网络模型
1.4 时滞的类型及其对递归神经网络动态特性的影响
1.5 神经元激励函数的类型
1.6 神经元的激励和**对网络动态特性的影响
1.7 递归神经网络动态特性研究方法及研究内容
1.8 稳定性结果表示形式及比较
1.9 递归神经网络动态特性研究概述
1.9.1 Hopfield型神经网络
1.9.2 细胞神经网络
1.9.3 Cohen—Grossber9神经网络
1.10 预备知识
1.10.1 符号说明
1.10.2 相关定义和假设
1.10.3 相关引理
1.11 本书的主要工作

第2章 一类多时变时滞神经网络全局指数稳定性及收敛率估计
2.1 引言
2.2 问题描述
2.3 时滞依赖全局指数稳定性结果
2.4 仿真例子
2.5 小结

第3章 一类多时滞神经网络的全局稳定性
3.1 引言
3.2 一类多时变时滞神经网络的全局指数稳定性
3.2.1 全局指数稳定结果
3.2.2 仿真例子
3.3 一类多时滞细胞神经网络的全局渐近稳定性一
3.3.1 全局渐近稳定结果
3.3.2 仿真例子
3.4 一类广义多时变时滞神经网络的全局指数稳定性
3.4.1 全局指数稳定结果
3.4.2 仿真例子
3.5 小结

第4章 一类多时滞区间神经网络的全局鲁棒指数稳定性
4.1 引言
4.2 问题描述
4.3 全局鲁棒指数稳定结果
4.4 仿真例子
4.5 小结

第5章 时滞区间Cohen-Grossberg神经网络的全局鲁棒稳定性
5.1 引言
5.2 问题描述
5.3 全局鲁棒指数稳定结果
5.4 仿真例子
5.5 小结

第6章 一类多时滞递归神经网络的全局鲁棒指数稳定性
6.1 引言
6.2 问题描述
6.3 全局鲁棒指数稳定性
6.4 区间递归神经网络的全局鲁棒指数稳定性
6.5 双向联想记忆神经网络的全局鲁棒指数稳定性
6.6 仿真例子
6.7 小结

第7章 一类中立型时滞递归神经网络的全局渐近稳定性
7.1 引言
7.2 问题描述
7.3 全局渐近稳定结果
7.4 仿真例子
7.5 小结

第8章 问题与展望
附录 神经元的抵制作用对网络动态行为的影响
参考文献
致谢

……