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