2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

大规模超环神经网络分岔动力学

张跃中 肖敏 王璐 徐丰羽

张跃中, 肖敏, 王璐, 徐丰羽. 大规模超环神经网络分岔动力学. 自动化学报, 2020, 46(x): 1−8. doi: 10.16383/j.aas.c200130
引用本文: 张跃中, 肖敏, 王璐, 徐丰羽. 大规模超环神经网络分岔动力学. 自动化学报, 2020, 46(x): 1−8. doi: 10.16383/j.aas.c200130
Zhang Yue-Zhong, Xiao Min, Wang Lu, Xu Feng-Yu. Bifurcation dynamics of large-scale neural networks composed of super multi ring networks. Acta Automatica Sinica, 2020, 46(x): 1−8. doi: 10.16383/j.aas.c200130
Citation: Zhang Yue-Zhong, Xiao Min, Wang Lu, Xu Feng-Yu. Bifurcation dynamics of large-scale neural networks composed of super multi ring networks. Acta Automatica Sinica, 2020, 46(x): 1−8. doi: 10.16383/j.aas.c200130

大规模超环神经网络分岔动力学


DOI: 10.16383/j.aas.c200130
详细信息
    作者简介:

    南京邮电大学自动化学院、人工智能学院硕士研究生. 主要研究方向为神经网络动力学. E-mail: m13255191236@163.com

    南京邮电大学自动化学院、人工智能学院教授. 主要研究方向为非线性控制理论, 复杂网络, 神经网络, 信息网络融合系统, 反常扩散系统. 本文通信作者. E-mail: candymanxm2003@aliyun.com

    南京邮电大学自动化学院、人工智能学院硕士研究生. 主要研究方向为信息物理融合系统. E-mail: wangdadeer@aliyun.com

    南京邮电大学自动化学院、人工智能学院教授. 主要研究方向为机器人及其自动化. E-mail: xufengyu598@163.com

  • 基金项目:  国家自然科学基金(62073172, 61573194, 51775284), 江苏省自然科学基金(BK20181389)资助

Bifurcation Dynamics of Large-scale Neural Networks Composed of Super Multi Ring Networks

More Information
  • Fund Project:  Supported by National Natural Science Foundation of China (62073172, 61573194, 51775284) and Natural Science Foundation of Jiangsu Province (BK20181389)
  • 摘要: 目前绝大多数神经网络分岔动力学局限于结构简单、低维少节点模型, 这与真实的大规模神经网络系统相去甚远. 因此, 研究大量神经元耦合的高维神经网络模型更具实际应用价值. 环状及辐射状结构在神经网络中普遍存在, 本文提出了一类大规模超环时滞神经网络模型, 其结构包含一个大环和任意多个小环, 并且每个环上拥有任意多个神经元. 运用特征值法和分岔理论, 选取时滞为分岔参数, 给出了该超环神经网络模型的稳定性条件和Hopf分岔判据. 数值仿真验证我们理论结果的正确性.
  • 图  1  一类融合多种结构的超环神经网络模型图

    Fig.  1  Model diagram of a class of super multi ring neural network fused with multiple structures

    图  2  $\tau = 3.15 < {\tau _0}$ 时, 网络(15)渐近稳定.

    Fig.  2  When $\tau = 3.15 < {\tau _0}$ , network (15) is asymptotically stable.

    图  3  $\tau = 3.3 > {\tau _0}$ 时, 网络(15)失稳.

    Fig.  3  Network (15) is unstable when $\tau = 3.3 > {\tau _0}$ .

    表  1  网络(15)的初始参数设定表

    Table  1  Initial parameter setting table for network (15)

    参数 $\rho $ $v_j^{(k)},\forall j,k = \overline {1,3} $
    初始值 0.75 -0.6
    下载: 导出CSV

    表  2  结构变化影响分岔点位置情况表

    Table  2  Table of the influence of structural change on the location of bifurcation points

    环的个数 结构简图 神经元个数 分岔点
    3 6 16.2
    4 9 3.22
    5 12 2.08
    下载: 导出CSV
  • [1] 张耀中, 胡小方, 周跃, 段书凯. 基于多层忆阻脉冲神经网络的强化学习及应用. 自动化学报, 2019, 45(8): 1536−1547

    Zhang Yao-Zhong, Hu Xiao-Fang, Zhou Yue, Duan Shu-Kai. A novel reinforcement learning algorithm based on multilayer memristive spiking neural network with applications. Acta Automatica Sinica, 2019, 45(8): 1536−1547
    [2] 杨刚, 王乐, 戴丽珍, 杨辉. 基于连接自组织发育的稀疏跨越-侧抑制神经网络设计. 自动化学报, 2019, 45(4): 808−818

    Yang Gang, Wang Le, Dai Li-Zhen, Yang Hui. Design of sparse span-lateral inhibition neural network based on connection self-organization development. Acta Automatica Sinica, 2019, 45(4): 808−818
    [3] Zhen W, Li L, Li Y, Cheng Z. Stability and Hopf bifurcation of a three-neuron network with multiple discrete and distributed delays. Neural Processing Letters, 2018, 48(5): 1481−1502
    [4] Cheng Z, Xie K, Wang T, Cao J. Stability and Hopf bifurcation of three-triangle neural networks with delays. Neurocomputing, 2018, 322: 206−215 doi:  10.1016/j.neucom.2018.09.063
    [5] Xu C, Liao M, Li P, Guo Y. Bifurcation analysis for simplified five-neuron bidirectional associative memory neural networks with four delays. Neural Processing Letters, 2019, 50: 2219−2245 doi:  10.1007/s11063-019-10006-y
    [6] Wang T, Cheng Z, Bu R, Ma R. Stability and Hopf bifurcation analysis of a simplified six-neuron tridiagonal two-layer neural network model with delays. Neurocomputing, 2019, 332: 203−214 doi:  10.1016/j.neucom.2018.12.005
    [7] Bootan R, Yuliya N, Konstantin B. Dynamics of unidirectionally-coupled ring neural network with discrete and distributed delays. Journal of Mathematical Biology, 2020, 80: 1617−1653 doi:  10.1007/s00285-020-01475-0
    [8] Xu C J, Liao M X, Li P L, Guo Y, Xiao Q M, Yuan S. Influence of multiple time delays on bifurcation of fractional-order neural networks. Applied Mathematics and Computation, 2019, 361: 565−582 doi:  10.1016/j.amc.2019.05.057
    [9] Ali M S, Narayanan G, Shekher V, Alsulami H, Saeed T. Dynamic stability analysis of stochastic fractional-order memristor fuzzy BAM neural networks with delay and leakage terms. Applied Mathematics and Computation, 2020, 369: 124896.
    [10] Li Z, Huang C, Zhang Y. Comparative analysis on bifurcation of four-neuron fractional ring networks without or with leakage delays. Advances in Difference Equations, 2019, 179: 1−22
    [11] Yao Y, Xiao M, Cao J. Stability switches and Hopf bifurcation of a neuron system with both leakage and distributed delays. Neural Processing Letters, 2019, 50(2): 341−355
    [12] Zhang Z Z, Yuan H Z. Hopf bifurcation in a delayed predator-prey system with modified Leslie-Gower and Holling-type III schemes. Acta Automatica Sinica, 2013, 5: 610−616
    [13] Wang H P, Li J, Zhang K. Stability and Hopf bifurcation of the maglev system with delayed speed feedback control. Acta Automatica Sinica, 2007, 8: 829−834
    [14] Dong T, Bai J Q, Yang L. Bifurcation analysis of delayed complex-valued neural Network with diffusions. Neural Processing Letters, 2019, 50(2): 1019−1033 doi:  10.1007/s11063-018-9899-0
    [15] Elowitz M B, Leibler S. A synthetic oscillatory network of transcriptional regulators, Nature, 2000, 403(6767): 335-338.
    [16] Hassard B D, Kazarinoff N D, Wan Y H. Theory and applications of Hopf Bifurcation. Cambridge: Cambridge University Press, 1981.
    [17] Xiao M, Zheng W X, Cao J. Hopf bifurcation of an (n+1)-neuron bidirectional associative memory neural network model with delays. IEEE Transactions on Neural Networks and Learning Systems, 2013, 24(1): 118−132 doi:  10.1109/TNNLS.2012.2224123
    [18] Huang C, Cao J, Xiao M, Alsaedi A, Hayat T. Effects of time delays on stability and Hopf bifurcation in a fractional ring-structured network with arbitrary neurons. Communications in Nonlinear Science and Numerical Simulation, 2018, 57: 1−13 doi:  10.1016/j.cnsns.2017.09.005
    [19] Milo R, Shen-Orr S, Itzkovitz S, Kashtan N, Chklovskii D, Alon U. Network motifs: simple building blocks of complex networks, Science, 2002, 298.
    [20] 杨华. 矩阵与线性方程组的图解法. 天津: 南开大学, 2007.

    Yang Hua. A Graphical Method for Matrices and Systems of Linear Equations. Tianjin: Nankai University, 2007.
    [21] 胡寿松. 自动控制原理. 北京: 科学出版社, 2013.95-97.

    Hu Shou-Song. Automatic Control Theory. Beijing: Science Press, 2013.95-97.
  • [1] 罗毅平, 周笔锋. 时滞扩散性复杂网络同步保性能控制[J]. 自动化学报, doi: 10.16383/j.aas.2015.c140202
    [2] 杨仁明, 王玉振. 一类非线性时变时滞系统的稳定性分析与吸引域估计[J]. 自动化学报, doi: 10.3724/SP.J.1004.2012.00716
    [3] 施继忠, 张继业, 徐晓惠. 时滞随机关联系统的群稳定性[J]. 自动化学报, doi: 10.3724/SP.J.1004.2010.01744
    [4] 吴争光, 苏宏业, 褚健. 不确定广义跳变时滞系统的鲁棒指数稳定性[J]. 自动化学报, doi: 10.3724/SP.J.1004.2010.00558
    [5] 魏庆来, 张化光, 刘德荣, 赵琰. 基于自适应动态规划的一类带有时滞的离散时间非线性系统的最优控制策略[J]. 自动化学报, doi: 10.3724/SP.J.1004.2010.00121
    [6] 丛山, 费树岷, 李涛. 时滞切换系统指数稳定性分析: 多Lyapunov函数方法[J]. 自动化学报, doi: 10.1360/aas-007-0985
    [7] 杨斌, 王金城. 中立型一般Lurie系统绝对稳定的时滞相关准则[J]. 自动化学报
    [8] 俞立. 一类时滞系统的绝对稳定性问题研究[J]. 自动化学报
    [9] 桂卫华, 谢永芳, 吴敏, 陈宁. 基于LMI的不确定性关联时滞大系统的分散鲁棒控制[J]. 自动化学报
    [10] 梁久祯, 何新贵, 周家庆. 神经网络BP学习算法动力学分析[J]. 自动化学报
    [11] 程储旺. 不确定性时滞大系统的分散鲁棒H∞控制[J]. 自动化学报
    [12] 郑连伟, 刘晓平, 张庆灵. 具有时变不确定性的线性时滞系统的鲁棒H∞控制[J]. 自动化学报
    [13] 年晓红. LURIE控制系统绝对稳定的时滞相关条件[J]. 自动化学报
    [14] 田玉楚. 大时滞工业过程的双控制器结构[J]. 自动化学报
    [15] 廖晓昕, 昌莉, 沈轶. 离散Hopfield神经网络的稳定性研究[J]. 自动化学报
    [16] 金聪. 离散Hopfield双向联想记忆神经网络的稳定性分析[J]. 自动化学报
    [17] 卢立磊, 高立群, 张嗣瀛. 结构不确定线性时滞系统的鲁棒控制[J]. 自动化学报
    [18] 张剑, 刘永清, 沈建京. 线性滞后互联大系统的分散智能镇定[J]. 自动化学报
    [19] 苗振江, 袁保宗. 非线性连续联想记忆神经网络的分析和优化设计[J]. 自动化学报
    [20] 章毅, 钟守铭. 中立型时滞系统在C1空间中的稳定性[J]. 自动化学报
  • 加载中
计量
  • 文章访问数:  6
  • HTML全文浏览量:  2
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-03-17
  • 录用日期:  2020-09-07

大规模超环神经网络分岔动力学

doi: 10.16383/j.aas.c200130
    基金项目:  国家自然科学基金(62073172, 61573194, 51775284), 江苏省自然科学基金(BK20181389)资助
    作者简介:

    南京邮电大学自动化学院、人工智能学院硕士研究生. 主要研究方向为神经网络动力学. E-mail: m13255191236@163.com

    南京邮电大学自动化学院、人工智能学院教授. 主要研究方向为非线性控制理论, 复杂网络, 神经网络, 信息网络融合系统, 反常扩散系统. 本文通信作者. E-mail: candymanxm2003@aliyun.com

    南京邮电大学自动化学院、人工智能学院硕士研究生. 主要研究方向为信息物理融合系统. E-mail: wangdadeer@aliyun.com

    南京邮电大学自动化学院、人工智能学院教授. 主要研究方向为机器人及其自动化. E-mail: xufengyu598@163.com

摘要: 目前绝大多数神经网络分岔动力学局限于结构简单、低维少节点模型, 这与真实的大规模神经网络系统相去甚远. 因此, 研究大量神经元耦合的高维神经网络模型更具实际应用价值. 环状及辐射状结构在神经网络中普遍存在, 本文提出了一类大规模超环时滞神经网络模型, 其结构包含一个大环和任意多个小环, 并且每个环上拥有任意多个神经元. 运用特征值法和分岔理论, 选取时滞为分岔参数, 给出了该超环神经网络模型的稳定性条件和Hopf分岔判据. 数值仿真验证我们理论结果的正确性.

English Abstract

张跃中, 肖敏, 王璐, 徐丰羽. 大规模超环神经网络分岔动力学. 自动化学报, 2020, 46(x): 1−8. doi: 10.16383/j.aas.c200130
引用本文: 张跃中, 肖敏, 王璐, 徐丰羽. 大规模超环神经网络分岔动力学. 自动化学报, 2020, 46(x): 1−8. doi: 10.16383/j.aas.c200130
Zhang Yue-Zhong, Xiao Min, Wang Lu, Xu Feng-Yu. Bifurcation dynamics of large-scale neural networks composed of super multi ring networks. Acta Automatica Sinica, 2020, 46(x): 1−8. doi: 10.16383/j.aas.c200130
Citation: Zhang Yue-Zhong, Xiao Min, Wang Lu, Xu Feng-Yu. Bifurcation dynamics of large-scale neural networks composed of super multi ring networks. Acta Automatica Sinica, 2020, 46(x): 1−8. doi: 10.16383/j.aas.c200130
  • 众所周知, 神经网络在信号处理、自动控制、联想记忆、人工智能[1]、生物医学治疗等领域有着广阔的应用前景, 这些基本的应用在很大程度上依赖于神经网络的动力学特性. 由于神经网络动力学是生物生理学和非线性动力学的交叉学科, 研究其稳定性、振荡、分岔、混沌和同步等多种动力学行为具有生物学和动力学意义[2]. 一般来说, 神经网络具有大规模的非线性动力学性质和复杂的行为, 为了进一步把握神经网络的动力学本质, 大量研究者将研究重点放在简单的神经网络模型上[3-5], 为寻求大型复杂的神经网络的研究方案做铺垫. 例如, 在文献[3]中, 作者提出了三个神经元的神经网络模型; 文献[4]研究了七个神经元的神经网络模型; 文献[5]研究了具有双向联想记忆(BAM)五维神经网络. 显然, 如果仅仅研究一个简单的网络, 一些复杂的问题可能会被忽略, 并且在现实生物学中神经网络以及网络的构建模型都是错综复杂, 多种多样的. 因此, 本文提出一类大型神经网络的研究是极具理论价值和实践价值.

    在如神经网络、生物模型和进化生态学等大多数实际的动态网络中, 时间延迟的存在是难以避免的. 然而, 由于时滞的存在, 系统可能变得不稳定, 系统的动态行为变得更加复杂. 在神经网络中, 由于突触中信号传播速度和处理时间的有限性, 不同相邻神经元之间的通信存在时滞差异. 人们对研究具有时延的神经网络的动力学越来越感兴趣, 理论成果也相继发表. 因此, 以时滞(离散时滞[6]、分布式时滞[7]、多时滞[8]、泄露时滞[9-11]等)作为研究对象, 分析神经网络的特性和动力学以及控制时滞系统的动态行为是十分必要和重要的.

    在动力系统中, 可通过分岔方法获得某些丰富的动力特性, 这是无可争辩的. 分岔方法的优越性在于它能捕捉复杂系统的内在性质, 涉及振荡行为出现的分岔可以帮助我们理解网络中观察到的参数敏感性, 并为我们提供有利于网络的信息[12-14]. 例如, 对于带有抑制的环结构遗传模型, 其渐近行为得到了广泛的检验. 大肠杆菌循环抑制网络模型的建立[15]就是很好的体现. 分岔的种类也有很多种, 其中随着参数的变化, 系统在稳定与不稳定之间切换的平衡点被称为Hopf分岔点[16]. 近年来, 对神经网络有关Hopf分岔分析进行了大量的数学研究, 人们可以通过Hopf分岔的深入而清晰的认识某个网络, 可以为我们提供有用的网络信息, 为网络的应用提供更多的可能性. 因此, 研究神经网络的Hopf分岔具有重要意义. 此外, Hopf分岔可以告诉我们, 由延迟诱导的生物系统是如何表现出周期性响应, 更准确地说, 由时间延迟引起的Hopf分岔可以使我们得到一些有趣的结果, 如延迟与振荡幅度的关系. 还有研究表明, 这些Hopf分岔分析有助于生物视觉信息的快速处理, 并可用于预测大脑的病理状态.

    显然, 具有时滞依赖的高维神经网络的动力学特性是值得研究的, 但影响其动力学的因素很多, 其中网络结构也是我们关注的因素之一. 众所周知, 约有1000亿个神经细胞组成了人的大脑, 每个神经细胞可长出2000至数万个树突与其他神经细胞连接. 但是人脑的开发仅有1%, 倘若能进一步的开发或者未来通过人工神经网络来学习生物神经网络将是极具意义和价值的. 在人脑和脊柱中, 大量的神经元构成了一个大型的复杂神经网络, 通过网络的结构特性也可以简单的剖析成放射状网络、链状网络和环状网络等. 因此, 以结构作为研究点, 也是极具代表性和研究价值的. 例如, 肖等作者提出了具有辐射状的神经网络模型[17]; 黄等作者研究了具有单环状的神经网络模型[7, 18]. 其次, 科研者更多提出的是形式单一且结构简单的网络, 依旧缺少具有多类网络结构组合的大型网络. 为此, 本文提出了一类融合多种结构的超环神经网络模型. 如图1示, 由超多环形网络组合的大型神经网络图, 即体现了神经网络的环状, 辐射状, 也可简化到链状形态. 此外, 研究这些简化的连通性结构的目的是进一步理解具有更复杂连通性的递归网络行为的机制, 以及研究复杂网络中相互连接的模式, 即所谓的“网络基序”[19], 对于了解整个网络的动态行为是非常重要的.

    图  1  一类融合多种结构的超环神经网络模型图

    Figure 1.  Model diagram of a class of super multi ring neural network fused with multiple structures

    在上述讨论的基础上, 我们提出一类基于时滞诱导且融合了多种结构和高维性的超环神经网络, 来研究该类网络的稳定分析及分岔现象问题. 本文的主要贡献如下:

    (1)提出一类高维超环神经网络,该网络不仅融合了多类结构, 也体现了一般性.

    (2)针对大型神经网络, 选用离散时滞作为分岔参数, 讨论其网络所带来的新型稳定性及分岔理论.

    (3)引用矩阵与线性方程组的图解法, 解决一类规则性高维复杂网络模型的特征方程问题.

    • 本文研究了多时滞诱导的具有 $ n^2$ 个神经元组成的一类复杂的神经网络. 首先针对该网络, 我们绘制出简化的神经网络模型图(如图1所示), 其对应的数学表达式:

      $$\left\{ \begin{array}{l} \dot \psi _1^{(1)}(t) = - \rho \psi _1^{(1)}(t) + \nu _{\rm{n}}^{(1)}f_{\rm{n}}^{(1)}\left(\psi _n^{(1)}\left(t - \tau _n^{(1)}\right)\right) + \\ \begin{array}{*{20}{c}} {}&{}&{} \end{array} \;\;\;\;\; \nu _{\rm{1}}^{(n)}f_{\rm{1}}^{(n)}\left(\psi _{\rm{1}}^{(n)}\left(t - {\sigma _n}\right)\right) \\ \dot \psi _1^{(2)}(t) = - \rho \psi _1^{(2)}(t) + \nu _{\rm{n}}^{(2)}f_{\rm{n}}^{(2)}\left(\psi _n^{(2)}\left(t - \tau _n^{(2)}\right)\right)+ \\ \begin{array}{*{20}{c}} {}&{}&{} \end{array} \;\;\;\;\; \nu _1^{(1)}f_1^{(1)}\left(\psi _1^{(1)}\left(t - {\sigma _1}\right)\right) \\ \vdots \\ \dot \psi _1^{(n)}(t) = - \rho \psi _1^{(n)}(t) + \nu _{\rm{n}}^{(n)}f_{\rm{n}}^{(n)}\left(\psi _n^{(n)}\left(t \!-\! \tau _n^{(n)}\right)\right) \!+\! \\ \begin{array}{*{20}{c}} {}&{}&{} \end{array} \;\;\;\;\; \nu _1^{(n - 1)}f_1^{(n - 1)}\left(\psi _1^{(n - 1)}\left(t - {\sigma _{n - 1}}\right)\right) \\ \dot \psi _2^{(k)}(t) = - \rho \psi _2^{(k)}(t) + \nu _1^{(k)}f_1^{(k)}\left(\psi _1^{(k)}\left(t - \tau _1^{(k)}\right)\right) \\ \dot \psi _3^{(k)}(t) = - \rho \psi _3^{(k)}(t) + \nu _2^{(k)}f_2^{(k)}\left(\psi _2^{(k)}\left(t - \tau _2^{(k)}\right)\right) \\ \vdots \\ \dot \psi _n^{(k)}(t) = \!-\! \rho \psi _n^{(k)}(t) \!+\! \nu _{n - 1}^{(k)}f_{n - 1}^{(k)}\left(\psi _{n - 1}^{(k)}\left(t \!-\! \tau _{n - 1}^{(k)}\right)\right) \\ \begin{array}{*{20}{c}} {}&{}&{} \end{array}\;\;\;\;k = 1,2, \cdots ,n \\ \end{array} \right.$$ (1)

      显然, 该网络是单向连接的, 其中 $ \psi _j^{({\rm{k}})}(t)$ ( $\forall j,k = \overline {1,n}$ )代表网络(1)第 $ k$ 个神经网环上第 $ j$ 个神经元在 $ t$ 时刻的兴奋状态, 该神经元的兴奋程度取决于自身反馈和连接上一个神经元的反馈效应. 这里定义了自反馈系数为正数 $ \rho $ , 神经元间的连接权重是 $ v_j^{({\rm{k}})}(t)$ ( $ \forall j,k = \overline {1,n} $ ). 神经元网络中的激活函数用 $ f_j^{({\rm{k}})}( \cdot )$ 表示, 神经元间传递信息所带来的时滞用 $ \tau _j^{({\rm{k}})}$ $ {\sigma _i}$ ( $ \forall i = \overline {1,n} $ )体现.

      注 1. 生物神经网络具有多姿多态、复杂多变的特性, 仅对辐射状或环状网络模型的研究远远不够, 它与实际神经网络还有一定差距. 因此, 有必要构建一类有机复合多种结构的一般性网络. 网络(1)的提出就是基于这一考量, 它融合了环型和辐射状的结构, 并将低维扩展到高维, 使其能更准确地描述真实神经网络.

      本文主要研究大型神经网络(1)的稳定性和分岔问题. 我们将建立网络(1)的分岔条件, 并讨论时滞、结构对网络(1)分岔的影响. 为推论出网络(1)的有关稳定性和分岔现象的基本结果, 需要并可以作以下假设.

      假设 1.

      $$\begin{split} &{f_j^{(i)} \in {C^1}(R),}\quad{f_j^{(i)} = 0,} \\ &{i = 1,2, \cdots ,n,} \quad {j = 1,2, \cdots ,n} \end{split} $$

      显而易见, 由假设1可得, 网络(1)具有平衡点 ${\rm{O}}{\left( {0,0, \cdots ,0} \right)_{1 \times {n^2}}}$ .

      注 2. 网络(1)是高维多时滞系统, 拥有不唯一的平衡点. 即, 除了平凡平衡点 $ {\rm{O}}{\left( {0,0, \cdots ,0} \right)_{1 \times {n^2}}}$ 外, 可能还有其他平衡点. 本文重点研究原点 ${\rm{O}}( 0,0, \cdots , 0 )_{1 \times {n^2}}$ 邻近的局部动力学行为, 比如局部稳定性和Hopf分岔. 关于其他平衡点的动态演化行为, 可以通过坐标变换将平衡点平移到原点, 之后的处理方法是类似的. 因此, 仅讨论原点的局部动力学特征是具有代表性的.

      假设 2.

      $$\begin{split} \tau & = \tau _1^{(k)} + \tau _2^{(k)} + \cdots + \tau _n^{(k)} \\ \begin{array}{*{20}{c}} {} \end{array} &= {\sigma _1} + {\sigma _2} + \cdots + {\sigma _n},\begin{array}{*{20}{c}} {} \end{array}\begin{array}{*{20}{c}} {k = 1,2, \cdots ,n} \end{array} \\ \end{split} $$

      注 2. 由于神经元间连接强度、突触等因素的影响, 信息传输的时间延迟是不同的. 网络(1)很好地体现了信息传输时滞的相异性. 本文重点研究神经网络的环状结构. 因此, 假设2实际上展现了外环和中心环的时滞和是相等的. 这样既可以简化模型分析,又可以很好地保留环状特性.

    • 在本节中, 我们将研究时滞对网络(1)稳定性和分岔的影响, 并从数值分析上准确的确定分叉点与时滞的关系式. 针对网络(1), 基于假设1可得到在平衡点处线性化模型为

      $$\left\{ \begin{array}{l} \dot \psi _1^{(1)}(t) = - \rho \psi _1^{(1)}(t) + \nu _{\rm{n}}^{(1)}f_{\rm{n}}^{(1)'}(0)\psi _n^{(1)}\left(t - \tau _n^{(1)}\right)+\\ \begin{array}{*{20}{c}} {}&{}&{} \end{array} \;\;\;\;\;\nu _{\rm{1}}^{(n)}f_{\rm{1}}^{(n)'}(0)\psi _{\rm{1}}^{(n)}(t - {\sigma _n})\\ \dot \psi _1^{(2)}(t) = - \rho \psi _1^{(2)}(t) + \nu _{\rm{n}}^{(2)}f_{\rm{n}}^{(2)'}(0)\psi _n^{(2)}\left(t - \tau _n^{(2)}\right)+\\ \begin{array}{*{20}{c}} {}&{}&{} \end{array} \;\;\;\;\; \nu _1^{(1)}f_1^{(1)'}(0)\psi _1^{(1)}(t - {\sigma _1})\\ \vdots \\ \dot \psi _1^{(n)}(t) = \!-\! \rho \psi _1^{(n)}(t) \!+\! \nu _{\rm{n}}^{(n)}f_{\rm{n}}^{(n)'}(0)\psi _n^{(n)}\left(t \!-\! \tau _n^{(n)}\right)+\\ \begin{array}{*{20}{c}} {}&{}&{} \end{array} \;\;\;\;\; \nu _1^{(n - 1)}f_1^{(n - 1)'}(0)\psi _1^{(n - 1)}(t - {\sigma _{n - 1}})\\ \dot \psi _2^{(k)}(t) = - \rho \psi _2^{(k)}(t) + \nu _1^{(k)}f_1^{(k)'}(0)\psi _1^{(k)}\left(t - \tau _1^{(k)}\right)\\ \dot \psi _3^{(k)}(t) = - \rho \psi _3^{(k)}(t) + \nu _2^{(k)}f_2^{(k)'}(0)\psi _2^{(k)}\left(t - \tau _2^{(k)}\right)\\ \vdots \\ \dot \psi _n^{(k)}(t) = \!-\! \rho \psi _n^{(k)}(t) \!+\! \nu _{n - 1}^{(k)}f_{n - 1}^{(k)'}(0)\psi _{n - 1}^{(k)}\left(t \!-\! \tau _{n - 1}^{(k)}\right)\\ \begin{array}{*{20}{c}} {}&{}&{} \end{array}\;\;\;\;\;k = 2,3, \cdots ,n \end{array} \right.$$ (2)

      注 2. 众所周知, 系统的局部稳定性和Hopf分岔阈值取决于系统的一次项部分. 因此, 我们对网络(1)进行线性化处理, 期望得到其稳定性条件和分岔判据.

      $\eta _{\rm{j}}^{(i)} = \nu _{\rm{j}}^{(i)}f{_{\rm{j}}^{(i)'} }(0)$ , $\forall i,j = \overline {1,n} $ , 基于线性化的网络(2)可以得到其对应的雅可比矩阵:

      $$\left[ {\begin{array}{*{20}{c}} {{G^{(1)}}}&0&0& \cdots &{{D^{(n)}}} \\ {{D^{(1)}}}&{{G^{(2)}}}&0& \cdots &0 \\ 0&{{D^{(2)}}}&{{G^{(3)}}}& \cdots &0 \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 0&0&0& \cdots &{{G^{(n)}}} \end{array}} \right]$$

      其中:

      $$ \begin{array}{l} {G^{({\rm{j}})}}{\rm{ \!=\! }}\left[\!\!\!\! {\begin{array}{*{20}{c}} { \!- \rho \!}&\!0\!&\!0\!& \!\cdots\! &{\!\eta _n^{(j)}{e^{ \!-\! \lambda \tau _n^{(j)}}}} \\ {\eta _1^{(j)}{e^{ \!-\! \lambda \tau _1^{(j)}}}}&{ - \rho }&0& \cdots &0 \\ 0&{\eta _2^{(j)}{e^{ \!-\! \lambda \tau _2^{(j)}}}}&{ - \rho }& \cdots &0 \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 0&0&0& \cdots &{ - \rho } \end{array}} \!\!\!\right]\\ {D^{({\rm{j}})}}{\rm{ \!=\! }}\left[ {\begin{array}{*{20}{c}} {\eta _1^{(j)}{e^{ - \lambda \tau _1^{(j)}}}}&0& \cdots &0 \\ 0&0& \cdots &0 \\ \vdots & \vdots & \ddots & \vdots \\ 0&0& \cdots &0 \end{array}} \right] \end{array} $$

      针对该雅可比矩阵, 我们利用矩阵与线性方程组的图解法[20]并给出如下引理.

      引理 1. 定义 $m \times n$ 阶矩阵P及对应的Coate流图 ${W_C}(P)$ , 矩阵P行列式展开的图解公式有 $\det (P) = {( - 1)^n}\sum\nolimits_{i = 1}^k {{{( - 1)}^{{n_i}}}} {\vartriangle _i}$ , 其中k是流图中过 $n$ 个顶点形成子图的个数, ${\vartriangle _i}$ 是子图中各边权的积.

      由引理1可知网络(2)的特征多项式具有如下形式:

      $$\begin{split} &{(\lambda + \rho )^{{n^2}}} + (C_n^1 + 1){\eta ^n}{(\lambda + \rho )^{(n - 1) \times n}}{e^{ - \lambda \tau }} + \cdots + \\ & C_n^{n - 1}{\eta ^{(n - 1) \times n}}(\lambda + \rho ){e^{ - (n - 1)\lambda \tau }} + {\eta ^{{n^2}}}{e^{ - n\lambda \tau }} = 0 \end{split} $$ (3)

      式(3)左右两边同乘 ${e^{n\lambda \tau }}$ 可得:

      $$\begin{split} & {\left[ {{{(\lambda \!+\! \rho )}^n}{e^{\lambda \tau }}} \right]^n} \!+\! (C_n^1 + 1){\eta ^n}{\left[ {{{(\lambda + \rho )}^n}{e^{\lambda \tau }}} \right]^{n - 1}} + \cdots + \\ & C_n^{n - 1}{\eta ^{(n - 1) \times n}}{(\lambda + \rho )^n}{e^{\lambda \tau }} + {\eta ^{{n^2}}} = 0 \\[-10pt] \end{split} $$ (4)
    • $\tau = 0$ 时为无时滞状态, 在此状态下判断系统的初始稳定情况. 因此, 特征方程(3)可退化为:

      $$\begin{split} & {(\lambda + \rho )^{{n^2}}} + (C_n^1 + 1){\eta ^n}{(\lambda + \rho )^{(n - 1) \times n}} + \cdots + \\ &C_n^{n - 1}{\eta ^{(n - 1) \times n}}(\lambda + \rho ) + {\eta ^{{n^2}}} = 0 \\[-5pt] \end{split} $$ (5)

      $$\begin{split} &{\lambda ^{{n^2}}} + {N_1}{\lambda ^{{n^2} - 1}} + {N_2}{\lambda ^{{n^2} - 2}} + \cdots +\\ & {N_{{n^2} - 1}}\lambda + {N_{{n^2}}} = 0 \end{split} $$ (6)

      其中 ${N_k}$ , $\forall k = \overline {1,{n^2}} $ 为式(6)中 $\lambda $ 各幂次的系数.

      进一步, 我们定义:

      $$ \begin{array}{l} {\Delta _1} = {N_1},{\Delta _2} = \left| {\begin{array}{*{20}{c}} {{N_1}}&{{N_3}} \\ 1&{{N_2}} \end{array}} \right|{\rm{ }},\\ {\Delta _3} = \left| {\begin{array}{*{20}{c}} {{N_1}}&{{N_3}}&{{N_5}} \\ 1&{{N_2}}&{{N_4}} \\ 0&{{N_1}}&{{N_3}} \end{array}} \right|{\rm{ }}, \cdots {\rm{,}}\\ {\Delta _{{n^2}}} = \left| {\begin{array}{*{20}{c}} {{N_1}}&{{N_3}}&{{N_5}}& \cdots &0 \\ 1&{{N_2}}&{{N_4}}& \cdots &0 \\ 0&{{N_1}}&{{N_3}}& \cdots &0 \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 0&0&0& \cdots &{{N_{{n^2}}}} \end{array}} \right|{\rm{ }}. \end{array} $$

      引理 2. 当满足条件 ${\Delta _{\rm I}} > 0{\rm{,}}({\rm I} = 1,2{\rm{,}} \cdots ,{n^2})$ 时, 式(5)的所有根都分布在坐标轴的左半平面.

      证明. 由赫尔维茨判据[21]可知, 若某特征方程各项系数所构成的主行列式及其顺序主子式都为正, 则该特征方程的解都是具有负实部的解. 因此, 我们利用赫尔维茨判据, 由 ${\Delta _{\rm I}} > 0{\rm{,}}({\rm I} = 1,2{\rm{,}} \cdots ,{n^2})$ 易得式(5)的所有根都分布在坐标轴的左半平面.

    • 无时滞状态下我们可以判断出网络的初始状态是否稳定, 进而随着时滞的引入, 分析总结出网络稳定性及分岔的条件. 首先, 在时滞状态下令 $\xi (\lambda ) = {(\lambda + \rho )^n}{e^{\lambda \tau }}$ 对式(4)进行简化, 可得

      $$\begin{split} &{\left[ {\xi (\lambda )} \right]^n} + (C_n^1 + 1){\eta ^n}{\left[ {\xi (\lambda )} \right]^{n - 1}} + \cdots + \\ & C_n^{n - 1}{\eta ^{(n - 1) \times n}}\xi (\lambda ) + {\eta ^{n \times n}} = 0 \end{split} $$ (7)

      由于 $\xi (\lambda )$ 前的系数是已知常数, 所以可定义 ${\xi _j}(\lambda ),j = 1,2, \cdots ,n$ 为式(7)所对应的 $n$ 个解. 其次, 为了寻找临界值(分岔点), 需找取式(7)的纯虚根, 所以我们这里假设 $\lambda = i\omega $ . 令 ${\xi _j}(\lambda ) = {\alpha _j} + i{\beta _j}, \forall j = \overline {1,n}$ 带入式(7), 整理可得:

      $${(i\omega + \rho )^n}(\cos (\omega \tau ) - i\sin (\omega \tau )) = {\alpha _j} + i{\beta _j}$$ (8)

      ${(i\omega + \rho )^n} = X + iY$ , 当 $\{ n\left| {n = 2j,j \in {N^*}} \right.\} $ 时,

      $$\begin{split} &X = {(i\omega )^n} \!+\! C_n^2{\rho ^2}{(i\omega )^{n - 2}} \!+\! C_n^4{\rho ^4}{(i\omega )^{n - 4}} \!+\! \cdots \!+\! {\rho ^n} \\ &iY = C_n^1\rho {(i\omega )^{n - 1}} \!+\! C_n^3{\rho ^3}{(i\omega )^{n - 3}} \!+\! \cdots \!+\! iC_n^{n - 1}{\rho ^{n - 1}}\omega \end{split} $$

      $ \{ n\left| {n = 2j - 1,j \in {N^*}} \right.\}$ 时,

      $$\begin{split} X =& C_n^1\rho {(i\omega )^{n - 1}} + C_n^3{\rho ^3}{(i\omega )^{n - 3}} + \cdots + {\rho ^n} \\ iY =& {(i\omega )^n} + C_n^2{\rho ^2}{(i\omega )^{n - 2}} + C_n^4{\rho ^4}{(i\omega )^{n - 4}} + \cdots + \\ &iC_n^{n - 1}{\rho ^{n - 1}}\omega \end{split} $$

      显而易见, 式(8)是一个关于 $\omega $ 的复值等式, 为了解决未知变量 $\omega $ $\tau $ 的问题, 我们可以将式(8)分解成实部部分和虚部部分, 拆分的等式如下:

      $$\left\{ \begin{array}{l} X\cos (\omega \tau ) - Y\sin (\omega \tau ) = {\alpha _j} \\ \\ Y\cos (\omega \tau ) + X\sin (\omega \tau ) = {\beta _j} \\ \end{array} \right.$$ (9)

      针对式(9), 利用克拉默法则容易推得:

      $$\left\{ \begin{array}{l} \cos (\omega \tau ) = \dfrac{{X{\alpha _j} + Y{\beta _j}}}{{{X^2} + {Y^2}}} \\ \\ \sin (\omega \tau ) = \dfrac{{X{\beta _j} - Y{\alpha _j}}}{{{X^2} + {Y^2}}} \\ \end{array} \right.$$ (10)

      ${\cos ^2}(\omega \tau ){\rm{ + }}{\sin ^2}(\omega \tau ) = 1$ 可推得:

      $$ {X^2} + {Y^2} - {\alpha _j}^2 - {\beta _j}^2 = 0,\forall j = \overline {1,n} $$ (11)

      $\varepsilon = {\omega ^2}$ , 对式(11)进行展开整理得:

      $$\begin{split} & {\varepsilon ^n} + {A_1}{\varepsilon ^{n - 1}} + \cdots + {A_{n - 1}}\varepsilon +\\ &{\rho ^{n \times n}} - {\alpha _j}^2 - {\beta _j}^2 = 0 \end{split} $$ (12)

      其中 ${A_k}$ , $\forall k = \overline {1,n - 1} $ 为式(11)展开式有关 $\varepsilon $ 的系数. 在此, 我们给出如下函数定义:

      $$\begin{split} h(\varepsilon ) =& {\varepsilon ^n} + {A_1}{\varepsilon ^{n - 1}} + \cdots + {A_{n - 1}}\varepsilon + \\ & {\rho ^{n \times n}} - {\alpha _j}^2 - {\beta _j}^2 \end{split} $$

      进一步, 我们将讨论式(12)的正实根.

      引理 3. 对于式(12), 可以得到以下结果:

      1)如果 ${A_k} > 0$ ${\rho ^{n \times n}} > {\alpha _j}^2 + {\beta _j}^2$ , 则式(12)不存在正实根.

      2)如果 ${\rho ^{n \times n}} < {\alpha _j}^2 + {\beta _j}^2$ , 则式(12)至少存在 $n$ 个正实根.

      证明 . 1)由条件 ${A_k} > 0$ , $\forall k = \overline {1,n - 1} $ 易知 $h'(\varepsilon ) > 0$ , 显然函数 $h(\varepsilon )$ 是单调递增函数. 此外, 由 ${\rho ^{n \times n}} > {\alpha _j}^2 + {\beta _j}^2$ 易知 $h(0) > 0$ . 因此, 不存在正实部解 $\varepsilon $ 满足 $h(\varepsilon ){\rm{ = }}0$ , 即式(12)不存在正实根.

      2)由条件 ${\rho ^{n \times n}} < {\alpha _j}^2 + {\beta _j}^2$ 易知 $h(0) < 0$ , 值得注意的是 ${\lim _{\varepsilon \to + \infty }}h(\varepsilon ) = + \infty $ , 所以函数 $h(\varepsilon )$ 至少存在 $n$ 个解 ${\varepsilon _j}$ , $\forall j = \overline {1,n} $ 使得 $h({\varepsilon _j}) = 0$ 成立. 显然, 引理3成立.

      进一步, 由式(10)可得:

      $$ \begin{split} \tau _k^{(j)} =& \dfrac{1}{{{\omega _j}}}\left\{ {\arccos \left( {\dfrac{{X{\alpha _j} + Y{\beta _j}}}{{{X^2} + {Y^2}}}} \right) + 2k\pi } \right\}\\ & j = 1,2, \cdots ,n \;\;k = 0,1,2, \cdots \end{split} $$

      我们定义

      $$ {\tau _0} = \tau _0^{({j_0})} = \min \left\{ {\tau _0^{(j)}\left| {j = 1,2, \cdots ,n} \right.} \right\},{\omega _0} = {\omega _{{j_0}}} $$

      显然在 $\tau {\rm{ = }}{\tau _0}$ $ \pm i{\omega _0}$ 是式(7)的一对纯虚根.

      接下来, 为了验证临界点( $\tau {\rm{ = }}{\tau _0}$ )是否为分岔点, 还需证明在该点处满足Hopf分岔的穿越条件. 为此, 我们取 $n{\rm{ = }}3$ 进行举例证明并引入以下假设.

      假设 3. $\left( {{F_1}{E_1} + {F_2}{E_2}} \right)\Big|_{\tau = {\tau _0},\omega = {\omega _0}}\Big.\ne 0$

      其中:

      $$\begin{split} {F_1} =& - {c_2}\omega \cos (\omega \tau ) + {b_2}\omega \sin (\omega \tau ) - 2{c_3}\omega \cos (\omega \tau ) + \\ &2\omega \sin (2\omega \tau ) + 3\omega {A_3}\sin (3\omega \tau ) \\ {F_2} =& - {c_2}\omega \sin (\omega \tau ) + {b_2}\omega \cos (\omega \tau ) - 2{c_3}\omega \sin (\omega \tau ) + \\ & 2\omega \cos (2\omega \tau ) + 3\omega {A_3}\sin (3\omega \tau ) \end{split} $$
      $$\begin{split} {E_1} =& {b_4} + ({b_5} + {b_2}\tau )\cos (\omega \tau ) + ({c_5} + {c_2}\tau )\sin (\omega \tau ) +\\ & ({b_6} - 2{b_3}\tau )\cos (2\omega \tau ) + ({c_6} - 2{c_3}\tau )\sin (2\omega \tau ) -\\ & 3\tau {A_3}\cos (3\omega \tau ) \end{split} $$
      $$ \begin{split} {E_2} =& {c_4} + ({c_5} + {c_2}\tau )\cos (\omega \tau ) - ({b_5} + {b_2}\tau )\sin (\omega \tau ) + \\ &({c_6} - 2{c_3}\tau )\cos (2\omega \tau ) - ({b_6} - 2{b_3}\tau )\sin (2\omega \tau ) + \\ & 3\tau {A_3}\sin (3\omega \tau ) \end{split} $$

      引理 4. 假设 $\lambda (\tau ) = \gamma (\tau ) + i\vartheta (\tau )$ 是式(3)的解. 当 $\tau = {\tau _0}$ 时, 将满足 $\gamma (\tau ) = 0$ , $\vartheta (\tau ) = {\omega _0}$ . 那么, 下面的穿越条件成立:

      $${\rm{Re}} \left( {\frac{{d\lambda (\tau )}}{{d\tau }}\left| \begin{array}{l} \\ \tau {\rm{ = }}{\tau _{\rm{0}}} \\ \end{array} \right.} \right) \ne {\rm{0}}$$

      证明 . 当取 $n{\rm{ = }}3$ 时式(3)可转化为

      $$\begin{split} {B_1}(\lambda ) \!+\! {B_2}(\lambda ){e^{ - \lambda \tau }} \!+\! {B_3}(\lambda ){e^{ - 2\lambda \tau }} \!+\! {A_3}{e^{ - 3\lambda \tau }} = 0 \end{split} $$ (13)

      其中,

      $$\begin{split} {B_1}(\lambda ) &= {(\lambda + \rho )^9},{B_2}(\lambda ) = {A_1}{(\lambda + \rho )^6}{\rm{,}} \\ {B_3}(\lambda )& = {A_2}{(\lambda + \rho )^3} \end{split} $$

      首先, 我们对式(13)的两端同时进行有关时滞 $\tau $ 的偏导, 可得:

      $$\dfrac{{d\lambda (\tau )}}{{d\tau }} \!=\! \dfrac{{\lambda {B_2}(\lambda ){e^{ - \lambda \tau }} \!+\! 2\lambda {B_3}(\lambda ){e^{ - 2\lambda \tau }} \!+\! 3\lambda {A_3}{e^{ \!-\! 3\lambda \tau }}}}{{H \!-\! \tau {B_2}(\lambda ){e^{ \!-\! \lambda \tau }} \!-\! 2\tau {B_3}(\lambda ){e^{ \!- \!2\lambda \tau }} \!-\! 3\tau {A_3}{e^{ \!-\! 3\lambda \tau }}}}$$ (14)

      其中 $ H = {B_1}^\prime (\lambda ) + {B_2}^\prime (\lambda ){e^{ - \lambda \tau }} + {B_3}^\prime (\lambda ){e^{ - 2\lambda \tau }}$ .

      $ \tau = {\tau _0}$ 时, 可令

      ${\left. {{B_2}(\lambda )} \right|_{\lambda {\rm{ = i}}{\omega _0}}} = {b_2} + i{c_2}$ , ${\left. {{B_3}(\lambda )} \right|_{\lambda {\rm{ = i}}{\omega _0}}} = {b_3} + i{c_3}$ , ${\left. {{B_1}^\prime (\lambda )} \right|_{\lambda {\rm{ = i}}{\omega _0}}} = {b_4} + i{c_4}$ , ${\left. {{B_2}^\prime (\lambda )} \right|_{\lambda {\rm{ = i}}{\omega _0}}} = {b_5} + i{c_5}$ , $\left. {{B_3}^\prime (\lambda )} \right|_\lambda = i{\omega _0} = {b_6} + i{c_6}$ , 然后式(14)可转化为如下形式:

      $$\dfrac{{d\lambda (\tau )}}{{d\tau }}\left| \begin{array}{l} \\ \tau = {\tau _0} \\ \end{array} \right. = \dfrac{{{F_1} + i{F_2}}}{{{E_1} + i{E_2}}}\left| \begin{array}{l} \\ \tau = {\tau _0},\omega = {\omega _0} \end{array} \right.$$

      又因为 $\dfrac{{d\lambda (\tau )}}{{d\tau }}\bigg|_{ \tau = {\tau _0} } \\ \bigg.$ 的实部为:

      $${\rm{Re}} \left\{ {\dfrac{{d\lambda (\tau )}}{{d\tau }}\left| \begin{array}{l} \\ \tau \!=\! {\tau _0} \\ \end{array} \right.} \right\} \!=\! \dfrac{{{F_1}{E_1} \!+\! {F_2}{E_2}}}{{{E_1}^2 \!+\! {E_2}^2}}\left| \begin{array}{l} \\ \tau \!=\! {\tau _0},\omega \!=\! {\omega _0} \\ \end{array} \right.$$

      显然,

      $$ sign\left\{ {{\rm{Re}} \left( {\frac{{d\lambda (\tau )}}{{d\tau }}\left| \begin{array}{l} \\ \tau {\rm{ = }}{\tau _{\rm{0}}} \\ \end{array} \right.} \right)} \right\} = sign\left( {{F_1}{E_1} + {F_2}{E_2}} \right) $$

      由假设3的 $\left( {{F_1}{E_1} + {F_2}{E_2}} \right) \ne 0$ 易得, 穿越条件 ${\rm{Re}} \left( {\dfrac{{d\lambda (\tau )}}{{d\tau }}\bigg|_ {\tau {\rm{ = }}{\tau _{\rm{0}}} } \\ \bigg.} \right) \ne {\rm{0}}$ 成立.

      基于假设1—3和引理2—4, 我们有以下结果.

      定理 1. 关于网络(1), 我们有如下结论:

      1)如果 ${\Delta _{\rm I}} > 0$ , ${\rho ^{n \times n}} > {\alpha _j}^2 + {\beta _j}^2$ ${A_k} > 0$ , 对于任意 $\tau \in [0, + \infty )$ , 网络(1)是渐近稳定的.

      2)如果 ${\Delta _{\rm I}} > 0$ ${\rho ^{n \times n}} < {\alpha _j}^2 + {\beta _j}^2$ , 当 $\tau \in [0,{\tau _0})$ 时, 网络(1)是渐近稳定的; 当 $\tau \in ({\tau _0}, + \infty )$ 时, 网络(1)处于不稳定状态; 显然在 $\tau = {\tau _0}$ 处网络(1)发生Hopf分岔现象.

    • 在本节中, 我们使用一个数值例子来仿真验证所得到的理论推导. 神经网络中激活函数常用 $\tanh ( \cdot )$ 表示. 考虑以下系统:

      $$\left\{ \begin{array}{l} \dot \psi _1^{(1)}(t) = - \rho \psi _1^{(1)}(t) + \nu _{\rm{3}}^{(1)}f_{\rm{3}}^{(1)}\left(\psi _3^{(1)}\left(t - \tau _3^{(1)}\right)\right) + \\ \begin{array}{*{20}{c}} {}&{}&{} \end{array} \;\;\;\;\; \nu _{\rm{1}}^{(3)}f_{\rm{1}}^{(3)}\left(\psi _{\rm{1}}^{(3)}\left(t - {\sigma _3}\right)\right) \\ \dot \psi _1^{(2)}(t) = - \rho \psi _1^{(2)}(t) + \nu _{\rm{3}}^{(2)}f_{\rm{3}}^{(2)}\left(\psi _3^{(2)}\left(t - \tau _3^{(2)}\right)\right) + \\ \begin{array}{*{20}{c}} {}&{}&{} \end{array} \;\;\;\;\;\nu _1^{(1)}f_1^{(1)}\left(\psi _1^{(1)}\left(t - {\sigma _1}\right)\right) \\ \dot \psi _1^{(3)}(t) = - \rho \psi _1^{(3)}(t) + \nu _{\rm{3}}^{(3)}f_{\rm{3}}^{(3)}\left(\psi _3^{(3)}\left(t - \tau _3^{(3)}\right)\right) + \\ \begin{array}{*{20}{c}} {}&{}&{} \end{array} \;\;\;\;\;\nu _1^{(2)}f_1^{(2)}\left(\psi _1^{(2)}\left(t - {\sigma _2}\right)\right) \\ \dot \psi _2^{(1)}(t) = - \rho \psi _2^{(1)}(t) + \nu _1^{(1)}f_1^{(1)}\left(\psi _1^{(1)}\left(t - \tau _1^{(1)}\right)\right) \\ \dot \psi _3^{(1)}(t) = - \rho \psi _3^{(1)}(t) + \nu _2^{(1)}f_2^{(1)}\left(\psi _2^{(1)}\left(t - \tau _2^{(1)}\right)\right) \\ \dot \psi _2^{(2)}(t) = - \rho \psi _2^{(2)}(t) + \nu _1^{(2)}f_1^{(2)}\left(\psi _1^{(2)}\left(t - \tau _1^{(2)}\right)\right) \\ \dot \psi _3^{(2)}(t) = - \rho \psi _3^{(2)}(t) + \nu _2^{(2)}f_2^{(2)}\left(\psi _2^{(2)}\left(t - \tau _2^{(2)}\right)\right) \\ \dot \psi _2^{(3)}(t) = - \rho \psi _2^{(3)}(t) + \nu _1^{(3)}f_1^{(3)}\left(\psi _1^{(3)}\left(t - \tau _1^{(3)}\right)\right) \\ \dot \psi _3^{(3)}(t) = - \rho \psi _3^{(3)}(t) + \nu _2^{(3)}f_2^{(3)}\left(\psi _2^{(3)}\left(t - \tau _2^{(3)}\right)\right) \\ \end{array} \right.$$ (15)

      紧接着, 我们给出数值仿真所需的初始参数, 具体数值参见表1.

      表 1  网络(15)的初始参数设定表

      Table 1.  Initial parameter setting table for network (15)

      参数 $\rho $ $v_j^{(k)},\forall j,k = \overline {1,3} $
      初始值 0.75 -0.6

      这里我们讨论了时滞对网络(15)稳定性和分岔的影响. 首先, 我们根据章节2理论推导出分岔点 ${\tau _{\rm{0}}}{\rm{ = 3}}{\rm{.22}}$ , 这只是检查假设1—3是否保持. 其次, 我们验证无时滞时网络(15)的特征方程子行列式的值是满足引理1的假设. 最后, 我们根据定理1可知, 当选取时滞为 $\tau = 3.15 < {\tau _0}$ 时, 网络(15)是稳定的, 显然图2的仿真图是对应的, 我们可以看到网络在平衡点附近是渐近稳定的. 当 $\tau = 3.3 > {\tau _0}$ 时, 仿真结果见图3, 网络的平衡点不稳定, 并且明显的可以观测到相图中出现了极限环. 显然, 数值仿真的结果这我们的结论是相统一. 这也意味着所得的分岔结果是非常精确和有效的.

      图  2  当 $\tau = 3.15 < {\tau _0}$ 时, 网络(15)渐近稳定.

      Figure 2.  When $\tau = 3.15 < {\tau _0}$ , network (15) is asymptotically stable.

      图  3  当 $\tau = 3.3 > {\tau _0}$ 时, 网络(15)失稳.

      Figure 3.  Network (15) is unstable when $\tau = 3.3 > {\tau _0}$ .

      本文研究大规模超环神经网络的动力学演化行为. 接下来, 我们通过数值仿真给出环的个数和神经元数量对神经网络分岔的影响规律. 选取表1中的自反馈系数 $ \rho $ 和耦合连接权重 $ v_j^{({\rm{k}})}(t)$ , 并假设外环神经元个数为3. 表2展现了网络结构对稳定性和分岔的影响. 显而易见, 随着环数和神经元数量的增加, 分岔点逐渐减小, 即稳定阈值变小, Hopf分岔将提前发生. 这意味着网络规模越大, 环状结构越多, 系统的稳定性越差.

      表 2  结构变化影响分岔点位置情况表

      Table 2.  Table of the influence of structural change on the location of bifurcation points

      环的个数 结构简图 神经元个数 分岔点
      3 6 16.2
      4 9 3.22
      5 12 2.08
    • 本文选取时滞作分岔参数, 研究了一类大规模超环神经网络的稳定性与分岔动力学. 研究重点主要包括以下几个方面: (1)将简单的单环神经网络模型推广到一般的大规模多环网络模型; (2)通过分析特征方程根的分布情况, 给出了网络的稳定性及产生分岔现象的条件; (3)揭示了网络规模和环的个数对网络动力学的影响规律.

      超环神经网络模型的提出及研究是具有前瞻性的, 此外, 未来研究工作的延伸和方向性的指导将更有助于实际神经网络的应用. 为此, 我们将开展以下工作: (1)考虑双向连接及多类型时滞融合的大规模神经网络的分岔动力学; (2)将整数阶神经网络推广到分数阶神经网络, 研究阶次对动力学的影响; (3)设计可行控制策略, 优化神经网络的动态演化过程.

WeChat 关注分享

返回顶部

目录

    /

    返回文章
    返回