一类四维时滞前馈神经网络模型的Hopf分支
2020-05-08王殿宏王文龙
王殿宏,王文龙,李 雪
(东北林业大学 数学系,哈尔滨 150040)
图1 四维前馈神经网络Fig.1 Four-dimensional feed-forward neural network
近年来,神经网络因其在模式识别、联想记忆、组合优化、自动控制等领域的广泛应用,受到越来越多的关注.神经网络的相关研究始于20世纪40年代.1943年,美国Mcculloch和Pitts首先提出了一种神经元的数学模型,即MP模型[1].1982年,美国物理学家Hopfield提出了Hopfield神经网络(HNN)模型[2].后来,许多学者提出并研究了大量的神经网络模型,并取得了显著成果,如细胞神经网络和双向联想记忆等[3-4].
随着生物学、神经网络等领域研究的不断深入,时滞动力系统的相关理论被广泛应用到这些领域中[5-7].由于外界干扰和信息处理速度有限,动力系统不可避免地存在时滞,时滞是影响系统动态行为的一个关键因素.而动力学系统除了研究稳定性[8-9]外,还可研究其它动力学行为,如振荡、混沌、多周期和不稳定等[10].因此,许多科研工作者相继对时滞神经网络的动力学行为进行研究[11-12].魏俊杰等[13]研究了具有时滞的二维网络神经模型的分支,王春梅等[14]研究了一类具有时滞的三维神经网络模型的分支与稳定性,李秀玲[15]研究了具有时滞的四维神经网络模型的分支问题,本文对图1所示的四个神经元的前馈神经网络模型进行研究.
由图1,可建立如下方程:
(1)
其中ui(t)(i=1,2,3,4)表示第i个神经元t时刻的活跃状态,a,b为连接权值,τ≥0表示神经元传输时滞.关于活跃函数f,在本文中假定:
(H1)f∈C1,f(0)=0,f′(0)=1;
在(H1)的条件下,系统(1)在平衡点(0,0,0,0)的特征方程为:
(2)
其中Δ1=λ+1-(a+b)e-λτ,Δ2=λ+1-ae-λτ.
本文主要研究内容如下:针对模型(1),利用中心流形定理和规范型理论,讨论了该模型产生Hopf分支的条件,假设输出函数为双曲正切函数,以μ作为分支参数计算其产生Hopf分支的直到三次项的约化规范型,并研究了Hopf分支周期解的稳定性及分支方向;最后通过数值模拟仿真,对理论结果进行了验证.