外部輸入與兩單元CNN的完全穩(wěn)定性

賀國旗，韓泉葉，陳綏陽

(1.陜西廣播電視大學，陜西西安 710068;2.西安交通大學，陜西西安 710049)

外部輸入與兩單元CNN的完全穩(wěn)定性

賀國旗1，韓泉葉1，陳綏陽2

(1.陜西廣播電視大學，陜西西安 710068;2.西安交通大學，陜西西安 710049)

細胞神經網絡(CNN)在圖像處理、模式識別等領域有非常廣泛的應用，應用的基礎取決于對網絡動力學特性的認識，尤其是網絡在什么條件下有極限環(huán)，什么條件下是穩(wěn)定的。研究了一類在沒有外部輸入條件下已經被證明是不穩(wěn)定的兩單元細胞神經網絡(CNN)在加上外部輸入后的特性。該網絡在不加外部輸入時的特點是:全局只在0區(qū)存在唯一齊點，并且存在一個圍繞0區(qū)的極限環(huán)。證明:加上外部輸入后，外部輸入在一定的區(qū)域取值，網絡仍保持這樣的特點，即網絡仍不是完全穩(wěn)定的，存在一個圍繞0區(qū)的極限環(huán)。這表明，不加外部輸入時的情況只是加外部輸入的一種特例。此外，還給出了這個外部輸入值的取值區(qū)域。這個兩單元細胞神經網絡的結果有助于進一步研究較大規(guī)模細胞神經網絡的非線性動力學特性，也有助于進一步拓展其在函數(shù)逼近、模式識別及圖像處理等方面的應用。

細胞神經網絡;齊點;極限環(huán);穩(wěn)定性

0 引言

細胞神經網絡(CNN)在圖像處理、模式識別等領域有非常廣泛的應用［1-4］。CNN的完全穩(wěn)定性是其應用的基礎［5］，所以，自從CNN理論被提出［3］以來，人們就在不斷地研究它的完全穩(wěn)定性［6-11］，包括嵌入憶阻器的CNN［12-14］。目前，對于不加外部輸入的兩單元CNN(CNN(2))的完全穩(wěn)定性，已經比較清楚了［4］。對于不是完全穩(wěn)定的CNN，通過外加輸入使其完全穩(wěn)定是一種有效的方法。實際上，通過外加輸入不僅可以改變CNN的穩(wěn)定性，而且可以改變飽和區(qū)中穩(wěn)定節(jié)點的吸引域，甚至可以使飽和區(qū)中的穩(wěn)定節(jié)點消失或出現(xiàn)，從而完全改變CNN的動態(tài)行為［15］。文中就一類已經被證明不是完全穩(wěn)定的CNN(2)［4］，研究其在外加輸入條件下的穩(wěn)定性的變化情況，給出一個仍使CNN(2)不完全穩(wěn)定的取值區(qū)域。

1 狀態(tài)方程與齊點

在帶有外部輸入情況下描述CNN(2)狀態(tài)的微分

1.6 5區(qū)(x1＞1，x2＞1)

由式(1)、(2)、(3)得CNN(2)狀態(tài)的微分方程:

1.7 6區(qū)(x1＜－1，x2＞1)

由式(1)、(2)、(3)得CNN(2)狀態(tài)的微分方程:

1.8 7區(qū)(x1＜－1，x2＜－1)

由式(1)、(2)、(3)得CNN(2)狀態(tài)的微分方程:

1.9 8區(qū)(x1＞1，x2＜－1)

由式(1)、(2)、(3)得CNN(2)狀態(tài)的微分方程:

2 完全穩(wěn)定性

定理1:由式(1)、(2)、(3)描述的滿足條件(4)、(5)的CNN(2)，若全局只在0區(qū)存在唯一的齊點，則它不是完全穩(wěn)定的。

證明:由于齊點在0區(qū)內部，有式(8)、(9)成立。

做坐標平移:這樣，使齊點的位置成為新坐標系v1o＇v2的原點(見圖1)。

o＇只能是不穩(wěn)定的節(jié)點或不穩(wěn)定的焦點［16］，所以軌線只能離開o＇趨向0區(qū)的邊界。而在無窮遠處，描述各區(qū)域有如下的微分方程:

所以軌線都是向內縮進的，則由Poincarè-Bendixson定理知必存在環(huán)繞0區(qū)極限環(huán)，所以系統(tǒng)不是完全穩(wěn)定的。

定理2:當外部輸入(u1，u2)同時滿足條件(67)、(68)時(即在圖2所示的矩形區(qū)域中取值)，CNN(2)只在0區(qū)存在唯一齊點，而在其他區(qū)域沒有齊點。

證明:思路其實很簡單，就是驗證各區(qū)域齊點存在的條件是否滿足。首先驗證它滿足0區(qū)齊點存在的條件(8)、(9)。

實際上:

由式(69)、(70)知條件(8)滿足，同理可證條件(9)滿足。證明1區(qū)存在齊點的條件式(15)不滿足。

由上式知式(15)不滿足，所以1區(qū)沒有齊點。同樣可以一一驗證2、3、4、5、6、7、8區(qū)中都沒有齊點。

由定理1和定理2可知:當外部輸入(u1，u2)在圖2所示的矩形區(qū)域中時，由式(1)～(5)所描述的CNN(2)不是完全穩(wěn)定的。

3 結束語

滿足條件(4)、(5)的不加外部輸入的CNN(2)是全局只在0區(qū)存在唯一齊點，且不是完全穩(wěn)定。其實，它只不過是滿足條件(4)、(5)且?guī)в型獠枯斎?u1，u2) 的CNN(2)在(0，0)點的特例，外部輸入(u1，u2)在圖2所示的矩形區(qū)域中，CNN(2)全局只在0區(qū)存在唯一齊點，且不是完全穩(wěn)定的。這個結果對于細胞神經網絡應用的啟示意義在于:如果要應用CNN(2)，應該嘗試通過增加外部輸入使其穩(wěn)定，這需要進一步研究。

［1］ Chua L O，Yang L.Cellular neural networks:application［J］. IEEE Transactions on Circuits and Systems，1988，35(10): 1273-1290.

［2］ Arista-Jalife A，Gomez-Ramirez E.One-shot training of polynomial cellular neural networks and applications in image processing［C］//Proc of international joint conference on neural networks.［s.l.］:［s.n.］，2015:1-8.

［3］ Chua L O，Yang L.Cellular neural networks:theory［J］.IEEE Transactions on Circuits and Systems，1988，35(10):1257-1272.

［4］ Civalleri P P，Gilli M.On the dynamic behaviour of two-cell cellular neural networks［J］.International Journal of Circuit Theory and Applications，1993，21:451-471.

［5］ 湯 敏.標準細胞神經網絡完全穩(wěn)定性分析及初步應用［J］.計算機工程與應用，2011，47(2):173-175.

［6］ 王宏霞，虞厥邦.細胞神經網絡平衡態(tài)的穩(wěn)定性分析［J］.物理學報，2001，50(12):2303-2306.

［7］ Takahashi N，Cha L O.On the complete stability of nonsymmetric cellular neural networks［J］.IEEE Transactions on Circuits and Systems，1998，45:754-758.

［8］ Arik S，Tavsanoglu V.Equilibrium analysis of non-symmetric CNNs［J］.International Journal of Circuit Theory and Applications，1996，24:269-274.

［9］ 張小紅，李德音.時滯無關的CNN穩(wěn)定性分析及保密通信應用［J］.計算機工程，2013，39(1):168-174.

［10］羅 昉，許弘雷.一類中立型時滯神經網絡的全局漸近穩(wěn)定性［J］.計算機工程與應用，2012，48(6):30-32.

［11］李雪梅，黃立宏.具有外部輸入和偏差的細胞神經網絡的完全穩(wěn)定性［J］.應用數(shù)學學報，2003，26(3):475-486.

［12］賀勤斌.一類CNN細胞神經網絡的穩(wěn)定性［J］.科學技術與工程，2008，8(14):3765-3769.

［13］張發(fā)明.非對稱細胞神經網絡穩(wěn)定平衡點的存在性［J］.電子測量與儀器學報，2005，19(3):25-29.

［14］高士詠.憶阻器/RTD混合結構細胞神經網絡及應用［D］.重慶:西南大學，2012.

［15］曾志剛，廖曉昕，汪增福.輸入向量控制細胞神經網絡全局指數(shù)穩(wěn)定［J］.控制理論與應用，2006，23(1):86-88.

［16］馬知恩，周義倉.常微分方程定性與穩(wěn)定性方法［M］.北京:科學出版社，2001:99-104.

Complete Stability of Two-cell Cellular Neural Networks with External Inputs

HE Guo-qi1，HAN Quan-ye1，CHEN Sui-yang2
(1.Shaanxi Radio＆TV University，Xi’an 710068，China;2.Xi’an Jiaotong University，Xi’an 710049，China)

Cellular neural networks have been widely used in image processing，pattern recognition and other fields.The base of the applications is the realization of the dynamics，especially when there will be a limit cycle and how the network is stable.In this paper，a case of two-cell cellular neural networks with external inputs is studied which has been proved it is not completely stable without external inputs. The feature of the network without external inputs is that there is only one fixed point in region 0 and there is a limit cycle around region 0.It will prove that with external inputs and their values in given domain，the network still has the feature that it is not completely stable and there is a limit cycle around region 0.This indicates the CNN(2)without external inputs is only a special sub-case of that with external inputs.The domain of the external inputs values is also given.The result has expanded the understandings about the dynamics of the CNN(2).He results on two-cell cellular neural networks will help to further study the nonlinear dynamics of large-scale cellular neural networks，and will also help to further expand its applications in function approximation，pattern recognition，image processing，and others.

CNN;fixed point;limit cycle;complete stability

TP391

A< class="emphasis_bold">文章編號:16

1673-629X(2016)09-0167-04

10.3969/j.issn.1673-629X.2016.09.037

2015-12-16

2016-04-08< class="emphasis_bold">網絡出版時間:

時間:2016-08-23

陜西省2014年重大科技創(chuàng)新項目(2014ZKC03-18);陜西省2014年度信息化重點建設項目(陜工信發(fā)〔2014〕199號)

賀國旗(1968-)，男，副教授，研究方向為圖形圖像處理、網絡技術;陳綏陽，教授，博導，研究方向為計算機軟件、計算方法。

http://www.cnki.net/kcms/detail/61.1450.TP.20160823.1359.066.html