中文摘要：

针对大规模时滞神经网络的鲁棒状态估计与降阶滤波器设计的问题，在充分利用神经网络激励函数的已知信息的前提下，通过改进现有的非线性系统滤波器设计方法，采用线性矩阵不等式的技术和凸优化理论，构造新的Lyapunov-Krasovskii泛函，深入研究和解决神经网络降阶滤波器设计中激励函数与状态向量维数相同导致的难点问题，开发出易于实现的设计算法，克服全阶滤波器设计代价昂贵甚至难以实现等缺点。同时，考虑到神经网络模型中的参数不确定性，在上述方法的基础上，结合鲁棒控制技术，探讨新的设计方案解决其外部输入项对状态估计器和滤波器的设计带到的挑战性。项目预期将提出一些易于工程验证的设计准则实现大规模时滞神经网络的鲁棒状态估计器和降阶滤波器的设计，建立其在系统建模和反馈控制中的应用。项目的研究成果对于进一步发展和完善神经网络理论具有十分重要的实际意义，可以为其在工程领域的广泛应用提供理论指导和科学依据。

结论摘要：

在大规模时滞递归神经网络中，人们通常很难完全获知所有神经元的状态信息。因此，对时滞递归神经网络的状态估计和滤波器设计的研究具有非常重要的理论价值和实际意义。在该项目中，我们系统地研究了两类时滞递归神经网络的状态估计和滤波器设计等问题。我们主要取得的成果可以分为四部分1）对时滞局部场神经网络，分别提出了改进时滞划分方法和基于松弛参数的方法研究状态估计和滤波器设计，我们得到的结果可以应用到具有复杂动力学行为（如混沌）的时滞神经网络模型；2）对于时滞静态神经网络，结合S-procedure技术和相互凸组合技术，分别提出了基于二阶积分公式方法和时滞划分方法研究时滞静态神经网络的状态估计和滤波器设计，从而得到了一些性能更好的设计准则。就我们所知，这是首次对时滞静态神经网络的滤波器设计方面开展的研究工作；3）对带马尔科夫跳跃参数和混合时滞的递归神经网络，为了使得尽可能多的Lyapunov矩阵和系统模态相关联，我们在随机Lyapunov泛函中引入了高阶积分项，提出了一个依赖于系统模态的设计方法，并且从理论上严格证明了一些已有的结果是我们的特例；4）在理论成果的应用研究方面，我们通过解耦技术提出了基于状态估计的方法研究时滞递归神经网络的指数镇定性问题，得到了一个在工程上易于验证的条件。 目前，我们已经在国内外著名学术期刊和学术会议上发表了20篇学术论文并标注了该基金号，10篇被SCI检索，10篇被EI检索，其中有4篇发表在人工神经网络研究领域的权威期刊之一Neural Networks上；两篇分别发表在IEEE Transactions on Circuits and Systems Patr I和Part II上，两篇发表在Neurocomputing上，在Tsinghua Science and Technology和电子学报上各发表一篇。由于在该领域取得的一些成果，本人2013年开始被邀请担任国际SCI期刊Neurocomputing的编委和Circuits, Systems, and Signal Processing的副主编。作为客座编委之一，在Neural Computing and Applications期刊上为国际会议ICONIP2012组织了一期专刊。此外，考虑到国内外目前还没有这方面的学术专著，正着手出版相关专著一本，初稿已基本完成。