众所周知,人工神经网络是根据人脑中神经细胞结构和功能模拟出来的信息处理系统,具有较强的联想能力、自适应性和容错能力等优势,这类系统能高效地解决模式识别、信号处理和图像处理中的诸多实际问题。然而,在实际应用过程中,神经元的信息往往是不完全可测的。为了知晓递归神经网络内部运行状态、掌握可靠的网络状态信息,对神经元内部状态进行有效估计具有重要的理论和现实意义。本文主要针对几类时变递归神经网络系统,基于Lyapunov理论以及随机分析方法,提出方差约束下H_∞状态估计方法。具体工作如下:1. 解决一类具有随机发生非线性的离散时变递归神经网络的H_∞状态估计问题。这里,采用服从Bernoulli分布的随机变量刻画随机发生非线性现象。首先,设计出一种新型的时变状态估计器。其次,利用随机分析方法,得到增广系统同时满足误差协方差有上界和给定的H_∞性能要求的充分条件,并提出一种新的状态估计方法。最后,通过仿真算例验证所提出的方差约束H_∞状态估计方法的有效性。2. 研究一类具有随机发生非线性和测量丢失的离散时变递归神经网络的H_∞状态估计问题。测量丢失和随机发生非线性现象均由服从Bernoulli分布的随机变量描述。基于测量丢失的概率信息和随机分析方法,进一步得到增广系统同时满足误差协方差有上界和给定的H_∞性能要求的条件。最后,通过数值仿真算例检验所提状态估计方法的可行性。3. 研究一类具有随机发生饱和的离散时变递归神经网络,探讨该类系统的弹性H_∞状态估计问题。随机发生饱和现象由服从Bernoulli分布的随机变量来描述。在随机发生饱和的情况下,设计一个新型的弹性H_∞状态估计器,得到增广系统同时满足估计误差协方差有上界和给定的H_∞性能要求的判别准则。类似地,通过数值仿真算例检验所提H_∞状态估计方法的有效性。4. 研究一类具有衰减测量的离散时变递归神经网络的事件触发弹性状态估计问题。利用服从Bernoulli分布的随机变量描述衰减测量现象,这些随机变量反映了每个传感器可能有各自的丢失概率。基于已获得的信息,设计新颖的事件触发式H_∞状态估计器,得到增广系统同时满足误差协方差有上界和给定的H_∞性能要求的充分准则。最后,通过数值仿真算例,验证所提出的新颖事件触发式H_∞状态估计方法的优越性。