与传统的神经网络相比较,忆阻神经网络能建立更加接近人脑大小、结构的高度集成神经系统。从而,它可以有效地模拟人脑神经细胞的学习、记忆和判断等功能。忆阻神经网络具有记忆性、自适应性和高度并行处理能力。忆阻神经网络的同步控制普遍应用于模式识别、组合优化、保密通信、函数逼近等领域。在实际的同步控制系统中,有时候信号传输需要依赖于一般通信网络。比如,无线网络中的保密通信,机器人在恶劣环境下的协同合作以及多智能体分布编队控制。将忆阻神经网络应用到网络化同步控制系统中进行建模与分析,通过对控制系统的异地控制和远程操作能实现更多领域的应用。此外,复杂动态网络的同步广泛应用于通讯网络、生物系统、电力系统和信息科学等领域。含有忆阻神经网络节点的复杂动态网络可以在不同层次上模拟大脑神经系统的结构和功能,并且可用于机器人路径规划,无人机协同控制、保密通信和卫星编队。本论文将忆阻神经网络应用到复杂网络中,对以忆阻神经网络为节点的复杂网络进行建模,分析其在控制器作用下同步于独立忆阻神经网络的条件。在此基础上,采用分布式事件触发方法分析了复杂忆阻神经网络的网络化同步控制。本论文对忆阻神经网络的同步控制进行研究,其主要的研究内容如下:1)忆阻神经网络的网络化同步控制。考虑网络中存在的延迟、丢包和随机扰动等问题,建立了基于通信网络的误差系统模型。运用Lyapunov方法和线性矩阵不等式(Liner matrix inequality,LMI)技术,推导出使误差系统在均方意义下全局渐近稳定的时滞依赖充分条件,同时相应的控制器参数可以通过LMI工具箱得到。2)基于事件触发的忆阻神经网络同步控制。在网络化同步控制系统中引入了基于输出的事件触发器,设计了一种基于事件触发的输出反馈H_?控制器,使响应和驱动系统的状态响应达到均方意义下的指数同步。同时,该控制器保证了同步误差的H_?性能。3)复杂忆阻神经网络的同步控制。研究复杂忆阻神经网络在控制器作用下的指数同步问题,利用Lyapunov方法和笛卡尔积技术,以LMI的形式给出复杂忆阻神经网络的所有子节点与期望轨迹同步的判据以及控制器设计方法。4)基于分布式事件触发的复杂忆阻神经网络同步控制。针对复杂忆阻神经网络的多个子节点设计了多个事件触发器。在数据包处理(Data packet process,DPP)的机制下,将误差系统建模为时滞系统,利用Lyapunov泛函方法给出了保证误差系统全局渐近稳定的充分判据,并给出基于LMI的分布式事件触发条件和控制器协同设计方法。