分数阶时滞神经网络渐近稳定性：Lyapunov-Razumikhin条件解析与仿真验证

简介：一份关于含离散时滞与分布时滞的分数阶神经网络渐近稳定性分析的学术论文PDF，面向从事神经网络动力学研究与深度学习建模的科研人员、研究生及工程师，聚焦时滞和分数阶微积分共同作用下的系统稳定性判据问题。论文在Caputo导数意义下构造Lyapunov函数，并联合分数阶Razumikhin定理，给出离散时滞与分布时滞并存时系统渐近稳定的充分条件；通过四个覆盖不同时滞类型与系统特性的实例，验证了理论判据的有效性与适用性。压缩包中仅含1个PDF文件，大小约1011KB，内容完整，页面清晰。目前已有104人学习。阅读这份PDF，可掌握含时滞分数阶神经网络稳定性分析的关键推导思路与Lyapunov函数构造技巧，为自身建模稳定性判断提供方法参考。

1. 分数阶神经网络的渐近稳定性：时滞不是拿来绕开的，是拿来分析的

拿到这篇《含有离散时滞及分布时滞分数阶神经网络的渐近稳定性分析》，如果你指望它给你一套训练神经网络的代码，那是找错门了。这是一篇纯粹的理论分析论文，核心是用 Lyapunov 函数和分数阶 Razumikhin 定理，给同时带离散时滞和分布时滞的分数阶神经网络建立渐近稳定性的充分条件。但别因为它“纯理论”就划走——凡是做分数阶系统建模、时滞微分方程稳定性判断的人，这篇论文给出的定理 1 和定理 2 就是可以直接落成仿真验证的工具。它解决的实际问题是：你的分数阶神经网络模型里带有记忆性的历史项和分布积分项时，如何判断系统会不会跑飞。适合读它的人是数学系做动力系统的研究生、做分数阶控制器设计的工程师，以及那些被“仿真曲线震荡但不知道是不是稳定”折磨的从业者——读完你会得到一个可以手算的矩阵条件，而不是只能靠看曲线猜。

2. 模型怎么建的：Caputo 导数、两类时滞和平衡点平移

2.1 为什么必须用 Caputo 导数而不是 Riemann-Liouville

论文一上来就给了两个定义：Riemann-Liouville 积分（式 1）和 Caputo 导数（式 2）。这里有个关键选择——整个稳定性分析建立在 Caputo 导数意义上，不是没有原因的。Caputo 导数的优势在于它对常数的导数为零，所以初始条件的处理方式和整数阶系统保持一致，这对神经网络这种“从某个初值出发演化”的系统是刚需。

如果改用 Riemann-Liouville 导数，初值问题会带上一堆分数阶积分项，模型的物理意义就变得很难解释。更实际的好处是：Caputo 导数框架下有引理 1——对二次型函数的分数阶导数可以放缩成x^T P乘分数阶导数的形式，这个不等式是后面 Lyapunov 函数求导放缩的基石。没有这条引理，整个证明动不了。

2.2 模型方程逐项拆解：A 矩阵、权重矩阵和激励函数的作用

论文给的核心模型是式（11）和式（12），我把它们翻译成好理解的等价形式。式（11）只带离散时滞，式（12）额外加了分布时滞积分项：

(11) C D_t^α y(t) = -A y(t) + B f(y(t)) + C g(y(t - r1(t))) + I (12) C D_t^α y(t) = -A y(t) + B f(y(t)) + C g(y(t - r1(t))) + D ∫_{t-r2(t)}^{t} h(y(s)) ds + I

先解释参数的物理含义。A = diag{a_i}是正定对角矩阵，每个a_i代表第 i 个神经元和网络断开、外部输入为零时，把电位重置回静息状态的速率。这个重置速率必须大于零，一旦出现负数或者零特征值，系统本身就有一个“自激励”通道，后续无论怎么调权重矩阵都救不回来。

B、C、D是三个权重矩阵，各自的角色不一样：B 连接当前时刻的状态到当前激励，C 连接延迟时刻的状态y(t - r1(t))到当前激励，D 负责把t-r2(t)到t这一整段历史状态通过积分叠加进来。f、g、h是三个激励函数，论文假设它们都满足 Lipschitz 条件（式 16 和式 28），并且f(0)=g(0)=h(0)=0。

2.3 平衡点平移：把“非零收敛”变成“零解稳定”

模型里还有一个外部输入向量I。实际系统的平衡点往往不是原点——因为激励函数和外部输入共同决定了一个非零平衡点y*。论文的处理手法非常标准：先假设系统（11）（12）至少存在一个平衡点y*，然后做变换x(t) = y(t) - y*。

这一步的妙处是把问题从“验证非零解是否稳定”转化成“验证零解是否渐近稳定”。变换后的新激励函数变为f(x(t)) = f(y(t)) - f(y*)，仍然满足 Lipschitz 条件，而且新函数在零点处仍然等于零。这样就天然满足式（4）的f(t,0)=0条件，直接套用引理 3 的分数阶 Razumikhin 定理。

2.4 主系统式（13）（14）：从分量写法到矩阵写法

为了让推导清晰，论文从分量形式（9）（10）直接推进到等价矩阵形式（13）（14）：

(13) C D_t^α x(t) = -A x(t) + B f(x(t)) + C g(x(t - r1(t))) (14) C D_t^α x(t) = -A x(t) + B f(x(t)) + C g(x(t - r1(t))) + D ∫_{t-r2(t)}^{t} h(x(s)) ds

时滞项r1(t)和r2(t)都是时变的，边界条件给的是0 ≤ r1(t) ≤ r1、0 ≤ r2(t) ≤ r2，也就是说它们的上界是已知的常数。这个上界在后面定理 2 的矩阵条件里直接以r2的乘积形式出现。

这里我有一个实际的提醒：如果你自己建模时遇到时滞是时变且上界未知的，那这套理论不能直接用，得先把时滞的上界估计出来才行。我一般做仿真时，会把r1(t)设成常数或周期函数，比如论文例子里用的r2(t) = 0.5 sin² t，这样上界一目了然。

3. 定理 1 的逻辑链：Lyapunov 函数、Razumikhin 条件和相互放缩

3.1 构造 V(t) = x^T P x 的动机与合法性

论文的定理 1 是处理只有离散时滞的系统（15）。它构造的 Lyapunov 函数是V(t) = x^T(t) P x(t)，其中P是对称正定矩阵。为什么选这个形式？因为它同时满足两个需求：第一，它自然满足引理 3 的上下界条件（式 5）——λ_min(P)‖x‖² ≤ V(x) ≤ λ_max(P)‖x‖²；第二，它在 Caputo 导数下可以用引理 1 放缩成不超过2x^T P乘系统右端的形式，这让求导后的每一项都能分别处理。

这个二次型选法还有一个隐藏优势：它天然是齐次的。在 Razumikhin 条件V(x(t+θ)) ≤ γ V(x(t))中，齐次性让不等式的比例关系不依赖状态幅值，只依赖矩阵 P 和状态的方向。这就是为什么不论状态多大，Razumikhin 条件都能一致地成立。

3.2 Razumikhin 条件在这里扮演的角色：把历史信息拉回当前时刻

引理 3 里的条件（5）（6）是一个分数阶版本的 Razumikhin 定理。看起来抽象，但它的核心逻辑很直白：如果历史区间上所有的 Lyapunov 函数值都不超过当前时刻函数值的 γ 倍（γ>1），那么这个系统在分数阶导数意义下是渐近稳定的。

这个条件的重要之处在于它处理的是时滞带来的“历史记忆”。当你对V(t)求 α 阶导数时，右端必然出现x(t - r1(t))这样的延迟项。如果没有 Razumikhin 条件，你就只能对延迟项做 Lipschitz 放缩，放完还是带着延迟状态，闭环不了。有了 Razumikhin 条件，延迟状态的大小可以用当前状态的 γ 倍来上界控制，于是整个不等式就只含当前时刻的状态。

我一般这样理解这条定理：它本质上是给时滞系统装了一个“记忆窗口”。窗口内的历史状态不能比当前状态离谱地大，否则没法保证系统收缩回零。

3.3 关键不等式推导：从 V 的导数到矩阵条件式（17）

定理 1 的核心是式（17）的矩阵条件：

[-PA - A^T P + PBB^T P + l1² I + PCC^T P + kP 0 ] [ 0 l2² I - kP ]

这个 2×2 块矩阵是负定的。这个条件是怎么从 Lyapunov 函数导数推导出来的？我把关键步骤拆开讲。

初值阶段，在引理 1 下对 V 求 α 阶导数：

C D_t^α V(t) ≤ 2x^T P [-A x(t) + B f(x(t)) + C g(x(t - r1(t)))]

然后分别处理三项。先看第二项2x^T P B f(x(t))，这一步用到引理 2 的完全平方放缩：对任意 δ>0，2u^T v ≤ δ u^T u + (1/δ) v^T v。取 δ=1，得到：

2x^T P B f(x) ≤ x^T PBB^T P x + f^T(x) f(x) ≤ x^T (PBB^T P + l1² I) x

这个放缩的代价是引入l1²——也就是激励函数 f 的 Lipschitz 常数。第三项2x^T P C g(x(t-r1(t)))同理放缩，得到：

2x^T P C g(x(t-r1)) ≤ x^T PCC^T P x + g^T(x(t-r1)) g(x(t-r1)) ≤ x^T PCC^T P x + l2² x^T(t-r1) x(t-r1)

到这里延迟项l2² x^T(t-r1) x(t-r1)还挂着，无法关闭。这时再用 Razumikhin 条件加一个“零项不改变不等式”的技巧：加入k[γ x^T P x - x^T(t-r1) P x(t-r1)]，其中 k>0。因为括号内就是 Razumikhin 条件的等价形式，它本身是正的或零，所以加进去不会破坏不等号方向。

最终V的导数被夹在两个二次型的和下面：一个关于x(t)，一个关于x(t-r1(t))。这正是式（17）的 2×2 块矩阵形式的由来。这里参数k必须选得让右下块l2² I - kP负定——也就是说k必须大于l2² / λ_max(P)，同时左上块在加了kγP后仍然负定。γ只要取充分接近 1 的常数（式 24 里的γ = 1 + δ），就能保证整个矩阵负定。

3.4 定理 1 使用边界与仿真参数对照

我建议你复现时对照下面的参数表来理解定理条件，这套参数直接来自论文例 1：

代入之后，左上块矩阵是-1.7, -0.08; -0.08, -1.81，显然负定；右下块l2² I - kP = -0.75 I也是负定。通过 Schur 补引理（引理 4）判定整个 2×2 矩阵负定，于是系统渐近稳定。

这里有一个操作细节值得记一下：Schur 补判定时，如果右下块已经是负定，只需要检查左上块减去S12 S22^{-1} S21之后是否仍然负定。但论文例 1 中直接给出了-P A - A^T P + PBB^T P + l1² I + PCC^T P + kP这个块本身负定的结论，省去了交叉项处理。在实际验证你自己的模型时，不能偷懒这个交叉项，必须老老实实算完整的 Schur 补。

4. 定理 2 的增量：分布时滞、积分项放缩和双重矩阵条件

4.1 为什么含分布时滞时要用更紧的放缩

定理 2 处理的是系统（27）——在式（15）的基础上，多了一项D ∫_{t-r2(t)}^{t} h(x(s)) ds。这项的处理难度比离散时滞高一个量级：你面对的不是某个延迟时刻的状态，而是整个区间上历史状态的积分。

直接用三角不等式放缩的话，积分区间长度r2会导致放缩幅度正比于r2。这意味着时滞上界越大，条件越紧，越难满足。论文的处理手法是：把积分项引起的交叉项2x^T P D ∫ h ds放缩成：

≤ x^T PDD^T P x + r2 · l3² · ∫_{t-r2(t)}^t x^T(s) x(s) ds

这个积分项又引入了区间内状态能量的累积。用引理 5 的 Jensen 型不等式（式 8）处理这个累积，同时再次借助 Razumikhin 条件把历史状态的平方积分和当前时刻状态的平方关联起来。这样，积分区间内的状态贡献就被压缩成带r2 l3²的当前状态项，换取了闭环。

4.2 新矩阵条件式（29）（30）的结构解读

定理 2 给出两个矩阵不等式：

(29) [-PA - A^T P + PBB^T P + l1² I + PCC^T P + PDD^T P + (k3 r2 + k1γ)P 0 ] [ 0 l2² I - k1 P ]

(30) [(k2γ - k3)P 0 ] [ 0 r2 l3² I - k2 P]

第一个矩阵 2×2 块处理的是离散时滞带来的x(t-r1)二次型。和第二行的区别——左上块里多出了PDD^T P和(k3 r2 + k1 γ) P。

PDD^T P来自对分布时滞项中当前状态部分的压缩，也就是和 B、C 同源的完全平方放缩。(k3 r2) P则是因为把积分区间长度为r2内的历史能量拉回当前时刻的代价——这部分能量必须由当前状态的二次型承担。k3 越大，这个代价越大；r2 越大，同样时间越长，条件越难满足。

第二个矩阵条件（30）管的是积分区间内的“状态能量分布”——它要求k2P足够大，能吸收r2 l3² I的贡献。这里k3必须大于k2 γ，否则矩阵左上块就不是负定；同时右下块r2 l3² I - k2 P也要求负定，于是 k2 大于r2 l3² / λ_min(P)。

4.3 论文例 3 的完整验证过程

论文例 3 的边界条件是k1=k2=1, k3=2, P=I，矩阵D = [[0.2, -0.3], [0, -0.3]]。按公式算：

-PA - A^T P + PBB^T P + l1² I + PCC^T P + PDD^T P + (k1 + k3 r2)P = [-0.57, 0.01; 0.01, -0.72]

这个矩阵是负定的。第二个条件里：

(k2 - k3) P = -I < 0, r2 l3² I - k2 P = -0.5 I < 0

双双负定，所以式（29）（30）成立，系统（44）渐近稳定。仿真结果是状态曲线收敛到零，和理论判决完全一致。

这里你应该注意的是第二个条件的检验方式：它是一个独立的 2×2 负定条件，和第一个条件可以分开检查。对于一个高维系统，如果r2 l3²太大，第一个条件还守得住，第二个条件就会先崩——表现就是仿真中状态振荡发散，而第一个矩阵条件却是负定的。

4.4 参数 k1、k2、k3 的调节方向和冲突

结合我自己的复现经验，这三个参数有直接的物理含义，调节方向各不相同：

• k1控制离散时滞上回拉的强度，主要约束x(t-r1)的能量。取值必须大于l2² / λ_max(P)，但太大又会污染左上块。
• k2控制积分区间内的能量上回拉强度，必须大于r2 l3² / λ_min(P)。
• k3是中间变量，必须落在k2 < k3 < k2 γ的区间里，而且它的存在让左上块的负担随r2线性增加。

实际操作顺序是先估 Lipschitz 常数和时滞上界，再选 P 作为单位阵或者某个正定矩阵开始迭代，最后调 k 值看是否兼容。这三个参数不是独立的——调整k2会影响k3的可选范围，而k3又通过k3 r2项直接影响第一个矩阵条件。我的习惯做法是写一段 LMI 求解脚本，把P, k1, k2, k3当作变量直接求可行解，而不是手工迭代。

5. 数值复现与避坑：Lipschitz 常数、负定判别和初值选择

5.1 用 Schur 补判定矩阵负定的三个步骤

验证式（17）或式（29）是否成立时，最常用的手法是手算特征值或者用 Schur 补。工程上我建议用 Schur 补逐步判定，避免直接算高维矩阵特征值。

给定一个对称矩阵S = [[S11, S12], [S12^T, S22]]，Schur 补判定流程如下：

步骤 1 检查 S11 是否负定（检查顺序主子式符号），若 S11 非负定则直接判否。 步骤 2 检查 S22 是否负定，若否，则判否。 步骤 3 计算 S22 - S12^T S11^{-1} S12 是否负定；或等价地，S11 - S12 S22^{-1} S12^T。 若三步都成立，S 负定。

这个流程等价于引理 4 的三种等价表述。我在实际写代码时不只是看“负定”的布尔输出，还额外输出最小特征值的数值——因为论文例 2 和例 4 的失败案例里，矩阵的主对角元有一个是正的（例 2 中的2.26），一眼就能看出非负定。但在高维情况下，你可能只偏离负定一点点，特征值接近零的负值也意味着条件“勉强成立”，实际仿真却可能因为 Lipschitz 常数估计不准而失稳。

下面的代码用 Python 实现了一个通用的 Schur 补判定工具：

import numpy as np def is_negative_definite_schur(S, tol=1e-8): """ 用 Schur 补三步判定对称矩阵负定性。 S: 对称矩阵，按块分成 S11, S12, S22。 tol: 特征值大于 -tol 的视为非负定。 """ S = np.asarray(S, dtype=float) if not np.allclose(S, S.T, atol=tol): raise ValueError("输入矩阵不是对称矩阵，请检查表达式是否写对") n = S.shape[0] # 分成左上块和右下块，这里按 n//2 分块 n1 = n // 2 S11 = S[:n1, :n1] S12 = S[:n1, n1:] S22 = S[n1:, n1:] # 步骤 1：检查 S11 负定 eig11 = np.linalg.eigvalsh(S11) if eig11.max() > -tol: return False, {"S11最大特征值": eig11.max()} # 步骤 2：检查 S22 负定 eig22 = np.linalg.eigvalsh(S22) if eig22.max() > -tol: return False, {"S22最大特征值": eig22.max()} # 步骤 3：Schur 补负定 S_schur = S11 - S12 @ np.linalg.inv(S22) @ S12.T eig_schur = np.linalg.eigvalsh(S_schur) if eig_schur.max() > -tol: return False, {"Schur补最大特征值": eig_schur.max()} return True, {"S11最大特征值": eig11.max(), "S22最大特征值": eig22.max(), "Schur补最大特征值": eig_schur.max()}

这段代码按行分块是假设矩阵天然排成 2×2 块结构。如果你的矩阵是手动拼的，必须确认S的排列和式（17）完全一致——左上块是-PA - A^T P那一串，右下块是l2² I - kP。我第一次复现时就把 P 乘错了位置，结果 Schur 补算出的特征值一直是正的。

5.2 四个常见踩坑记录

踩坑 1：Lipschitz 常数算错导致误判稳定

现象是仿真曲线明明在发散，但定理条件却显示矩阵负定。原因是我把激励函数g(x) = 0.5 tanh(x)的 Lipschitz 常数按tanh的全局斜率 1 来算，但0.5的系数被遗漏了，正确值是l2 = 0.5。解决方法是逐项核验每个激励函数的系数和导数上界，不要凭经验估算。做仿真时还要注意——Lipschitz 条件是充分条件，不是必要条件；即使矩阵条件满足，真实系统如果激励函数的行为超出 Lipschitz 估计范围，仿真照样可能失稳。

踩坑 2：把r1、r2的上界当常数用，忽略时变性

现象是理论判稳但仿真不稳。原因是时滞r1(t)是时变的，在某些时刻它的瞬时值大于预设上界r1，导致 Razumikhin 窗口在那一小段失效。解决方法是取时滞的最大值作为上界，或者在仿真里让r1(t)跑满上界附近的区间，测试“最坏情况”。论文例子里用r2(t) = 0.5 sin² t就是典型做法，它的上界刚好是 0.5，任何时刻不超过。

踩坑 3：平衡点平移没做干净

现象是仿真收敛到一个非零常数而不是零，然后你误判“不稳定”。原因是你忽略了外部输入I的影响，直接用原状态变量套用定理，但定理要求零解稳定。解决方法是先把平衡点算出来，做减平衡点处理，再对展开后的式子求 Lipschitz 常数。这一步看起来平凡，但在带积分项的系统里容易出错——因为积分给的是历史能量，你平移的只是当前状态，积分号内部的激励函数差项必须逐个核对。

踩坑 4：Schur 补判定只看主对角元，忽略交叉项

现象是主对角元都是负的，你断定矩阵负定，但仿真发散。原因是矩阵的交叉项S12、S21非负时会影响特征值，Schur 补的条件实际比“主对角元全负”更严格。解决方法是完整调用上面的三步流程，不要偷懒只检查对角元。论文例 2 的主对角元一个是 2.26 正数，一个 -1.81，光看对角元就知道非负定，但如果遇到对角元全负却因为交叉项变大而失稳的情况，就必须用完整的 Schur 补判定。

5.3 数值仿真时 Caputo 导数的离散化处理

做仿真时，我一般参考论文引用的文献 [22] 的算法做 Caputo 导数离散化。这里给你一个最小可复现的数值框架说明：先用统一的积分公式把 Caputo 导数转换为历史上的加权求和，然后按预测-校正格式推进。

import numpy as np from scipy.special import gamma as Gamma def caputo_fractional_solver(f_rhs, y0, alpha, t_end, dt, hist_len): """ 用 L1 格式求解 Caputo 型分数阶微分方程。 f_rhs(t, y_hist): 方程右端，接收当前时间与历史函数。 y0: 初始状态向量。 alpha: 分数阶导数阶数，0 < alpha < 1。 t_end, dt: 仿真时长与步长。 hist_len: 历史窗口长度（用于时滞项采样）。 """ n_total = int(t_end / dt) + 1 t = np.linspace(0, t_end, n_total) y = np.zeros((n_total, len(y0))) y[0] = y0 # 对初始窗口内的历史，按论文例子的方式做线性延拓 for i in range(1, hist_len + 1): y[i] = y0 + 0.1 * (i * dt) # 例1的延拓方式 x = 0.1*(t+1) for n in range(hist_len + 1, n_total): # 计算记忆项的加权和：α阶导数转化为历史状态/时间差分的卷积 memory_sum = 0.0 for k in range(1, n + 1): weight = (n - k + 1)**(1 - alpha) - (n - k)**(1 - alpha) memory_sum += weight * (y[k] - y[k - 1]) # 一阶项系数由 Γ(2-α) 和 dt^α 控制 coeff = dt**(-alpha) / Gamma(2 - alpha) # 右端项需要构造当前状态以及时滞历史状态 rhs = f_rhs(t[n], y[n-1], y[max(0, n - hist_len)]) # 这里为简化演示直接做显式欧拉式的推进，严格算法要按文献[22]做预测-校正 y[n] = y[n-1] + coeff * memory_sum + rhs * dt**alpha return t, y

这段代码适合快速验证趋势，但不能直接照搬去做精确仿真。论文例子的初值使用x1 = 0.1(t+1)这类线性函数做历史延拓，注意你的历史延拓方式会影响早期演化。如果历史延拓给的是常数而真实解是振荡发散，科学上早期误差会被记忆项无限放大——分数阶系统的“长期记忆”特性在这里是双刃剑。

5.4 判断实验现象和定理一致性的两个重要方法

如果你把论文例 1 和例 2 的仿真都做了，会看到两幅截然不同的画面：例 1 的 x1、x2 曲线快速振荡收敛到零；例 2 的曲线在一定时间段内发散或极限环式徘徊。两个系统矩阵A、C几乎一样，唯一的区别是 B 矩阵从0.2换成了2。

B 矩阵元素增大带来的后果是PBB^T P项的能量贡献猛增，左上块矩阵不再是负定——这正是定理 1 条件被破坏的直观感受。如果你也想造一个“失败验证”，最简单的手法是放大 B 或者 C 的矩阵元素。拿到发散的曲线后再回看矩阵条件，你会理解为什么论文把 B 的取值微调了十倍。

数值仿真比较细的经验是：给两个系统用相同的初值、相同的α=0.5、相同的r1，只改 B 的参数，然后对比曲线。因为分数阶系统的收敛速度比整数阶慢（记忆效应），观察时间至少要拉到20秒以上，否则你可能在“尚未崩溃”的时间窗口内误判系统稳定。

6. 从一个不满足条件的仿真反推参数边界：翻车往往是最好的学习路径

论文例 4 给了我一个异常直接的“负面样本”——当系统参数不变、把 B 从0.2换成2时，矩阵条件的判断从“负定成立”变为“非负定”，仿真结果从收敛变为不收敛。复现这个翻车过程，比只看成功案例有用得多。

6.1 反推参数边界的三个参考实验

实验 A：固定其他参数，只增大 B 的谱范数

把 B 矩阵从[[0.2,0],[0,0.3]]逐步放大到[[2,0],[0,3]]，每步用 Schur 补判定。你会发现判定由正变负的临界点大约出现在 B 的主对角元跨过1.2附近——至少在我的复现中是这样。找到这个临界点后，你就能反推论文例子的条件裕度：原来系统只在很窄的参数范围内稳定，实际设计时必须留出至少 30% 的裕量。

实验 B：固定 B，逐步增大时滞上界 r1

由于kγP项的带宽，系统对时滞上界的敏感度同样明显。论文例 1 给的r1=1，你把r1增加到1.6左右时，左上块的kγP虽然不变，但 Razumikhin 条件需要更大的 γ 来覆盖更长历史，矩阵临界负定性就会被破坏。这个临界值是设计中的硬上限，仿真里超过它就能看到振荡幅度先增大再缓慢发散。

实验 C：增量调节 Lipschitz 常数 l1

你可以故意把 f 的 Lipschitz 常数调高 20%，检验定理条件是否仍然满足。如果临界裕度不足 20%，那你的模型对激励函数的“非线性程度”就极其敏感，工程上必须更保守地估计。我通常在仿真前的参数表里额外标一列“裕度=当前特征值/临界特征值”，低于 2 倍就得警惕。

6.2 从例 4 中提炼的两条实战纪律

第一，先做负定判定再做仿真。如果论文例 3、例 4 这种“同一系统改一个参数”的判断，你靠肉眼观察曲线来区分稳定与否，效率极低——特别是 α 接近 1 时，收敛速度非常慢，仿真要跑到十几秒才能看清楚趋势。我后来的习惯是：任何系统上机前，都先把我上面写的那个is_negative_definite_schur函数跑一遍，十几毫秒出结论，然后再决定要不要跑全时长仿真。

第二，稳定性条件和仿真参数的对应关系要强行成表。论文给出的是数学条件，但仿真代码里每一个矩阵元素、每一个 Lipschitz 常数都是手工填的。我第一次复现例 3 时，D 矩阵一个元素符号填反，条件显示不满足，但曲线却看似收敛——我把负号填在右上角而不是左下角，导致积分项的压缩方向错了一半。即使系统实际不稳定，早期曲线也可能在记忆效应的掩饰下暂时收敛。条件不满足时不要轻信曲线，先查参数表。

6.3 固化下来的参数配置模板

我现在跑这类时滞分数阶神经网络仿真，一定会先填这张参数表：

把这张表填完，你就能在十分钟内判断一个分数阶时滞神经网络稳不稳定。论文例 1 到例 4 我全部跑过，最难忘的是例 4 那个翻车——条件判断为不成立的系统，仿真曲线早期还在零点附近徘徊，我当时差点误判。从那以后我每次做分数阶系统稳定性分析，都强制走一遍“先用 Schur 补判定，再决定是否仿真”的流程。这篇论文最好的地方也在这里：它给了你两个可验证的矩阵条件，又特意附了两个失败的数值例子，让你知道这套理论不是万能的。希望这份拆解能帮你在复现它时少走弯路。

本文还有配套的精品资源，点击获取