رفتار دینامیک های آشوبگونه نقش عمده ای را در نرون ها و شبکه های عصبی بیولوژیک ایفا می کنند. از این رو محققین در تلاشند تا بتوانند به کمک دینامیک های آشوبگونه، رفتار نرون های واقعی را با نرون های مصنوعی مدل کنند. مطالعه بر روی شبکه های عصبی آشوبگونه، تنها به منظور شبیه سازی سیستم های عصبی و حسی بکار گرفته نمی شوند بلکه علاوه بر این ما را به سوی کاربردهای مهندسی مهم و مقرون بصرفه سوق می دهند. در شبکه ی حافظه انجمنی آشوبگونه از مدل نرون آشوبگونه استفاده می شود. این نرون ها با توجه به حالت اولیه و تابع فعالیت، رفتارهای مختلفی از خود نشان می دهد. شبکه ی حافظه انجمنی آشوبگونه دارای ماتریس وزن سیناپتیکی است که ارتباط بین نرون ها را مشخص می کند که در آن وزن ها از روی الگوها محاسبه می شوند و درتعیین تابع انرژی موثر هستند که هدف کمینه کردن این تابع می باشد. شبکه ی عصبی آشوبگونه دارای عملگر آشوبی بوده و در بازخورد سیستم امکان تحلیل سریعتر داده ها را بر اساس یادگیری اولیه فراهم می آورد. در ابتدای امر، به منظور ایجاد یک شبکه ی عصبی آشوبگونه، نیاز به وجود تابع سیگموئید می باشد. در این رساله و به واسطه ی راهکار پیشنهادی ما، برای بهتر شدن روش به حالت پویا، کاهش آشوب، بهبود نمای لیاپانوف و افزایش سرعت همگرایی اقدام به ارائه نوعی تابع جدید نموده ایم. تابع مورد نظر علاوه بر رفع کاستی های شبکه ی عصبی آشوبگونه همانند بالا بودن زمان اجرا، زیاد بودن عملیات محاسباتی و پایین بودن سرعت همگرایی و ... کمک بسزایی در رفع مشکلات ثانویه ی شبکه ی عصبی آشوبگونه داشته باشد. در پژوهش حاضر نوعی روش جدید برای کنترل آشوب پیشنهاد می شود که منحصراً برای حافظه انجمنی بکار گرفته خواهد شد و در صورت تحقق این روش کنترلی، خروجی های شبکه ی عصبی آشوبگونه کنترل شده، به الگوهای ذخیره شده همگرا می شوند. علاوه بر این موارد، به واسطه ی استفاده از این روش کنترلی، دیگر نیازی به داشتن دانش قبلی از سیستم نبوده و عملیات کنترل آشوب به صورت کاملاً هوشمند انجام می پذیرد. همچنین پس از انجام تحقیقات لازم مشاهده نمودیم چنین شبکه ی عصبی آشوبگونه کنترل شده ای، می تواند دو الگوی ذخیره شده را از همدیگر تشخیص دهد حتی اگر تفاوت جزئی با هم داشته باشند که این موضوع بیان می دارد که چنین شبکه ی عصبی آشوبگونه کنترل شده ای، عملاً می تواند در پردازش اطلاعات از قبیل شناسایی الگو در ربات بکار گرفته شود تا با استفاده از پردازش موازی نرخ تشخیص بالا رود. در این نگارش به توضیح مفصل موارد یاد شده خواهیم پرداخت.