×

Caputo模糊延迟惯性神经网络全局Mittag-Lefler同步的新结果。 (英语) Zbl 1529.34066号

摘要:本文致力于讨论Caputo型分数阶模糊延迟惯性神经网络(FOFINNs)的全局Mittag-Lefler同步(GMLS)问题。首先,系统中同时考虑了惯性项和模糊项。为了减少惯性项的影响,通过变量替换的方法实现降阶。引入模糊术语可以尽可能避免模糊性或不确定性。随后,设计了一个非线性时滞控制器来实现GMLS。利用不等式技巧、Lyapunov函数的直接方法和Razumikhin定理,建立了解释FOFINNs的GMLS的准则。特别地,在两种特殊情况下给出了两个推论。此外,通过仿真进一步证实了所获得结果的可用性。

MSC公司:

34公里24 泛函微分方程的同步
34K37号 分数阶导数泛函微分方程
34K36号 模糊泛函微分方程
33E12号机组 Mittag-Lefler函数及其推广
92B20型 生物研究、人工生命和相关主题中的神经网络
PDF格式BibTeX公司 XML格式引用
全文: 链接

参考文献:

[1] C.Aouti,J.Cao,H.Jallouli,C.Huang,时变时滞分数阶惯性神经网络的有限时间镇定,非线性分析。模型。控制,27(1):2022年1月18日,https://doi.org/10.15388/namc.2022.27.25184。 ·Zbl 1485.93512号 ·doi:10.15388/namc.2022.27.25184
[2] K.Babcock,R.Westervelt,具有附加惯性的简单电子神经网络的稳定性和动力学,Physica D,23:464-4691986,https://doi.org/10.1016/0167-2789(86)90152-1. ·doi:10.1016/0167-2789(86)90152-1
[3] D.Baleanu,S.J.Sadati,R.Ghaderi,A.Ranjbar,T.Abdeljawad(Maraaba),F.Jarad,分数时滞系统的Razumikhin稳定性定理,文摘。申请。分析。,2010: 124812, 2010, https://doi.org/10.1155/2010/124812。 ·Zbl 1197.34157号 ·数字对象标识代码:10.1155/2010/124812
[4] J.Chen,Z.Zeng,P.Jiang,基于记忆电阻的分数阶神经网络的全局Mittag-Lefler稳定性和同步,神经网络。,51:1-8, 2014, https://doi.org/2016年10月10日/j.欧盟.2013.11.016·Zbl 1306.34006号 ·doi:10.1016/j.neunet.2013.11.016
[5] 程瑜,张浩,张伟,张浩,具有卡普托导数和时滞的FOINN全局Mittag-Lefler同步的新代数准则,J.Appl。数学。计算。,68: 3527-3544, 2022, https://doi.org/10.1007/s12190-021-01672-0。 ·兹比尔1514.34127 ·doi:10.1007/s12190-021-01672-0
[6] N.Cui,H.Jiang,C.Hu,A.Abdurahman,比例延迟惯性神经网络的全局渐近和鲁棒稳定性,神经计算,272:326-3332017,https://doi.org/10.1016/j.neucom.2017.07.001·doi:10.1016/j.neucom.2017.07.001
[7] C.Ge,X.Liu,C.Hua,J.Park,基于采样控制的混合时滞切换不确定神经网络的指数同步,J.Franklin Inst.,359(5):2259-22822022,https://doi.org/10.1016/j.jfranklin.2022.01.025。 ·Zbl 1485.93486号 ·doi:10.1016/j.jfranklin.2022.01.025
[8] Y.Gu,H.Wang,Y.Yu,Riemann-Liouville分数阶时滞惯性神经网络的稳定性和同步,神经计算,340:270-2802019,https://doi.org/10.1016/j.neucom.2019.03.005·doi:10.1016/j.neucom.2019.03.005
[9] J.Han,G.Chen,J.Hu,一类混合时滞模糊惯性神经网络在预定义时间内反同步的新结果,神经计算,495:26-362022,https://doi.org/10.1016/j.neucom.2022.04.120。 ·doi:10.1016/j.neucom.2022.04.120
[10] 胡涛,何振华,张欣,钟绍,分数阶时滞复值神经网络的有限时间稳定性,应用。数学。计算。,365:124715, 2019, https://doi。org/10.1016/j.amc.2019.124715·Zbl 1433.34097号 ·doi:10.1016/j.amc.2019.124715
[11] M.Hui、J.Yan、J.Zhang、HH。Iu,R.Yao,L.Bai,通过间歇锁定控制实现混合时滞惯性神经网络的指数同步,国际鲁棒非线性控制,32(1):358-3722022,https://doi.org/10.1002/rnc.5817。 ·Zbl 1527.93364号 ·doi:10.1002/rnc.5817
[12] L.Ke,具有时滞的分数阶惯性神经网络的Mittag-Lefler稳定性和渐近ω-周期性,神经计算,465:53-622021,https://doi.org/10。1016/j.neucom.2021.08.121·doi:10.1016/j.neucom.2021.08.121
[13] A.Kilbas,H.Srivastava,J.Trujillo,分数阶微分方程的理论与应用,Elsevier,阿姆斯特丹,2006,https://doi.org/10.1016/S0304 ·Zbl 1092.45003号 ·doi:10.1016/S0304-0208(06)80001-0
[14] A.Kumar,S.Das,S.Singh,Rajeev,具有混合时变延迟和不匹配参数的惯性复值递归神经网络的准投影同步,混沌孤立分形,166:1129482023,https://doi.org/10.1016/j.chaos。 2022.112948. ·文件编号:10.1016/j.chaos.2022.112948
[15] H.Li,C.Hu,L.Zhang,H.Jiang,J.Cao,通过非线性反馈控制实现分数阶模糊神经网络的完全和有限时间同步,模糊集系统。,443: 50-69, 2022, https://doi.org/10.1016/j.fss.2021.11.004。 ·doi:10.1016/j.fss.2021.11.004
[16] H.Li,L.Zhang,C.Hu,H.Jiang,J.Cao,分数阶延迟四元数神经网络的全局Mittag-Lefler同步:直接四元数方法,应用。数学。计算。,373:125020, 2020, https://doi.org/10.1016/j.amc.2019.125020。 ·Zbl 1433.34071号 ·文件编号:10.1016/j.amc.2019.125020
[17] 刘彦,张国荣,胡建军,具有有界分布时滞和不连续激活函数的模糊惯性神经网络的固定时间镇定与同步,神经计算,495:86-962022,https://doi.org/10.1016/j.neucom.2022。 04.101. ·doi:10.1016/j.neucom.2022.04.101
[18] 彭强,建建,具有时滞的分数阶惯性型神经网络的同步分析,数学。计算。模拟。,205:62-77, 2023, https://doi.org/10.1016/j。matcom.2022.09.023·Zbl 07627987号 ·doi:10.1016/j.matcom.2022.09.023
[19] I.Podlubny,《分数阶微分方程》,学术出版社,纽约,1999年·Zbl 0918.34010号
[20] J.Wang,J.Xia,H.Shen,M.Xing,J.H.Park,PDT切换规则下具有分段常数转移概率的模糊马尔可夫跳变混沌系统的H∞同步,IEEE Trans-fuzzy系统。,29(10):3082-3092, 2021, https://doi.org/10.109/TFUZZ.2020.3012761·doi:10.1109/TFUZZ.2020.3012761
[21] J.Wang,C.Yang,J.Xia,Z.Wu,H.Shen,加权一次丢弃协议下网络模糊奇异摄动系统基于观测器的滑模控制,IEEE Trans。模糊系统。,30(6):1889-1899, 2022, https://doi.org/10.109/TFUZZ.2021。 3070125. ·doi:10.1109/TFUZZ.2021.3070125
[22] 王彦,胡晓霞,石克石,宋晓红,沈海虹,有限信号持续驻留时间下切换复杂动态网络的网络无源估计,富兰克林研究所,357(15):10921-109362020,https://doi.org/10.1016/j.jfranklin.2020。 08.037. ·Zbl 1450.93078号 ·doi:10.1016/j.jfranklin.2020.08.037
[23] R.Wei,J.Cao,具有时变延迟的惯性忆阻神经网络的同步分析,J.人工智能。智力。软计算。决议,8(4):269-2822018,https://doi。org/10.1515/jaiscr-2018-0017·doi:10.1515/jaiscr-2018-0017
[24] J.Xiao,S.Zhong,S.Wen,基于新不等式的分数阶多维BAM神经网络全局Mittag-Lefler同步问题的改进方法,神经网络。,133:87-100, 2021, https://doi.org/10.1016/j。挪威.2020.10.008·Zbl 1478.93659号 ·doi:10.1016/j.neunet.2020.10.008
[25] C.Xu,M.Liao,P.Li,Z.Liu,S.Yuan,关于具有延迟的四元数值模糊细胞神经网络伪概周期解的新结果,模糊集系统。,411:25-47, 2021, https://doi.org/10.1016/j.fss.2020.03.016。 ·Zbl 1467.34081号 ·doi:10.1016/j.fss.2020.03.016
[26] 杨振中,张振中,应用最大值方法实现时变时滞模糊惯性神经网络的全局渐近同步,国际期刊系统。科学。,53:2281-2300, 2022, https://doi.org/10.1080/00207721.2022.2050437。 ·Zbl 1500.93099号 ·网址:10.1080/00207721.2022.2050437
[27] Y.Yu,Z.Zhang,M.Zhong,Z.Wang,固定时间间隔内时变时滞复值惯性神经网络的Pinning同步和自适应同步,J.Franklin Inst.,359(2):1434-14562022,https://doi.org/10.1016/j.jfranklin.2021.11.036·Zbl 1481.93111号 ·doi:10.1016/j.jfranklin.2021.11.036
[28] M.Yuan,X.Luo,X.Mao,Z.Han,L.Sun,Z.Z.Zu,基于延迟记忆电阻的图像隐藏双向联想记忆神经网络时滞同步的事件触发混合脉冲控制,混沌孤子分形,161:112312022,https://doi。org/10.1016/j.chaos.2022.112311·Zbl 1504.93155号 ·doi:10.1016/j.chaos.2022.112311
[29] H.Zhang,J.Cheng,H.Zang,W.Zhang和J.Cao,带泄漏和离散延迟的Caputo型分数阶神经网络的准均匀同步,混沌孤子分形,152:1114322021,https://doi.org/10.1016/j.chaos.2021.111432。 ·Zbl 1510.34167号 ·doi:10.1016/j.chaos.2021.111432
[30] 张浩,郑毅,张浩,张伟,曹军,具有多个混合时滞和脉冲效应的FOQVNN上Mittag-Lefler投影同步的混合控制设计,数学。计算。模拟。,197:341-354, 2022, https://doi.org/10.1016/j.matcom。 2022.02.022. ·Zbl 07529446号 ·doi:10.1016/j.matcom.2022.02.022
[31] S.Zhang,M.Tang,X.Liu,带两个惯性项的Riemann-Liouville分数时滞神经网络的同步,电路系统。信号处理。,2021, https://doi。org/10.1007/s00034-021-01717-6·Zbl 1509.93028号 ·doi:10.1007/s00034-021-01717-6
[32] Z.Zhang,J.Cao,通过积分不等式方法求解具有时滞的惯性神经网络的新的有限时间同步准则,IEEE Trans。神经网络。学习。系统。,30(5):1476-1485, 2019, https://doi.org/10.109/TNNLS.2018.2868800。 ·doi:10.1109/TNNLS.2018.2868800
[33] Z.Zhang,J.Cao,用最大值法实现模糊惯性神经网络的有限时间同步,IEEE Trans-fuzzy Syst。,30(5):1436-1446, 2022, https://doi.org/10。1109/TFUZZ.2021.3059953·doi:10.1109/TFUZZ.2021.3059953
[34] B.Zheng,Z.Wang,混合时滞分数阶耦合神经网络的Mittag-Lefler同步,应用。数学。计算。,430:127303, 2022, https://doi.org/10。1016/j.amc.2022.127303·Zbl 1510.34028号 ·doi:10.1016/j.amc.2022.127303
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。