×
布鲁斯·卡尔弗特。

饱和模式下的线性系统和随着增益变大而收敛的神经网络的渐近稳定平衡点。 （英语） Zbl 0941.93051号

电路系统。信号处理。 18，第3期，241-267（1999）。
本文研究了系统（M）：Tx+c-部分I{D^{n}}x中的（x’）解的存在性和正则性，称为“饱和模式下的线性系统”。在论文中J.H.Li、A.N.Michel和W.多孔[IEEE Trans.Circuits Systems 36，No.11，1405-1442（1998；Zbl 0689.94004号)]推测系统（M）和系统（H）的渐近稳定平衡点集之间存在一一对应关系：（Cu'=Tv+c-R^{-1}u\)，\（v=G（\lambda u）\）。作者证明了这个猜想是正确的。还分析了其保持所需的条件。
审核人：Éva Gyurkovics（布达佩斯）

引用于2文件

MSC公司：

93D20型 控制理论中的渐近稳定性
92B20型 生物研究、人工生命和相关主题中的神经网络
68T05型 人工智能中的学习和自适应系统

关键词：

神经网络；饱和模式下的线性系统；渐近稳定性；平衡

引文：

Zbl 0689.94004号
PDF格式BibTeX公司 XML格式引用
\textit{B.D.Calvert}，电路系统。信号处理。18，第3号，241--267（1999；Zbl 0941.93051）
全文： 内政部

参考文献：

[1] S.Abe，通过优化积分步长加速Hopfield神经网络的收敛。IEEE传输。系统人网络。？B部分：网络。，26, 194-201, 1996. ·doi:10.1109/3477.484454
[2] S.Abe和A.Gee，具有非零对角元素的Hopfield神经网络的全局收敛性，IEEE Trans。电路系统？二： 模拟数字信号处理。，42, 39-45, 1995. ·Zbl 0833.68110号 ·数字对象标识代码：10.1109/82.363543
[3] V.I.Arnold，《常微分方程》，麻省理工学院出版社，马萨诸塞州剑桥，1973年·兹比尔0296.34001
[4] H.Brezis，Operateurs Maximaux Monotones et Semi-groupes de Contractions dans les Espaces de Hilbert，北荷兰，阿姆斯特丹和美国爱思唯尔，纽约，1973年。
[5] 霍普菲尔德（J.J.Hopfield），具有分级响应的神经元具有与双状态神经元类似的集体计算特性。美国国家科学院。科学。美国，813088-30921984年·Zbl 1371.92015年 ·doi:10.1073/美国国家统计局.81.10.3088
[6] J.H.Li、A.N.Michel和W.Porod一类神经网络的定性分析和合成，IEEE Trans。电路系统，36976-9861988·Zbl 0664.34042号 ·数字对象标识代码：10.1109/31.1844
[7] J.H.Li、A.N.Michel和W.Porod，一类神经网络的分析与合成：在封闭超立方体上运行的线性系统，IEEE Trans。电路系统，361405-14421989·Zbl 0689.94004号 ·数字对象标识代码：10.1109/31.41297
[8] D.Liu和A.Michel，在闭超立方体上运行的系统的渐近稳定性，系统控制快报。，19, 281-285, 1992. ·Zbl 0781.93082号 ·doi:10.1016/0167-6911（92）90066-2
[9] A.Michel、J.Si和G.Yen，超立方体上描述的一类离散时间神经网络的分析与合成，IEEE Trans。神经网络，2，32-461991·doi:10.1109/72.80289
[10] A.Pazy，Hilbert空间中非线性收缩的半增长，《非线性分析中的问题》，编辑：Prodi，Cremonese，CIME Varenna，1971年·Zbl 0228.47038号
[11] R.Perfetti，《基于运算放大器的细胞神经网络电路设计》，国际。J.电路理论应用。22, 425-430, 1994. ·Zbl 0834.68100号 ·doi:10.1002/cta.4490220511
[12] M.Vidyasagar，非线性神经网络高增益平衡点的位置和稳定性，IEEE Trans。神经网络，4660-6711993·数字对象标识代码：10.1109/72.238320
[13] M.Vidyasagar，《利用具有不连续动力学的模拟神经网络进行离散优化》，载于《自动化、机器人和计算机视觉国际会议》，新加坡，1994年·Zbl 0880.49037号
[14] M.Vidyasagar，具有多线性目标函数的模拟神经网络的最小寻优特性，IEEE Trans。自动化。控制，401359-13751995·Zbl 0833.65056号 ·数字对象标识代码：10.1109/9.402228
[15] M.Vidyasagar，使用具有不连续动力学的模拟神经网络解决困难的组合优化问题，摘自《自动化、机器人、控制和计算机视觉国际会议》，新加坡，1996年·兹伯利0880.49037
[16] P.B.Watta和M.H.Hassoun，静态和时间混合整数优化的耦合梯度网络方法，IEEE Trans。神经网络，7578-593996·数字对象标识代码：10.1109/72.501717
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且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。