×
托伊亚布，N.穆罕默德;Muruganantham，P。;朱全新;纳拉潘·古纳塞卡兰

参数不确定性下多时滞BAM神经网络全局稳定性分析的新结果。 （英语） Zbl 1498.93602号

混沌孤立子分形 152，文章ID 111441，第14页（2021）.
摘要：本文描述了一种新的双向联想记忆（BAM）神经网络的全局鲁棒稳定性分析。在参数不确定的情况下，我们找到了时滞BAM神经网络突触连接权值矩阵范数的一个新上界。我们的新上界为BAM神经网络的鲁棒稳定性平衡点提供了一种不同的充分条件。给出了几类有界激活函数。此外，在推导与时滞参数无关的BAM神经网络的新充分条件的过程中，使用了适当的Lyapunov-Krasovskii泛函（LKF）候选。我们通过数值例子进行了一些比较研究，以证明我们的发现相对于BAM神经网络参数的稳定性结果的优势。

引用于7文件

MSC公司：

93D20型 控制理论中的渐近稳定性
93磅70 网络控制
93立方厘米 延迟控制/观测系统

关键词：

双向相联存储器;全局鲁棒渐近稳定性;区间矩阵;Lyapunov-krasovskii泛函;多重时间延迟;参数不确定性
PDF格式BibTeX公司 XML格式引用
\textit{N.M.Thoiyab}等人，混沌孤子分形152，文章ID 111441，14 p.（2021；Zbl 1498.93602）
全文： DOI程序

参考文献：

[1] 张，Z。；Kong，L.公司。；郑，L。；张，P。；曲，X。；Liao，B.，解决时变QM和QP问题的幂型变参数递归神经网络的鲁棒性分析及应用，IEEE Trans-Syst，Man，Cybern，50，12，5106-5118（2020）
[2] 张，Z。；郭，R。；刘，X。；Lin，C.，具有时变时滞的复值BAM神经网络的拉格朗日指数稳定性，IEEE Trans-Syst，Man，Cybern，50，8，3072-3085（2020）
[3] 郭，Z。；Wang，J。；Yan，Z.，通过静态或动态耦合实现两个基于记忆电阻的递归神经网络的全局指数同步，IEEE Trans-Syst，Man，Cybern，45，2，235-249（2014）
[4] 刘，D。；Ye，D.，通过非周期间歇控制策略实现延迟惯性记忆神经网络的指数稳定，IEEE Trans-Syst，Man，Cybern，1-11（2020），出版
[5] Arik，S.，《具有多重时滞的中性型神经网络稳定性的新标准》，IEEE Trans neural Netw Learn Syst，1-10（2019）
[6] Arik，S.，一种改进的Lyapunov泛函及其在具有时滞的中立型神经网络稳定性中的应用，J Frankl Inst，356，1，276-291（2019）·Zbl 1405.93188号
[7] O.费达西科克。；Arik，S.，区间矩阵范数的新上界及其在时滞神经网络鲁棒稳定性分析中的应用，神经网络，44，64-71（2013）·Zbl 1296.92085号
[8] 曹，J。；黄，D.-S。；Qu，Y.，延迟递归神经网络的全局鲁棒稳定性，混沌孤子分形，23，1，221-229（2005）·Zbl 1075.68070号
[9] 恩萨里，T。；Arik，S.，离散时滞动态神经网络鲁棒稳定性的新结果，专家系统应用，37，8，5925-5930（2010）
[10] Singh，V.，延迟神经网络的全局鲁棒稳定性：估计延迟连接权重矩阵的范数上限，混沌孤子分形，32，1，259-263（2007）·Zbl 1138.93042号
[11] 阿里，M.S。；Gunasekaran，N。；Zhu，Q.，使用采样数据控制的具有马尔可夫跳跃参数的T-S模糊延迟神经网络的状态估计，fuzzy Sets Syst，30687-104（2017）·Zbl 1368.93672号
[12] Syed Ali，M。；Usha，M。；朱，Q。；Shanmugam，S.，通过脉冲控制对具有马尔可夫跳变参数和混合时变时滞的随机T-S模糊复杂网络进行同步分析，数学问题工程，2020，1-27（2020），9739876·Zbl 1459.93091号
[13] 新墨西哥州Thoiyab。；Muruganantham，P。；Gunasekaran，N.，混合BAM神经网络的全球鲁棒稳定性分析，2021年IEEE第二届控制、测量和仪表国际会议（CMI），93-98（2021），IEEE
[14] Gunasekaran，N。；新墨西哥州Thoiyab。；Muruganantham，P。；Rajchakit，G。；Unyong，B.，参数不确定性下动态延迟神经网络全局鲁棒稳定性分析的新结果，IEEE Access，8178108-178116（2020）
[15] 阿里，M.S。；Meenakshi，K。；Gunasekaran，N.，时变时滞离散时间Markovian跳跃神经网络的有限时间（H_\infty）有界性，国际J控制，自动系统，16，1，181-188（2018）
[16] 阿里，M.S。；Meenakshi，K。；Gunasekaran，N.，离散时间神经网络的有限时间（H_\infty）有界性，时变时滞范数有界扰动，国际J控制，自动系统，15，6，2681-2689（2017）
[17] 阿里，M.S。；Gunasekaran，N。；Aruna，B.，基于延迟划分方法的多时间延迟广义神经网络采样数据控制设计，国际系统科学杂志，48，13，2794-2810（2017）·Zbl 1386.93192号
[18] Gunasekaran，N。；新墨西哥州Thoiyab。；朱，Q。；曹，J。；Muruganantham，P.，通过区间互连矩阵实现动态延迟神经网络的新全局渐近鲁棒稳定性，IEEE Trans-Cybern（2021）
[19] O.费达西科克。；Arik，S.，一类离散时滞神经网络的鲁棒稳定性分析，神经网络，29，52-59（2012）·Zbl 1245.93111号
[20] 邵，J.-L。；黄，T.-Z。；Zhou，S.，时变时滞神经网络全局鲁棒指数稳定性的一些改进准则，Commun非线性科学数值模拟，15，12，3782-3794（2010）·Zbl 1222.93175号
[21] 奥兹坎，北。；Arik，S.，多时滞神经网络的全局鲁棒稳定性分析，IEEE Trans Circuits Syst I，53，1，166-176（2006）·Zbl 1374.93288号
[22] 阿里，M.S。；Gunasekaran，N。；Rani，M.E.，通过增强L-K函数的Hopfield延迟神经网络的鲁棒稳定性，神经计算，234198-204（2017）
[23] 阿里，M.S。；Gunasekaran，N.，具有区间时变时滞和采样数据控制的静态神经网络的状态估计，计算应用数学，37，1，183-201（2018）·Zbl 1438.93151号
[24] 曹，J。；Ho，D.W.C.，基于LMI方法的时滞神经网络全局渐近稳定性分析的一般框架，混沌孤子分形，24，5，1317-1329（2005）·Zbl 1072.92004号
[25] 廖，X。；Wong，K.-W。；吴，Z。；Chen，G.，区间延迟Hopfield神经网络的新型鲁棒稳定性准则，IEEE Trans Circuits Syst I，48，11，1355-1359（2001）·Zbl 1006.34071号
[26] Arik，S.，《含范数不确定性时滞神经网络全局鲁棒稳定性的新标准》，IEEE Trans neural Netw Learn Syst，25，6，1045-1052（2013）
[27] 黄，X。；贾，J。；范，Y。；王，Z。；Xia，J.，基于区间矩阵方法的多时变时滞分数阶记忆神经网络同步准则，J Frankl Inst，357，3，1707-1733（2020）·Zbl 1430.93170号
[28] 胡，B。；宋，Q。；Zhao，Z.，具有区间参数不确定性的分数阶复值时滞神经网络的鲁棒状态估计：LMI方法，应用数学计算，373125033（2020）·Zbl 1433.34011号
[29] 尤塞尔，E。；阿里，M.S。；Gunasekaran，N。；Arik，S.，带区间时变时滞的Takagi-Sugeno模糊神经网络的采样数据滤波，模糊集系统，316，69-81（2017）·Zbl 1392.93031号
[30] Arik，S.，《多时滞不确定神经网络的动态分析》，《国际系统科学杂志》，第47、3、730-739页（2016年）·Zbl 1333.93192号
[31] Gunasekaran，N。；翟，G.，不确定切换延迟复合值神经网络的稳定性分析，神经计算，367198-206（2019）
[32] 沈毅。；Wang，J.，存在时滞和随机扰动时递归神经网络全局指数稳定性的鲁棒性分析，IEEE Trans neural Netw学习系统，23，1，87-96（2012）
[33] Gunasekaran，N。；翟，G。；Yu，Q.，延迟多智能体网络的采样数据同步及其在耦合电路中的应用，神经计算，413499-511（2020）
[34] 瓦迪维尔，R。；Hammachukiattikul，P。；Gunasekaran，N。；萨拉瓦纳库马尔，R。；Dutta，H.，延迟静态神经网络的严格耗散同步：事件触发方案，混沌孤子分形，150111212（2021）
[35] 曹伟。；Zhu，Q.，Razumikhin型定理基于向量Lyapunov函数的脉冲随机泛函微分方程的pth指数稳定性，非线性分析混合系统，39，100983（2021）·Zbl 1487.34154号
[36] 孔，F。；朱琦，基于不定Lyapunov-Krasovskii泛函方法的非连续惯性神经网络新型定时同步控制，国际J鲁棒非线性控制，31，2，471-495（2021）·Zbl 1525.93374号
[37] 孔，F。；朱，Q。；Huang，T.，新的固定时间稳定性引理及其在不连续模糊惯性神经网络中的应用，IEEE Trans-fuzzy Syst（2020），出版中
[38] 孔，F。；朱，Q。；Sakthivel，R。；Mohammadzadeh，A.，具有参数不确定性的不连续模糊惯性神经网络的固定时间同步分析，神经计算，422295-313（2021）
[39] 高，L。；曹，Z。；张，M。；Zhu，Q.，具有可容许边缘相关开关信号的混合延迟系统的输入-状态稳定性，J Frankl Inst，357，138823-8850（2020）·Zbl 1448.93278号
[40] 刘，X。；Zhu，Q.，基于向量Lyapunov函数的离散和无限分布时滞随机脉冲微分系统的随机全局指数稳定性，复杂性（2020）·Zbl 1454.93287号
[41] 马伟（Ma，W.）。；罗，X。；朱强，随机年龄相关资本系统在Lévy噪声下的实际指数稳定性，系统控制快报，144104759（2020）·Zbl 1454.91371号
[42] Rao，R。；朱，Q。；Shi，K.，带有反应扩散和延迟反馈的脉冲Gilpin-Ayala竞争模型的输入-状态稳定性，IEEE Access，8222625-222634（2020）
[43] 宋，R。；王，B。；朱强，多时滞非线性混合中立型随机微分方程的时滞相关稳定性，国际鲁棒非线性控制，31，1，250-267（2021）·Zbl 1525.93331号
[44] 萨拉瓦纳库马尔，T。；新罕布什尔州穆伊。；Zhu，Q.，具有非确定性执行器故障和饱和非线性的切换随机模型的有限时间采样控制，J Frankl Inst，357，18，13637-13665（2020）·Zbl 1454.93291号
[45] 张，M。；Zhu，Q.，异步切换下切换随机延迟系统的稳定性分析：一个松弛的切换信号，Int J鲁棒非线性控制，30，18278-2828（2020）·Zbl 1525.93362号
[46] 郭，R。；徐，S。；Lv，W.，延迟复值神经网络的第（p）阶矩随机指数反同步，非线性Dyn，100，2，1257-1274（2020）·Zbl 1459.34126号
[47] Kosko，B.，自适应双向联想存储器，应用光学，26，23，4947-4960（1987）
[48] Shi，G.，最佳双向联想记忆，国际系统科学杂志，31，6，751-757（2000）·Zbl 1080.93611号
[49] 杨伟（Yang，W.）。；余，W。；Cao，J.，具有连续分布延迟的脉冲模糊高阶BAM神经网络的全局指数稳定性，IEEE Trans neural Netw Learn Syst，29，8，3682-3700（2017）
[50] 王，D。；黄，L。；Tang，L.，具有多元不连续激活的广义BAM神经网络的耗散性和同步，IEEE Trans neural Netw Learn Syst，29，8，3815-3827（2017）
[51] 卢，X。；Cui，B.，具有时变时滞的马尔可夫跳跃BAM神经网络的随机指数稳定性，IEEE Trans-Syst，Man，Cybern，B部分，37，3，713-719（2007）
[52] Arik，S.，具有时滞的双向联想记忆神经网络的全局渐近稳定性分析，IEEE Trans neural Netw，16，3，580-586（2005）
[53] 奥伊提，C。；Assali，E.A.，一类具有分布时滞和泄漏时变时滞的脉冲双向联想记忆（BAM）神经网络的稳定性分析，神经过程Lett，50，1，851-885（2019）
[54] 塞南，S。；Arik，S.，具有多重时滞的双向联想记忆神经网络的全局鲁棒稳定性，IEEE Trans-Syst，Man，Cybern，Part B，37，5，1375-1381（2007）
[55] 塞南，S。；Arik，S。；Liu，D.，具有多个时滞的双向联想记忆神经网络的新鲁棒稳定性结果，应用数学计算，218，23，11472-11482（2012）·Zbl 1277.93066号
[56] 塞南，S。；Arik，S.，多时滞双向联想记忆神经网络全局鲁棒稳定性的新结果，混沌孤子分形，41，4，2106-2114（2009）·Zbl 1198.34163号
[57] Nagamani，G。；沙菲亚，M。；Soundararajan，G。；Prakash，M.，通过LMI方法对分数阶延迟BAM神经网络进行鲁棒状态估计，J Frankl Inst（2020）·Zbl 1437.93050号
[58] 索米亚，C。；Raja，R。；朱，Q。；Rajchakit，G.，具有马尔可夫跳跃和多个时变时滞的脉冲离散随机BAM神经网络的进一步均方渐近稳定性，J Frankl Inst，356，1，561-591（2019）·Zbl 1405.93193号
[59] 新墨西哥州Thoiyab。；Muruganantham，P。；Rajchakit，G。；Gunasekaran，北。；Unyong，B。；Kaewmesri，P.，通过Frobenius范数对具有恒定时滞的神经网络的全局稳定性分析，数学问题工程，2020，1-14（2020），4321312·Zbl 1459.93142号
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。