摘要
X.Chen、E.ábrahám和S.Sankaranarayanan。 2013.Flow*:非线性混合系统分析仪。 在 程序。 CAV’13(LNCS), 第8044卷。 施普林格,258-263。 谷歌学者 Souradeep Dutta、Susmit Jha、Sriram Sankaranarayanan和Ashish Tiwari。 深度前馈神经网络的输出范围分析。 2018年NFM(即将发布),参考。 https://arxiv.org/pdf/1709.09130.pdf。 谷歌学者 Souradeep Dutta、Susmit Jha、Sriram Sankaranarayanan和Ashish Tiwari,2018年。 使用前馈神经网络的反馈控制系统的学习和验证。 IFAC在线论文 51, 16 (2018), 151 -- 156. 2018年第六届IFAC混合动力系统ADHS分析与设计会议。 谷歌学者 交叉引用 吕迪格·埃勒斯。 2017.分段线性前馈神经网络的正式验证。 在 ATVA(计算机科学讲稿), 第10482卷。 施普林格,269--286。 谷歌学者 盖伊·卡茨(Guy Katz)、克拉克·巴雷特(Clark Barrett)、大卫·迪尔(David L.Dill)、凯尔·朱利安(Kyle Julian)和米克尔·J·科钦德费尔(Mykel J.Kochenderfer)。 2017 Reluplex:用于验证深层神经网络的高效SMT求解器。 施普林格国际出版社,查姆,97-117。 谷歌学者
建议
基于回归多项式规则推理的神经反馈系统可达性分析 HSCC’19:第22届ACM混合系统国际会议论文集:计算与控制 针对神经网络反馈控制的连续动态系统,提出了一种构造可达集超逼近的方法。 前馈深度神经网络现在被广泛用作学习控制律的手段。。。 带反馈环的GMDH型神经网络RBF网络结构识别算法 本文提出了一种用于径向基函数(RBF)神经网络结构辨识的带反馈回路的数据处理(GMDH)型神经网络算法。 对于GMDH型神经网络,该网络。。。 具有星可达性的递归神经网络的验证 HSCC’23:第26届ACM混合系统国际会议论文集:计算与控制 本文扩展了最近的星可达性方法,以验证用于安全关键应用的递归神经网络(RNN)的鲁棒性。 RNN是一种适用于各种应用的流行机器学习方法,但它们容易受到。。。