Exploration on Robustness of Exponentially Global Stability of Recurrent Neural Networks with Neutral Terms and Generalized Piecewise Constant Arguments

CONTENIDO PARA USUARIOS REGISTRADOS

Inicia sesión para disfrutar este recurso. Si aún no estás afiliado a BibloRed, haz clic en el botón.

Descripción: Con miras a la interferencia de los argumentos constantes por partes (PCAs) y los términos neutros (NTs) en el sistema original y las aplicaciones significativas en el proceso de transmisión de señales, exploramos la robustez de la estabilidad global exponencial (EGS) de la red neuronal recurrente (RNN) con PCAs y NTs (NPRNN). Surgen los siguientes desafíos: ¿cuál es el rango de PCAs y el alcance de los NTs que NPRNN puede tolerar para ser exponencialmente estable? Así que derivamos dos indicadores importantes: la longitud máxima del intervalo de PCAs y el alcance del coeficiente de compresión de términos neutros (NT) para que NPRNN sea exponencialmente estable. Además, demostramos teóricamente que si la longitud del intervalo de PCAs y el límite del coeficiente de compresión de NT son ambos inferiores a los resultados dados aquí, la NPRNN perturbada seguirá manteniendo la estabilidad exponencial global. Finalmente, hay dos ejemplos numéricos para verificar la
Citación recomendada (normas APA)
: Hindawi, "Exploration on Robustness of Exponentially Global Stability of Recurrent Neural Networks with Neutral Terms and Generalized Piecewise Constant Arguments", -:Revista VirtualPRO,, 2021. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3851589/), el día 2025-07-02.

Información adicional