Soluciones periódicas y casi periódicas de redes neuronales estocásticas de memoria asociativa bidireccional inercial en escalas de tiempo
Autores: Liu, Mingshuo; Dong, Huanhe; Zhang, Yong; Fang, Yong
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Soluciones periódicas y casi periódicas de redes neuronales estocásticas de memoria asociativa bidireccional inercial en escalas de tiempo
Categoría
Matemáticas
Subcategoría
Análisis matemático
Palabras clave
Estocástico
Memoria asociativa bidireccional
Redes neuronales
Escalas de tiempo
Soluciones periódicas
Estabilidad exponencial
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
Las redes neuronales de memoria asociativa bidireccional inercial estocástica (SIBAMNNs) en escalas de tiempo son consideradas en este documento, las cuales pueden unificar y generalizar tanto sistemas continuos como discretos. Es de suma importancia derivar los criterios para la existencia y unicidad de soluciones periódicas y casi periódicas de SIBAMNNs en escalas de tiempo. Sobre esa base, se estudian los criterios para su estabilidad exponencial en escalas de tiempo. Mientras tanto, la efectividad de todos los criterios propuestos se demuestra mediante simulación numérica. El estudio anterior propone una nueva forma de unificar y generalizar tanto sistemas SIBAMNNs continuos como discretos, y es aplicable a otros sistemas prácticos de redes neuronales en escalas de tiempo.
Descripción
Las redes neuronales de memoria asociativa bidireccional inercial estocástica (SIBAMNNs) en escalas de tiempo son consideradas en este documento, las cuales pueden unificar y generalizar tanto sistemas continuos como discretos. Es de suma importancia derivar los criterios para la existencia y unicidad de soluciones periódicas y casi periódicas de SIBAMNNs en escalas de tiempo. Sobre esa base, se estudian los criterios para su estabilidad exponencial en escalas de tiempo. Mientras tanto, la efectividad de todos los criterios propuestos se demuestra mediante simulación numérica. El estudio anterior propone una nueva forma de unificar y generalizar tanto sistemas SIBAMNNs continuos como discretos, y es aplicable a otros sistemas prácticos de redes neuronales en escalas de tiempo.