基于仿射Bessel-Legendre不等式和不确定转移率的神经网络稳定性

针对具有时变时滞和不确定转移率的马尔科夫神经网络系统,充分考虑马尔科夫转移率的不确定特性,利用基于松弛变量的有效技术代替传统不等式来约束转移速率中的不确定项,从而减少了决策变量的个数并降低了计算复杂度.通过建立时滞依赖的增广Lyapunov-Krasovskii泛函,并基于仿射Bessel-Legendre(B-L)不等式,给出依赖于时滞和时滞导数上下界的具有较小保守性的神经网络系统稳定条件.最后,通过两个数值例子说明了理论结果的有效性....

Full description

Saved in:
Bibliographic Details
Published in控制理论与应用 Vol. 39; no. 1; pp. 41 - 47
Main Authors 王军义, 张文涛, 刘振伟, 姜杨
Format Journal Article
LanguageChinese
Published 东北大学机器人科学与工程学院,辽宁沈阳110819%东北大学信息科学与工程学院,辽宁沈阳110819 2022
Subjects
马尔科夫神经网络系统;不确定转移率;仿射Bessel-Legendre(B-L)不等式;增广Lyapunov-Krasovskii泛函
Online AccessGet full text
ISSN1000-8152
DOI10.7641/CTA.2021.00841

Cover

More Information
Summary:针对具有时变时滞和不确定转移率的马尔科夫神经网络系统,充分考虑马尔科夫转移率的不确定特性,利用基于松弛变量的有效技术代替传统不等式来约束转移速率中的不确定项,从而减少了决策变量的个数并降低了计算复杂度.通过建立时滞依赖的增广Lyapunov-Krasovskii泛函,并基于仿射Bessel-Legendre(B-L)不等式,给出依赖于时滞和时滞导数上下界的具有较小保守性的神经网络系统稳定条件.最后,通过两个数值例子说明了理论结果的有效性.
ISSN:1000-8152
DOI:10.7641/CTA.2021.00841