دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات سال 2018دانلود رایگان مقاله ISI شبکه های عصبی به زبان انگلیسیدانلود رایگان مقاله ISI شبکه های کامپیوتری به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی فناوری اطلاعات به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023سال انتشار

مقاله انگلیسی رایگان در مورد آنالیز بی ثباتی و پایداری چندگانه شبکه های عصبی – الزویر ۲۰۱۸

 

مشخصات مقاله
انتشار مقاله سال ۲۰۱۸
تعداد صفحات مقاله انگلیسی ۱۱ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
منتشر شده در نشریه الزویر
نوع مقاله ISI
عنوان انگلیسی مقاله Multistability and instability analysis of recurrent neural networks with time-varying delays
ترجمه عنوان مقاله آنالیز بی ثباتی و پایداری چندگانه شبکه های عصبی بازگردنده با تاخیر زمانی
فرمت مقاله انگلیسی  PDF
رشته های مرتبط کامپیوتر، فناوری اطلاعات
گرایش های مرتبط شبکه های کامپیوتری
مجله شبکه های عصبی – Neural Networks
دانشگاه Huazhong University of Science and Technology – China
کلمات کلیدی شبکه عصبی مکرر، ثبات چندگانه، بی ثباتی، تاخیر زمانی متغیر
کلمات کلیدی انگلیسی Recurrent neural networks, Multistability, Instability, Time-varying delays
کد محصول E6429
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

بخشی از متن مقاله:
۱٫ Introduction

Recently, cellular neural networks (CNNs) have attracted much attention from both academic and industry communities due to their wide applications in image processing, pattern recognition, associative memory and their ability to tackle complex problems, for example Chen and Rong (2003), Chen, Zhang, and Lin (2016), Chua and Yang (1988), Cohen and Grossberg (1983), Kosko (1988), Liu, Li, Tong, and Chen (2016c), Liu and Michel (1993), Lu, Wang, and Chen (2011), Maundy and El-Masry (1990), Thiran, Crounse, Chua, and Halser (1995), Wang, Shen, Yin, and Zhang (2015), Wang, Sun, and Mazenc (2016), Wen, Zeng, Chen, and Huang (2017), Wen, Zeng, Huang, Yu, and Xiao (2015) and Yuan and Cao (2005). Recurrent neural networks (RNNs) are regarded as another kind of neural networks, which have more abundant dynamic properties. It is necessary to further research and study recurrent neural network. The stability analysis of neural networks for steady-state solution (equilibria or invariant orbit) is the prerequisite and foundation in practical application, see, e.g., Cao (2001), Chen, Ge,Wu, and Gong (2015), Chen and Wang (2007), Di Marco, Forti, and Pancioni (2016), Huang, Fan, and Mitra (2017), Nie and Zheng (2015a), Wen, Zeng, Huang, and Zhang (2014), Zeng, Wang, and Liao (2003) and Zhang and Shen (2015). In an associative memory neural network, the dynamic evolution process from any initial state to its adjacent equilibrium points or adjacent periodic orbits can be considered as a process of associative memory, which requires multistability or multiperiodicity to provide theoretical analysis. In other words, in order to have the effect of associative memory in neural networks, memory model is designed for equilibrium points or periodic orbits. In addition, multistability or multiperiodicity is of great interest in both theory and practice (Cao, Feng, & Wang, 2008; Liu, Zeng, & Wang, 2016a; Nie, Zheng, & Cao, 2015; Shayer & Campbell, 2000; Zhang, Yi, & Yu, 2008; Zhang & Zeng, 2016). In recent years, there are still many interesting topics of the multistability of neural networks and the topics have been widely discussed (Cheng, Lin, & Shih, 2006; Cheng, Lin, Shih, & Tseng, 2015; Di Marco, Forti, & Pancioni, 2017; Kaslik & Sivasundaram, 2011; Liu, Zeng, & Wang, 2016b; Nie, Cao, & Fei, 2013; Nie & Zheng, 2015b; Nie, Zheng, & Cao, 2016; Wang & Chen, 2012, 2014, 2015; Zeng & Wang, 2006; Zhang, Yi, Zhang, & Heng, 2009). It should be noted that most existing results are concerned with the neural networks with bounded activation function or bounded time delays. For instance, in Zeng and Wang (2006), by decomposition of state space ℜn into 3n areas, some conditions were derived to ensure the existence of the multiperiodicity of CNNs, and to acquire 2n stable periodic trajectories. Specially, 3n equilibria in the Hopfieldtype neural networks are obtained in Cheng et al. (2006). Besides, it was shown that convergence and multistability of DM-CNNs in the general case of nonsymmetric interconnections could be investigated in Di Marco et al. (2017).

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا