创新成果
创新成果
位置: 首页 > 创新成果 > 正文

王雷敏* 等 自动化学院IEEE Transactions on Neural Networks and Learning Systems, 2017. Finite-Time Stabilization and Adaptive Control of Memristor-Based Delayed Neural Networks

来源: 作者:发稿时间:2017-10-31 15:14浏览次数:

201710月,我校自动化学院有关“忆阻神经系统动力学”的研究成果发表在人工智能领域重要国际期刊IEEE Transactions on Neural Networks and Learning Systems上。该文第一作者及通讯作者为王雷敏副教授。

基于忆阻的类生物神经元突触功能的事实构建的新型忆阻神经网络系统能够更真实模拟人脑的运作,这也为下一代类人脑认知型计算机以及类人机器人的研制奠定基础。将忆阻内化为神经电路中的非线性部分,由忆阻元件作为电子神经元突触人工神经元突触,从而构建全新的非线性电路,并设计出一系列基于忆阻的神经网络系统。

由于需要被存储的信息是通过所设计的非线性电路系统的连接权和所设计的非线性电路系统的动力学响应得以被存储,因此研究基于忆阻的神经网络系统的动力学行为特性成为首要任务之一。另一方面,由于忆阻的切换特性,基于忆阻的神经网络系统是一类状态依赖的切换系统,因此经典的稳定性理论框架不再适用。在Filippov关于右端不连续微分方程理论的框架下,我们应用微分包含和非光滑控制理论,研究了基于忆阻的神经网络系统的有限时间镇定问题。并充分利用忆阻特性,对此新型系统动力学行为与系统参数的关系、系统参数和目标模式的动态映射关系等进行深入研究。

论文信息:

Title: Finite-Time Stabilization and Adaptive Control of Memristor-Based Delayed Neural Networks

Authors: Leimin Wang*, Yi Shen, Guodong Zhang

Source: IEEE Transactions on Neural Networks and Learning Systems, vol. 28, no. 11, pp. 2648-2659, Nov. 2017.

论文链接:http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7548331