Chaos synchronization of stochastic reaction-diffusion time-delay neural networks via non-fragile output-feedback control

Tai, Weipeng; Teng, Qingyong; Zhou, Youmei; Zhou, Jianping; Wang, Zhen

doi:10.1016/j.amc.2019.02.028

Cited by 47 publications

(16 citation statements)

References 37 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Therefore, if the inequalities (13a), (13b) and (13c) hold, then according to Definition 1 and Theorem 1, we conclude that the system (4) with GUTRs is stochastically admissible with a given ∞ performance for any time-varying delay ( ) satisfying (2), thus, it completes the proof. □ Remark 3: In many engineering areas, there is a need to model the dynamics of a control system in partial functional differential equations [39][40]. It should be noted that by using the methods mentioned in this paper, it is easy to extend the results of this paper to SMJSs with reactiondiffusion terms under GUTRs.…”

Section: Resultsmentioning

confidence: 91%

Delay-Dependent H∞ Control for Singular Markovian Jump Systems With Generally Uncertain Transition Rates

Shen

2020

IEEE Access

View full text Add to dashboard Cite

This paper is devoted to the problem of ∞ control for a class of singular Markovian jump systems with time-varying delay and generally uncertain transition rates, which means each transition rate is completely unknown or only its estimated value is known. By using Lyapunov stability theory, a new delaydependent ∞ admissible criterion in terms of strict linear matrix inequalities is obtained, which guarantees that the singular Markovian jump system with known transitions rates is regular, impulse-free and stochastically stable with a prescribed ∞ disturbance attenuation level γ. Based on this obtained criterion, some suitable state feedback controllers are designed such that the closed-loop delayed singular Markovian jump system with generally uncertain transition rates is ∞ stochastically admissible. Finally, numerical examples are included to illustrate the effectiveness and the less conservativeness of the proposed method.

show abstract

Section: Resultsmentioning

confidence: 91%

Delay-Dependent H∞ Control for Singular Markovian Jump Systems With Generally Uncertain Transition Rates

Shen

2020

IEEE Access

View full text Add to dashboard Cite

show abstract

“…According to (25) and (26), we have E z(t) max u∈Γ {λ max (P u )}E{W (z(0), 0)} min u∈Γ {λ min (P u )} e −(κ/2)t , http://www.journals.vu.lt/nonlinear-analysis which means that the filtering error system is exponentially stable in the mean square sense.…”

Section: Quantized Passive Filtering Under Semi-markov Switchingmentioning

confidence: 99%

Quantized passive filtering for switched delayed neural networks

Zhou

Liu

Zhou

et al. 2021

NAMC

Self Cite

View full text Add to dashboard Cite

The issue of quantized passive filtering for switched delayed neural networks with noise interference is studied in this paper. Both arbitrary and semi-Markov switching rules are taken into account. By choosing Lyapunov functionals and applying several inequality techniques, sufficient conditions are proposed to ensure the filter error system to be not only exponentially stable, but also exponentially passive from the noise interference to the output error. The gain matrix for the proposed quantized passive filter is able to be determined through the feasible solution of linear matrix inequalities, which are computationally tractable with the help of some popular convex optimization tools. Finally, two numerical examples are given to illustrate the usefulness of the quantized passive filter design methods.

show abstract

“…К вероятностным графическим моделям [5,6] применяется своя система алгоритмов машинного обучения, которая отличается и построена на других принципах, чем алгоритмы машинного обучения нейронных сетей [7,8].…”

Section: релевантные работыunclassified

Algebraic Bayesian networks: sequestered fusion of knowledge patterns under information deficiency conditions

Алексеевич¹,

Львович²

2019

Naučno-teh. vestn. inf. tehnol. meh. opt.

View full text Add to dashboard Cite

Предмет исследования. При машинном обучении вероятностных графических моделей нередки ситуации, в которых одному объекту оказываются сопоставлены две или более модели, обученные на различных, но пересекающихся наборах данных. Предметом данного исследования является операция слияния таких моделей, представленных фрагментами знаний алгебраической байесовской сети. Целью данного исследования является описание и формализация способов слияния алгебраических байесовских сетей, представленных в виде фрагментов знаний. Метод. Построены модели слияния, семантика которых четко эксплицируется предположениями о соотношении вероятностных семантик рассматриваемых фрагментов знаний. Основные результаты. Определены и систематизированы способы слияния фрагментов знаний, при которых не происходит генерации новых элементов сети. Приведено и доказано утверждение о числе атомов в получаемой сети и теорема о сложности поддержания ее интернальной непротиворечивости. Продемонстрирован пример слияния двух сетей на выборке с шумом. При этом для проведения компаративного анализа теоретическое распределение выборки задано, а сама выборка генерируется методом Монте-Карло. Практическая значимость. Предложенные в исследовании способы слияния алгебраических байесовских сетей могут найти применение при работе с двумя или более обученными сетями, описывающими различные свойства одного объекта. Использование данных способов позволит построить, агрегирующую все данные об исследуемом объекте, оказавшиеся доступными, в комплексную сеть и проводить в ней операции логико-вероятностного вывода. Ключевые слова вероятностные графические модели, алгебраические байесовские сети, байесовские сети доверия, неполная информация, фрагмент знаний, слияние фрагментов знаний, машинное обучение Благодарности Работа выполнена в рамках проекта по государственному заданию СПИИРАН № 0073-2019-0003 при финансовой поддержке РФФИ, проект № 18-01-00626-Методы представления, синтеза оценок истинности и машинного обучения в алгебраических байесовских сетях и родственных моделях знаний с неопределенностью: логико-вероятностный подход и системы графов.

show abstract

Chaos synchronization of stochastic reaction-diffusion time-delay neural networks via non-fragile output-feedback control

Cited by 47 publications

References 37 publications

Delay-Dependent H∞ Control for Singular Markovian Jump Systems With Generally Uncertain Transition Rates

Delay-Dependent H∞ Control for Singular Markovian Jump Systems With Generally Uncertain Transition Rates

Quantized passive filtering for switched delayed neural networks

Algebraic Bayesian networks: sequestered fusion of knowledge patterns under information deficiency conditions

Contact Info

Product

Resources

About