Resumen

El modelo original de redes neuronales de Hopfield se adapta para que los pesos de la red resultante sean variables en el tiempo. En este artículo, se consideran las redes neuronales de Hopfield discretas con matriz de función de peso (DHNNWFM), donde los cambios de peso con el tiempo son analizados, y se analiza la estabilidad de DHNNWFM. Combinando con la función de Lyapunov, obtenemos algunos resultados importantes que si la matriz de función de peso (WFM) es una matriz de función débilmente (o fuertemente) no negativa definida, el DHNNWFM convergerá a un estado estable en modelo serial (o paralelo), y si WFM consiste en una matriz de función fuertemente no negativa definida y una matriz de función diagonalmente dominante de columna (o fila), DHNNWFM convergerá a un estado estable en modelo paralelo.

• Materias:Sistema de ecuaciones Conjuntos de Julia Métodos espectrales Valor límite
• Subjects:System of equations Julia sets Spectral methods Boundary value
• Palabras claves:Redes neuronales de Hopfield; Matriz de función de peso; Estabilidad; Función de Lyapunov; Convergencia; Variación en el tiempo
• Keywords:Hopfield neural networks; Weight function matrix; Stability; Lyapunov function; Convergence; Time varying