Resumen

Este artículo trata del análisis de la estabilidad global de una clase de redes neuronales continuas con retardo variable en el tiempo. Se supone que se conocen los límites inferior y superior del retardo y el límite superior de su primera derivada. Introduciendo un nuevo funcional Lyapunov-Krasovskii, se derivan algunos criterios de estabilidad dependientes del retardo en términos de desigualdad matricial lineal, que garantizan que las redes neuronales consideradas son globalmente estables. Al estimar la derivada del LKF, en lugar de aplicar directamente la desigualdad de Jensen, se da un subpaso y se introduce una variable de holgura mediante un enfoque de combinación recíprocamente convexa, y como resultado se demuestra que la reducción del conservadurismo es más evidente que en la literatura disponible. Se presentan ejemplos numéricos para demostrar la eficacia y las ventajas del método propuesto.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:redes neuronales continuas, enfoque de combinación convexa, criterios de estabilidad dependientes, análisis de estabilidad global, desigualdad matricial lineal, retardo, ejemplos numéricos, bibliografía disponible, reducción del conservadurismo, primera derivada
• Keywords:continuous neural networks, convex combination approach, dependent stability criteria, global stability analysis, linear matrix inequality, delay, numerical examples, available literature, conservatism reduction, first derivative