Resumen

Este trabajo trata sobre el problema de sincronización para una clase de redes neuronales estocásticas memristivas con término inercial, acoplamiento lineal y retardo variable en el tiempo. Basándose en la teoría de incertidumbre paramétrica de intervalos, las redes neuronales estocásticas memristivas inerciales (IMNN por sus siglas en inglés) con acoplamiento lineal se transforman en un sistema estocástico con incertidumbre paramétrica en intervalos. Además, aplicando el teorema de estabilidad de Lyapunov, el enfoque de análisis estocástico y la desigualdad de Halanay, se obtienen algunas condiciones suficientes para lograr la sincronización en el sentido cuadrático medio. Los criterios establecidos muestran que la perturbación estocástica está diseñada para garantizar que las IMNNs acopladas puedan sincronizarse mejor al cambiar los coeficientes de estado de la perturbación estocástica. Finalmente, se presenta un ejemplo ilustrativo para demostrar la eficacia

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Sincronización; Redes neuronales memristivas estocásticas; Término inercial; Acoplamiento lineal; Retardo variable en el tiempo; Teorema de estabilidad de Lyapunov
• Keywords:Synchronization; Stochastic memristive neural networks; Inertial term; Linear coupling; Time-varying delay; Lyapunov stability theorem