Resumen

Se introduce y analiza un nuevo método de división diseñado para las soluciones numéricas de redes neuronales estocásticas de Hopfield con retraso. Bajo condiciones de crecimiento lineal y Lipschitz, se demuestra que este método de división de paso fraccionado de Milstein tiene una fuerte convergencia de orden 1 en sentido de media cuadrática, lo cual es mayor que el de los métodos de división de paso fraccionado existentes. Además, se investiga la estabilidad en media cuadrática del método propuesto. Experimentos numéricos y comparaciones con métodos existentes ilustran la eficiencia computacional de nuestro método.

• Materias:Ecuaciones diferenciales Dinámica de fragmentación Medios porosos Circuito abierto
• Subjects:Differential equations Fragmentation dynamics Porous media Open circuit
• Palabras claves:Método de partición; Soluciones numéricas; Redes neuronales estocásticas de Hopfield con retraso; Convergencia fuerte; En el sentido de la media cuadrática; Eficiencia computacional
• Keywords:Splitting method; Numerical solutions; Stochastic delay Hopfield neural networks; Strong convergence; Mean-square sense; Computational efficiency