递归多层感知器的稳定性分析——LMI方法

递归多层感知器(RMLP)在工程上应用比较多,但对其稳定性的研究还比较少.本文提出一种新的神经网络模型———标准神经网络模型(SNNM),通过状态空间扩展法,将RMLP转化为SNNM,而SNNM的稳定性分析可转化为一组线性矩阵不等式(LMI)的求解,利用Matlab/LMIToolbox求解LMI,从而判定RMLP的Lyapunov稳定性,并考虑非零阈值对稳定性的影响.该方法也适用于其他类型的递归神经网络(RNN)的稳定性分析.

一类离散递归神经网络的稳定性分析——LMI方法

离散递归神经网络的稳定性分析是目前研究的薄弱环节.通过状态空间扩展法,将一类活化函数满足扇区条件和单调性的离散递归神经网络(即递归多层感知器RMLP)转化为线性微分包含(LDI)形式,而LDI的稳定性分析可转化为一组线性矩阵不等式(LMI)的求解,利用MATLAB/LMITOOLBOX求解LMI,从而判定RMLP的Lyapunov稳定性.该方法也适用于其他类型的递归神经网络(RNN)的稳定性分析.

基于递归神经网络的非平稳网络丢包层析成像

为了提高互联网的管理和控制水平,进而优化配置网络资源,一种新的估计网络内部参数的方法"网络层析成像"得到了广泛关注。提出一种基于递归神经网络的非平稳网络丢包层析成像方法,利用递归多层感知器求解非平稳网络丢包模型。采用NS2仿真工具进行实验,证明了该算法能够自适应非平稳网络丢包率随时间变化而产生的波动,以实时追踪网络内部链路的丢包率。