Caputo分数阶切换线性系统的指数稳定性

众所周知,与整数阶切换系统不同, Caputo分数阶切换系统的积分下界不能随子系统的切换而被更新,意味着在下界非一致的任意区间内不能直接取分数阶导数的分数阶积分.对此,本文给出了一个不等式(文中引理6)克服这一问题,并用1个数值例子进行了验证.通过这一不等式,然后分别利用多Lyapunov函数方法和模型依赖平均驻留时间(MDADT)方法,给出了Caputo分数阶切换线性系统指数稳定的条件,并利用2个数值例子进行验证.

基于多核学习卷积神经网络的稀疏数据推荐

针对当前稀疏数据推荐准确率低的问题,提出一种基于多核学习卷积神经网络的稀疏数据推荐算法。将项目的辅助信息送入卷积神经网络学习特征,将向量在可再生核希尔伯特空间组合,利用多核学习技术增强卷积神经网络的特征学习能力;基于学习的卷积特征集初始化非负矩阵模型,通过非负矩阵模型实现对缺失评分的预测。实验结果表明,该算法有效提高了稀疏数据集的推荐性能,验证了多核学习卷积神经网络的有效性。