排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
针对具有范数有界不确定性和恒定时滞的标准神经网络模型(SNNM),利用李亚普诺夫稳定性理论和S-方法给出了其鲁棒稳定的判定条件,稳定性判据被表示为线性矩阵不等式的形式,易于求解.大多数时滞(非时滞)递归神经网络(RNNs)都可以转化为SNNM,从而可以用统一的方法进行分析,克服了以往方法中存在的不足.给出的实例中,利用SNNM的结论对常见的一类RNNs的鲁棒稳定性进行分析,结果表明该方法是简单有效的. 相似文献
2.
现有的基于矩阵分解聚类模型训练过程大多需要两个独立的步骤,一是通过自身的模型对数据集进行训练获得系数矩阵,二是对得到的系数矩阵进一步使用K-means方法来获得最终的聚类结果.这种两阶段模式一方面增加了计算消耗,也会因为K-means对初始聚类中心的敏感,会对聚类效果产生一定的影响.针对此问题,本文提出了一种图正则化的模糊局部坐标编码概念分解模型.该模型通过对系数矩阵添加约束使得系数矩阵行和为1,从而避免了再次使用K-means方法进行二次训练,而直接由系数矩阵获得聚类结果.另外,由于此系数矩阵的约束.该模型实现了模糊聚类,增强了聚类结果的可解释性.本文通过对人工合成数据的测试,验证了该模型的模糊性与可解释性;同时在常用的标准数据集上,通过与现有的聚类方法相比较,同样获得了较好的聚类效果. 相似文献
1