不確実性を伴う分数階反応拡散メモリスタ神経ネットワークにおけるスライディングモード制御の応用 近年では、さまざまな分野で神経ネットワークの応用が広がる中、その制御と安定性の研究も注目を集めています。分数階(fractional-order, FO)メモリスタ神経ネットワーク(memristor neural networks, MNNs)は、生物の神経シナプスを模倣できるという特徴から、情報処理や学習などの面で独自の優位性を示しています。しかし、MNNsの応用にはシステムの不確実性、信号伝達の遅延、および複雑な時空間進展特性など、さまざまな課題があります。これらの要因はネットワークの不安定性や性能低下を引き起こす可能性があります。したがって、これらの問題を解決するための強いロバスト性を持つ制...

異種ホップフィールド神経ネットワークの研究：適応型活性化関数とメモリスタの結合による動的挙動解析 本研究は神経ネットワークにおける非線形要素がシステム動的挙動に与える影響を探討するものである。特に活性化関数とメモリスタ（memristor）が非線形要素として、カオスシステムの構築やシナプス行動の模擬に用いられることが多い。ホップフィールド神経ネットワーク（Hopfield Neural Network, HNN）は、その独特なネットワーク構造と複雑な脳様動態を生成する能力から、広範な注目を集めている。また、現在の研究は多くが固定活性化関数を使用した神経細胞のシステム動態への影響に集中しているが、異種の活性化関数組み合わせの研究は少ない。 本文は中華 王、春輝 梁、権利 鄧が執筆し、それぞれ湖...

異質共存アトラクター、大規模振幅制御および中央サイクリックメムリスタ神経ネットワークの有限時間同期 学術的背景 メムリスタは、脳のシナプスに似た記憶性と非線形性などの物理特性のため、脳を模した神経ネットワークにおけるカオス動力学の研究において重要な理論的および実際的な意味を持っています。近年、ビッグデータと人工知能分野の発展に伴い、従来の固定神経ネットワークモデルは脳の構造と機能をマッピングする際の限界が徐々に明らかになっており、これは形態学的神経学研究のさらなる発展の主要な障壁となっています。2008年、HPラボが初めて物理的非線形メムリスタを開発して以来、メムリスタは人工神経ネットワーク分野で広く注目されるようになりました。メムリスタ神経ネットワーク（Memristive Neural ...