Sincronización de las redes neuronales con y sin entrada de perturbación a través de la función de control Lyapunov

Área de la Ciencia:

• Teoría de control
• Redes neuronales artificiales
• Ingeniería de sistemas

Sus antecedentes:

• Las redes neuronales son cruciales en la computación moderna, pero requieren estrategias de control robustas.
• La sincronización y la estabilidad son desafíos clave, especialmente bajo perturbaciones externas o incertidumbres.

Objetivo del estudio:

• Desarrollar y validar métodos de control para lograr la sincronización impulso-respuesta en redes neuronales.
• Asegurar la estabilidad de entrada a estado (ISS) de los sistemas de circuito cerrado en presencia de perturbaciones.

Principales métodos:

• Diseño de un controlador exponencial que utiliza el control basado en programas cuadráticos de la función Lyapunov (QP-CLF).
• Propuesta de un controlador robusto que utilice un enfoque QP-CLF robusto para una mayor estabilidad.
• Validación a través de dos ejemplos numéricos que demuestran el rendimiento en diversas condiciones.

Principales resultados:

• El método QP-CLF logra efectivamente la sincronización de impulso-respuesta en las redes neuronales.
• El robusto controlador QP-CLF garantiza con éxito la estabilidad de entrada a estado (ISS) a pesar de las perturbaciones e incertidumbres.
• Los ejemplos numéricos confirman la aplicabilidad práctica y la eficacia de ambas estrategias de control propuestas.

Conclusiones:

• Los métodos QP-CLF y QP-CLF robustos propuestos ofrecen soluciones efectivas para el control de redes neuronales.
• Estos métodos proporcionan una base para el diseño de sistemas de red neuronal estables y sincronizados en entornos complejos.
• El estudio pone de relieve la importancia de un control sólido para el funcionamiento fiable de las redes neuronales.