Documente Academic
Documente Profesional
Documente Cultură
8 9
1.2. Modele de neuroni artificiali nz
∑ bi z −i
1.2.1. Modele de neuroni artificiali fără reacţie G ( z −1 ) = i =0
np
, cu an p , bnz ≠ 0 (1.8)
xm wm
k1 unde indicele i reprezintă numărul neuronului în cadrul nivelului, iar Ii stimulul
kM kj
extern corespunzător.
∆ ∆ ∆
Fig. 1.5. Modelul perceptronului Frasconi-Gori-Soda
1.4. Memorii asociative bidirecţionale
• Modelul general de perceptron simplu îmbină modelul de perceptron cu Memoriile asociative bidirecţionale (BAM) au fost propuse de Kosko
reacţie locală la nivelul sinapsei cu modelul de perceptron cu reacţie locală la [Kos88] ca o extindere a modelului Hopfield. Spre deosebire de reţeaua
ieşire. Acest model stă la baza reţelelor cu reacţie locală care la nivel global Hopfield, o BAM este formată din două câmpuri de neuroni total
sunt reţele feedforward. interconectate, neexistând conexiuni între neuronii aceluiaşi câmp. Dinamica
G1
BAM în timp discret este descrisă de următoarele ecuaţii:
x1 p
xki +1 = ∑ wij R j ( y kj ) + I i , i = 1, n
x2 G2 net(t) y(t) j =1
Σ f
n
(1.6)
M M y j
k +1 = ∑ wij S i ( x ) + J j ,
i
k j = 1, p
i
xm Gm H(z)
Funcţiile de activare (Si şi Rj) sunt funcţii prag binare sau bipolare.
Funcţiile de activare prag cu valori binare au următoarele expresii:
Fig. 1.6. Modelul perceptronului simplu GLRGF
(„General Locally Recurrent Globally Feedforward”) 1, xki > U i 1, y kj > V j
S i ( xki ) = S i ( xki −1 ), xki = U i ,
R j ( y kj ) = R j ( y kj−1 ), y kj = V j (1.7)
0, xki < U i 0, yk < V j
j
14 15
Capitolul 2 - Elemente de teoria stabilităţii în sens Liapunov şi
sisteme cu mai multe stări de echilibru Teorema 2.1 (A. M. Liapunov) Fie sistemul (2.1) şi fie V o funcţie continuă,
derivabilă şi pozitiv definită într-o vecinătate x ≤ δ0 a originii, cu
Reţelele neuronale sunt sisteme cu mai multe echilibre. În acest caz nu *
proprietatea că V (t)=V(x(t)) este monoton descrescătoare pentru orice soluţie
mai interesează numai stabilitatea echilibrelor locale, ci şi comportamentul x(t) a lui (2.1) cu x(0) < δ 0 . Atunci soluţia nulă a (2.1) este stabilă (în sens
global al sistemului. Indiferent de aplicaţiile cărora le sunt destinate,
Liapunov).
comportamentul global la reţelelor neuronale artificiale, comportament care
garantează rezolvarea optimă a problemelor pentru care acestea au fost
proiectate (aceasta referindu-se la absenţa autooscilaţiilor sau a unui Teorema 2.2 Fie sistemul (2.1). Presupunem că există o funcţie V: D→
comportament haotic), poate fi studiat în cadrul mai larg al teoriei calitative a { }
R+, D = x x ≤ δ 0 de clasă C1, pozitiv definită, cu proprietatea că derivata
sistemelor cu mai multe stări de echilibru. Deoarece în cadrul acestei teorii ∂V
instrumentul de bază în verificarea proprietăţilor globale ale sistemelor este sa W ( x) = f ( x) este negativ definită pe D. Atunci soluţia nulă a sistemului
∂x
funcţia Liapunov, capitolul 2 prezintă: (2.1) este asimptotic stabilă.
16 17
a) lim x(t ) = ∞ , lim x(t ) = c ∈ E
t →t ′′ t →∞
b) t″ = ∞ şi lim d (x(t ), M ∪ {∞}) = 0 , unde M este cea mai largă mulţime c) O soluţie se numeşte cvasi-convergentă dacă tinde asimptotic către
t →∞
mulţimea de echilibre:
invariantă (în raport cu soluţia x(⋅) a sistemului (2.1)) conţinută în G.
lim d ( x(t ), E ) = 0
t →∞
Corolar 2.1 Dacă mulţimea D este mărginită, deschisă şi pozitiv invariantă şi unde d(x, M) defineşte distanţa dintre punctul x ∈ Rn şi mulţimea M.
dacă V este o funcţie Liapunov pentru (2.1) pe D şi dacă M ⊂ D, atunci M este
un atractor şi D este conţinută în bazinul de atracţie al lui M. Definiţia 2.13 Sistemul (2.2) se numeşte monostabil dacă orice soluţie
mărginită este convergentă; sistemul este cvasi-monostabil dacă orice soluţie
Corolar 2.2 Dacă M = {xˆ} , V (xˆ ) = 0 , V (x ) > 0 pentru x într-o vecinătate a mărginită este cvasi-convergentă.
Presupunem că există o funcţie continuă V : D ⊂ Rn → R astfel încât: 3.2. Metoda funcţiei Liapunov pentru reţele neuronale privite ca
i) pentru orice soluţie x a (2.3) V(x(t)) este necrescătoare; sisteme cu mai multe stări de echilibru
ii) dacă x este o soluţie a (2.3), mărginită pe [0, +∞), de-a lungul căreia
Dinamica în spaţiul stărilor a sistemelor fizice reprezentate de reţele
V(x(t)) =ct., atunci x este un echilibru (soluţie staţionară).
neuronale artificiale este dominată de un număr mare, dar finit, de echilibre.
În aceste ipoteze, sistemul (2.3) este cvasi-monostabil (dihotomic).
Acestea reprezintă soluţii, dependente de condiţiile iniţiale, ale problemelor de
rezolvat. În acest caz nu mai interesează numai stabilitatea echilibrelor locale,
Lema 2.2 Se presupune că există o funcţie Liapunov cu proprietăţile i) şi ii),
ci şi comportamentul global al sistemului, comportament care garantează
definită global, şi că V(x) → ∞ când x→ ∞ (V este radial nemărginită).
rezolvarea optimă a problemelor pentru care acestea au fost proiectate (aceasta
Atunci sistemul (2.3) este de tip cvasi-gradient.
referindu-se la absenţa autooscilaţiilor sau a unui comportament haotic). De
aceea, o direcţie importantă de cercetare este abordarea reţelelor neuronale
Lema 2.3 Presupunem ipotezele Lemei 2.2 verificate şi mulţimea de echilibru
artificiale în cadrul de lucru mai general al Teoriei calitative a sistemelor cu
E discretă. Atunci sistemul (2.3) este de tip gradient.
mai multe stări de echilibru.
În acest context, plecând de la noţiunile şi teoremele prezentate în
Lema 2.4 (Moser) Fie sistemul
Capitolul 2, se va folosi în continuare următoarea terminologie:
x& = − f ( x), x ∈ Rn (2.4) - dihotomie: toate soluţiile mărginite tind către mulţimea de echilibru;
- asimptoticism global: toate soluţiile tind către mulţimea de echilibru;
unde f(x) = grad G(x), cu G : Rn → R având următoarele proprietăţi: - comportament de tip gradient: mulţimea punctelor de echilibru este stabilă în
i) lim G ( x) = ∞ sens Liapunov şi fiecare soluţie tinde asimptotic către un punct de echilibru.
x →∞
În această secţiune ne-am propus să determinăm condiţii suficiente
ii) numărul punctelor critice este finit.
pentru un comportament de tip gradient pentru reţele neuronale cu următorul
Atunci soluţia ecuaţiei (2.4) tinde asimptotic către unul din punctele de
model matematic [Nol94, Nol95]:
echilibru.
20 21
m Teorema 3.2.1: Fie sistemul (3.2.1) în următoarele ipotezele:
x& = Ax − ∑ bk ϕ k (ck* x) − h (3.2.1)
1 i) det A ≠ 0;
unde funcţiile ϕk(σ) sunt diferenţiabile, mărginite şi de pantă restrictivă; în ii) perechea (A,B) este controlabilă şi perechea (C*, A) este observabilă;
cazul reţelelor neuronale condiţia de mărginire este îndeplinită de funcţiile iii) det C*A-1B = det T(0) ≠ 0, unde B - matrice cu coloanele bi, C - matrice
neliniare sigmoidale. cu coloanele ci.
Instrumentul utilizat pentru studiul proprietăţilor calitative ale Dacă există mulţimea de parametri θ k ≥ 0, ϕ k , ϕ k > 0, q k ≠ 0, k = 1, m astfel
sistemelor cu mai multe echilibre este funcţia Liapunov. Coeficienţii funcţiei încât să se verifice condiţia Popov (3.2.2) şi matricea Q(C*A-1B)-1 să fie
Liapunov au fost obţinuţi prin rezolvarea unor ecuaţii de tip Lurie. Existenţa simetrică, atunci sistemul (3.2.1) este dihotomic pentru toate funcţiile neliniare
soluţiilor pentru astfel de ecuaţii a fost asigurată de inegalitatea de tip Popov în
cu restricţie de pantă care verifică ϕ k < ϕ k′ < ϕ k , k = 1, m . Dacă în plus,
domeniul frecvenţei, în care s-au utilizat multiplicatori PI de forma 1+β(iω)-1
în locul multiplicatorului uzual tip PD, cu expresia 1+β(iω). toate echilibrele sunt izolate, atunci fiecare soluţie mărginită tinde către un
{[ ( ) ] }
Θ Φ −1 + Re Θ I + Φ Φ −1 + (iω ) Q T (iω ) + T * ( −iω )Θ Φ T (iω ) ≥ 0
−1
(3.2.2)
punct de echilibru.
Introducerea multiplicatorului PI în cazul multivariabil (cu mai multe Teorema 3.2.2: Fie sistemul (3.2.1) în ipotezele Teoremei 3.2.1. Presupunem
elemente neliniare) necesită unele restricţii de structură ale părţii liniare. În în plus că sistemul (3.2.1) este minimal stabil, că neliniarităţile verifică
[Ha91] demonstrarea stabilităţii se baza pe ipoteza tehnică a decuplării statice: ϕ (σ ) − ϕ~ σ ≤ m ≤ m cu ϕ~ ∈ (ϕ , ϕ ) , iar echilibrele sunt izolate. Atunci
k k k i i i
c k* A −1b j = 0 , ∀ k ≠ j. Această ipoteză nu poate fi impusă însă în cazul reţelelor
fiecare soluţie a lui (3.2.1) tinde asimptotic către o stare de echilibru.
neuronale. Pe de altă parte, în analiza sistemelor cu mai multe echilibre nu mai
este necesară pozitivitatea funcţiei Liapunov. În acest sens, lucrările [Nol94, Se arată în continuare că reţelele neuronale Hopfield (aici descrise
Nol95] se bazează pe un rezultat al lui La Salle [LaS67, LaS68] - funcţia prin ecuaţii diferenţiale cu coeficienţi - parametri fizici):
Liapunov generalizată (necrescătoare de-a lungul soluţiilor, dar nu neapărat de
semn definit). Funcţia Liapunov astfel obţinută
dv i
dt
=−
1
Ri C i
vi +
1 n
∑
Ci 1
( )
ϕ j (v j ) − vi Rij + I i , i = 1, n
y
V ( z , y ) = z * Pz − 12 ( y − y ) * Q (C * A −1 B ) −1 ( y − y ) − ∫ ( f (v) − f ( y )) * Q dv sunt în ipotezele Teoremei 3.2.2.:
y
n
este diferită de cele utilizate în mod curent în literatură. 1 1
+∑ 1
n
- matricea A = diag − este hurwitziană deoarece toţi
În acest cadru de lucru, dihotomia rezultă aproape imediat. Din Ci Ri 1 Rij
i =1
mărginirea neliniarităţilor obţinem mărginirea tuturor soluţiilor sistemului şi
parametrii fizici sunt pozitivi;
aceasta ne permite să spunem că sistemul (3.2.1) are asimptotici globale. Dacă
se va presupune că echilibrele sunt izolate, ceea ce este o ipoteză normală în - notând C * = I , B = −ΓΛ , Γ = diag (1 Ci )i =1 , Λ = 1 Rij
n
( )
n
i , j =1
, matricea de
descrierea reţelelor neuronale, atunci asimptoticismul global va implica transfer devine
comportamentul de tip gradient, deoarece o traiectorie oarecare nu poate tinde n
n
−1
către mulţimea de staţionară altfel decât tinzând către un punct de echilibru. * −1
T ( s ) = C ( sI − A) B = − diag s C i + 1 / Ri + ∑ (1 / Rij ) Λ
S-au obţinut următoarele rezultate: j =1 i =1
22 23
câmpuri neuronale simultan. Rezultatul acestei secţiuni se bazează pe
- funcţiile neliniare uzuale în cazul reţelelor neuronale - funcţiile sigmoidale, proprietăţile funcţiei Liapunov Ek exprimată de-a lungul soluţiilor sistemului:
îndeplinesc condiţiile cu ϕ k = 0, 0 < ϕ k < +∞ ; i) mărginită;
n
ii) necrescătoare de-a lungul soluţiilor;
- alegând θ k = C k , q k = 1 / Rk + ∑ (1 / Rkj ) inegalitatea în domeniul frecvenţei iii) constantă în punctele de echilibru şi pe ciclurile de perioadă 2;
j =1
iv) strict descrescătoare până la o valoare mărginită inferior în zero
se verifică dacă matricea conexiunilor sinaptice Λ este simetrică. independentă de alegerea lui k şi de soluţie, mai puţin în cazul în care soluţia
În aceste condiţii reţelele neuronale Hopfield sunt sisteme de tip este un echilibru sau un ciclu de perioadă 2.
(3.2.1.) şi deci prezintă un comportament de tip gradient.
Teorema 3.3.1: Fie o memorie asociativă bidirecţională (BAM) descrisă de
(3.3.1) cu funcţiile de activare de tip prag descrise de (3.3.2). După un număr
3.3. Funcţia Liapunov în studiul memoriilor asociative finit de paşi, orice soluţie a sistemului (3.3.1) ajunge într-un punct de echilibru
bidirecţionale sau pe un ciclu de perioadă 2.
Analiza proprietăţilor de stabilitate pentru memoriile asociative
bidirecţionale De remarcat că această funcţie Liapunov poate prescrie cicluri limită
p discrete stabile care nu afectează funcţionalitatea reţelei.
xki +1 = ∑ wij R j ( y kj ) + I i , i = 1, n Rezultatele obţinute au fost ilustrate printr-un exemplu numeric cu
j =1
(3.3.1) două discuţii de caz, exemplu în care au fost considerate toate tipurile de
n
y kj+1 = ∑ wij S i ( xki ) + J j , j = 1, p tranziţii pentru starea neuronilor: sincrone, simplu asincrone, asincrone într-un
i
singur câmp neuronal, general asincrone în două câmpuri neuronale. În
cu funcţiile de activare - funcţii prag binare: ambele cazuri a fost obţinută aceeaşi stare de echilibru bidirecţional stabil ca şi
1, ~
xki > U i în cazul tranziţiilor sincrone. S-a observat că tranziţiile sincrone şi general
S i ( x ki ) = ~ , i = 1, n
0, xki < U i asincrone în ambele câmpuri simultan grăbesc convergenţa sistemului, în
(3.3.2) comparaţie cu tranziţiile simplu asincrone sau general asincrone într-un câmp
1, ~
y kj > V j neuronal, care încetinesc convergenţa.
R j ( y kj ) = ~ , j = 1, p
0, y kj < V j
se bazează pe o nouă funcţie Liapunov, diferită de cele citate în literatură: 3.4. Funcţia Liapunov pentru reţele neuronale competitive Cohen -
n p p n Grossberg
E k = −∑∑ wij S i ( xki ) R j ( y kj−1 ) −∑∑ wij R j ( y kj ) S i ( xki −1 ) −
i =1 j =1 j =1 i =1 Modelul reţelelor neuronale competitive (3.4.1) a fost introdus de
matematicienii M. Cohen şi S. Grossberg, [Coh83]. Pentru sistemul neuronal
( ) ( )
p
n
~ ~
− ∑ ( I i − U i ) S i ( x ki ) + S i ( xki −1 ) − ∑ ( J j − V j ) R j ( y kj ) + R j ( y kj−1 ) competitiv, în forma generală:
1 1
n
Această funcţie Liapunov de tip energie ţine cont de cazul cel mai x& i = −a i ( x i ) bi ( xi ) − ∑ c ij d j ( x j ) , i = 1, n (3.4.1)
general, al actualizării general asincrone a stării neuronilor, chiar şi în ambele j =1
24 25
unde cij este o matrice simetrică, se prezintă în acest subcapitol rezultate unde j reprezintă indexul celulelor dintr-o vecinătate N a celulei i, iar ai este un
n×n
parametru pozitiv. Funcţia de activare neliniară, de tip rampă bipolară, are
de comportament calitativ din literatura de specialitate: articolul cercetătorilor
expresia (întâlnită în lucrările lui Chua)
Cohen şi Grossberg de introducere al acestor reţele neuronale şi un studiu
recent (2002) de stabilitate exponenţială.
f ( xi ) = 1
2
(x i + 1 − xi − 1 ) (3.5.2)
Articolul [Coh83a], „Absolute Stability of Global Pattern Formation fiind mărginită, cu domeniul de valori [-1, 1], monoton crescătoare şi global
and Parallel Memory Storage by Competitive Neural Networks”, studiază lipschitziană cu L = 1, adică satisface o condiţie de tipul,
modul în care formele de intrare sunt transformate şi memorate în reţelele f (σ 1 ) − f (σ 2 )
0≤ ≤L (3.5.3)
neuronale competitive. Se determină condiţii de dinamică generală a acestor σ1 − σ 2
reţele pentru convergenţa traiectoriilor către punctele de echilibru, din care rezultă, deoarece f(0) = 0,
introducându-se un nou concept, acela de „creare globală a formei” (global f (σ )
pattern formation). Se analizează apoi pe modelul reţelelor neuronale 0≤ ≤L (3.5.4)
σ
competitive simetrice de tip multiplicativ stabilitatea absolută a fenomenului de Pentru sistemul scris în abateri
creare globală a formei pentru cazurile funcţiilor de activare polinomiale şi al
z&i (t ) = − ai zi (t ) + ∑ wij g z j (t ) ( ) (3.5.5)
funcţiilor de activare sigmoidale. j∈N
În partea a doua se prezintă un rezultat de stabilitate exponenţială se scriu ecuaţiile pentru o celulă izolată
obţinut de cercetătorii L. Wang şi X. Zou în recenta lucrare [Wan02]. not
Condiţiile suficiente obţinute pentru stabilitatea exponenţială a soluţiei nu z&i (t ) = − ai z i (t ) + wii g (z i (t ) ) = p (z i (t ), t ), i = 1, m (3.5.6)
impun condiţia de simetrie a matricei conexiunilor, deci rezultatul obţinut este şi pentru sistemul de interconexiuni
valabil şi pentru cazul reţelelor neuronale asimetrice cu dinamica descrisă de
( ) ( )
not
qij z j (t ), t = wij g z j (t ) , i, j = 1, m , j≠i
modelul competitiv.
( ) ( ) (3.5.7)
m m
qi (z (t ), t ) = ∑ qij z j (t ), t = ∑ wij g z j (t ) , i = 1, m
j =1 j =1
j ≠i j ≠i
3.5. Funcţia Liapunov pentru reţele neuronale celulare
Condiţiile suficiente pentru stabilitatea exponenţială în mare a
Comportamentul calitativ al reţelelor neuronale celulare se poate echilibrului în origine au fost determinate din verificarea ipotezelor Teoremei
studia apelând la rezultatele de stabilitate obţinute pentru sistemele lui Michel [Mic74, Teorema 3], pe baza unei funcţii Liapunov de forma
interconectate. Ideea de bază [Wil72, Šil72, Mic74, Vid81] se rezumă la n
descompunerea sistemelor de ordin mare în subsisteme de ordin redus şi V ( z , ϕ ) = ∑ γ iVi ( z , ϕ ) , γ i > 0 , i = 1, m , unde Vi sunt funcţii Liapunov de tip
i =1
analiza acestora ca sisteme izolate, apoi determinarea unor condiţii care să
„formă pătratică plus integrala neliniarităţii” pentru subsistemele izolate. S-au
conserve stabilitatea, condiţii impuse structurii de interconexiuni. Toate
obţinut:
abordările acestei probleme se bazează pe proprietăţile funcţiei Liapunov.
a
Se consideră o reţea neuronală celulară cu conexiuni de reacţie şi cu - condiţia de amplificare mică wii < i ;
Li
modelul de control nul:
( )
x&i (t ) = − ai xi (t ) + ∑ wij f x j (t ) + I i (3.5.1)
- condiţia de pozitivitate a matricei S = s ij ( )
m× m
cu elementele:
j∈N
26 27
γ i ci 4 (ai − wii ) i= j Capitolul 4 - Prezenţa întârzierii în reţele neuronale şi fenomene
s ij = 1 induse de aceasta
(
− γ i ci 4 wij + γ j c j 4 w ji
2
) i≠ j
Necesitatea modelării fenomenului de propagare a semnalului la
unde ci 4 = (α i + β i Li ) , cu Li = 1 în cazul funcţiilor de activare uzuale pentru
nivelul sinapselor reţelelor neuronale biologice, pe de o parte şi viteza finită de
reţelele neuronale celulare.
comutare şi de transmitere a semnalelor în reţelele neuronale artificiale pe de
altă parte, impun introducerea în modelele matematice ale RNA a parametrilor
de întârziere. Marcus şi Westervelt [Mar89] au introdus pentru prima oară o
singură întârziere în ecuaţiile diferenţiale ale modelului Hopfield şi au observat
atât numeric cât şi experimental existenţa autooscilaţiilor chiar şi în cazul
matricei de conexiuni simetrice. Rezultatele au stimulat studiul
comportamentului dinamic al reţelelor neuronale artificiale în prezenţa
întârzierilor, considerându-se diferite modele matematice de RNA şi variate
tipuri de întârzieri.
Funcţiile neliniare fi, sunt funcţii sigmoidale (1.4), deci sunt mărginite - cu
domeniul de valori [-1, +1], monoton crescătoare şi global lipschitziene, adică
verifică inegalităţi de tipul (4.1.1.2).
f (σ 1 ) − f (σ 2 )
0≤ ≤L (4.1.1.2)
σ1 − σ 2
Comportamentul „aproape liniar” presupune existenţa unei soluţii
unice de regim permanent de acelaşi tip cu stimulul şi stabilitatea exponenţială
a acestei soluţii.
Studiul comportamentului RNA cu stimuli variabili în timp este
28 29
necesar şi justificat de realitatea mediului variabil pentru reţelele neuronale mică.
biologice modelate. Comportamentul „aproape liniar” al sistemului considerat
Pentru testarea rezultatelor obţinute s-a considerat o reţea neuronală
a fost verificat pentru termeni forţatori periodici şi aproape periodici, de aceea
tip Hopfield cu doi neuroni, verificând ipotezele teoremei
demonstraţia s-a bazat pe un rezultat al lui Halanay [Ha67] despre mulţimi
x&1 (t ) = −2 x1 (t ) − 2 f 1 (x1 (t − τ 11 ) ) − 3 f 2 (x 2 (t − τ 12 ) ) + sin(t ) + sin(πt )
invariante pentru curenţi în spaţiul Banach, în esenţă un caz special al (4.1.1.6)
teoremei mai generale a lui Kurzweil [Krz67] despre mulţimi invariante. S-a x& 2 (t ) = −5 x 2 (t ) − f 1 (x1 (t − τ 21 ) ) − 3 f 2 (x 2 (t − τ 22 ) ) + 2 cos(t )
ales ca spaţiu al stărilor spaţiul Hilbert M2 = R2 x L2(-τ, 0; Rm), unde cu stimuli periodici c2(t) şi aproape periodici c1(t) - Fig. 4.1.1, Fig. 4.1.2.
τ = max τ ij . Norma acestui spaţiu este: Simularea a fost realizată pe două seturi de valori pentru întârzieri:
i, j
0,5 0,4 1 0,8
1 T1 = şi T2 = 1,4 1,2 , al doilea set cu valori duble faţă de
0 2 2
0,7 0, 6
x = y + ∫ z (θ ) dθ (4.1.1.3)
−τ primele, conţinând şi valori supraunitare. Funcţiile de activare neliniare
unde x = (y, z(⋅)) este un element al M2: y∈ Rm, z∈ L2 (-τ, 0; Rm). utilizate sunt funcţiile tangentă hiperbolică din biblioteca MATLAB -
2 e t − e −t
Analiza a utilizat metoda frecvenţială Popov, proprietăţile de Simulink, f (t ) = tanh(t ) = − 1 = , cu domeniul de valori [-1, 1]
1 + e −2t e t + e −t
convergenţă cerute de lema Halanay rezultând pe baza unei inegalităţii în
şi constantele Lipschitz Li = 1, i =1, 2.
domeniul frecvenţei. S-a obţinut următorul rezultat:
32 33
z&i = −ai zi (t ) + wii g (zi (t − τ i ) ) condiţia de negativitate a derivatei funcţionalei de-a lungul soluţiilor sistemului
(4.1.2.3)
yi = z i se obţine aceeaşi condiţie de amplificare mică wii < ai obţinută şi cu criteriul
şi funcţia de transfer frecvenţial Popov şi restricţia
wii 2 2
H i ( jω ) = e − jωτ i
ai + jω
(4.1.2.4) 1
(α i + 1) 1 − 1 − wii < β i < 1 (α i + 1) 1 + 1 − wii (4.1.2.8)
2 ai ai 2 ai
1. Criteriul frecvenţial Popov
Teorema 4.1.2.1: Fie sistemul (4.1.2.3) cu funcţia de transfer (4.1.2.4) în Pentru determinarea condiţiilor asupra sistemului de interconexiuni se
următoarele ipoteze: consideră în continuare modelul matematic (scris în abateri) al întregii reţele
a) ai > 0 ; neuronale (4.1.2.2), pentru care se defineşte funcţionala Liapunov
n
b) funcţia neliniară g(σ) este global lipschitziană, verificând V ( z ,ϕ ) = ∑ γ iVi ( z,ϕ ) , γ i > 0 , i = 1, n (4.1.2.9)
g (σ 1 ) − g (σ 2 ) i =1
0≤ ≤ 1 , g (0) = 0 (4.1.2.5)
σ1 − σ 2 unde Vi ( z , ϕ ) are expresia (4.1.2.7). Se obţine următorul rezultat:
Atunci condiţia frecvenţială Popov
1 + Re [(1 + jωβ ) H i ( jω )] > 0 (4.1.2.6) Teorema 4.1.2.2 Fie sistemul (4.1.2.2) în următoarele ipoteze:
i) ai > 0;
cu β > 0 este îndeplinită şi celula izolată are un punct de echilibru care este
ii) funcţia neliniară g(σ) este global lipschitziană, verificând
asimptotic stabil, dacă sistemul verifică una dintre condiţiile:
i) wii ∈ (0, ai) şi β ∈ (0, 1/wii); g (σ 1 ) − g (σ 2 )
0≤ ≤ 1 , g (0) = 0
ii) wii ∈ (-ai, 0) şi β ∈ (-1/wii, +∞). σ1 − σ 2
iii) pentru fiecare subsistem izolat există o funcţională Liapunov Vi : R x L2
Rezultatul este independent de întârzieri şi impune restricţia de amplificare (-τi, 0; R) şi constantele αi > 0 şi βi > 0 astfel încât să fie îndeplinite
mică. condiţiile wii < ai şi (4.1.2.8);
2. Metoda funcţiei Liapunov iv) există constantele γ i > 0, i = 1, n astfel încât matricea simetrică
Continuarea analizei proprietăţilor calitative ale reţelei neuronale ( )
B = bij n× n
cu elementele
celulare ca ansamblu de subsisteme interconectate necesită abordarea
1 n 2 γ j (α j + 1) 2
stabilităţii unei celule izolate cu metoda Liapunov directă. bii = γ i β i − ∑
4 j =1
w ji
a j (α j + 1) − β j
Fie sistemul (4.1.2.3), se defineşte funcţionala Liapunov Vi pe spaţiul
R x L2 (-τi, 0; R) astfel: 1 n γ k (α k + 1) 2
0 z
bij = − ∑
4 j =1
wki wkj
ak (α k + 1) − β k
= b ji
Vi ( z ,ϕ ) = 12 α i z 2 + β i ∫ ϕ 2 (θ )dθ + ∫ g (σ ) dσ (4.1.2.7)
−τ i 0 să fie pozitiv definită.
Atunci originea este un echilibru exponenţial stabil în mare pentru sistemul
unde αi > 0 şi βi > 0 sunt parametri care se vor alege corespunzător. Din
(4.1.2.2) considerat.
34 35
xi (t ) − xi* ≤ e −σ 5t max sup Φ i ( s ) − xi* , i = 1, n (4.1.3.15)
1≤i ≤ n s∈[ −τ , 0 ]
atunci ecuaţia (4.1.3.1) are un punct de echilibru unic x*, şi există o constantă dxi m
= −ai xi − ∑ wij f j ( x j ) + I i , i = 1, m . (4.2.1.1)
σ5 > 0 astfel încât orice soluţie x(t) a ecuaţiei (4.1.3.1) cu condiţiile iniţiale dt 1
36 37
utilizate sunt funcţiile tangentă hiperbolică din biblioteca MATLAB -
dxi
( )
m
= −ai xi (t ) − ∑ wij f j x j (t − τ j ) + I i , i = 1, m (4.2.1.2)
dt 1 2 e t − e −t
Simulink, cu expresia f (t ) = tanh(t ) = −2t
−1 = t , având domeniul
Se consideră că sistemul descris de (4.2.1.1) şi fiecare echilibru asimptotic al 1+ e e + e −t
său au un comportament de tip gradient, şi ne propunem să determinăm o de valori [-1, 1] şi constantele Lipschitz Li = 1, i = 1, 2, 3. Prezentăm rezultatele
estimare a întârzierii admise pentru conservarea acestei comportări. simulării pentru cel de-al doilea caz. Se consideră sistemul
S-a obţinut următorul rezultat: x&1 = −6 x1 (t ) − 3 f 1 (x1 (t − τ 1 ) ) − f 2 (x 2 (t − τ 2 ) )
x& 2 = −5 x 2 (t ) − f 1 (x1 (t − τ 1 ) ) − 4 f 2 (x 2 (t − τ 2 ) ) − 2 f 3 (x3 (t − τ 3 ) )
Teorema 4.2.1 Fie o reţea neuronală recurentă descrisă de (4.2.1.2) în
următoarele ipoteze: x& 2 = −9 x3 (t ) + 2 f 1 (x1 (t − τ 1 ) ) + f 2 (x 2 (t − τ 2 ) ) − 3 f 3 (x3 (t − τ 3 ) )
a) valorile ponderilor wij sunt astfel încât acestea să descrie o matrice Întârzierea maxim admisă pentru conservarea stabilităţii asimptotice este
dublu dominantă; τ = 0,0038 sec. S-au ales τ 1 = 0,003 sec., τ 2 = 0,001 sec., τ 3 = 0,002 sec.
b) funcţiile neliniare ϕ j sunt global lipschitziene cu constantele Lj; Starea iniţială aleasă este x0 = [1 6 3] .
c) întârzierile τ i , i = 1, m verifică condiţia
min (ai )
maxτ i ≤
i m
m
m m
(4.2.1.3)
1 + ∑ Lk ∑ max wij ∑ L j a j + ∑ w jk
1 1 j 1 1
Fig. 4.2.3 Componentele stării pentru întârzieri τ1 = 0,03 sec, τ2 = 0,01 sec, τ3 = 0,02 sec.
Fig. 4.2.4.Componentele stării pentru întârzieri τ1 = 0,3 sec., τ2 = 0,1 sec., τ3 = 0,2 sec.
40 41
Capitolul 5 – Concluzii generale comportament de tip gradient);
− rezultatele s-au particularizat pentru cazul funcţiilor de activare cu
În teza de doctorat, cu titlul „PROBLEME CALITATIVE ÎN neliniarităţi mărginite şi pentru cazul reţelelor neuronale tip Hopfield cu
DINAMICA REŢELELOR NEURONALE”, s-a efectuat un studiu teoretic, modelul matematic în forma adecvată implementării hardware.
validat prin exemple şi simulări numerice, al comportamentului dinamic al
sistemelor neuronale neliniare. Nota de originalitate a prezentei lucrări este Paragraful 3.3 - Funcţia Liapunov în studiul stabilităţii memoriilor
dată de studiul reţelelor neuronale cu conceptele şi instrumentele teoriei asociative bidirecţionale
calitative a sistemelor cu mai multe echilibre şi ale teoriei calitative a − abordează stabilitatea memoriilor asociative bidirecţionale în cazul cel
sistemelor interconectate şi de rezultatele obţinute pentru reţele neuronale mai general, în care actualizarea stării neuronilor poate apare în orice
afectate de întârzieri. submulţime de neuroni şi eventual, simultan în ambele câmpuri
neuronale;
Contribuţii originale − funcţia Liapunov utilizată, diferită de cele existente în literatură pentru
studiul BAM, este de tip energia semnalului şi este aleasă astfel încât
Paragraful 3.2 - Metoda funcţiei Liapunov pentru reţele neuronale
rezultatele de stabilitate să includă cazul asincron general al
privite ca sisteme cu mai multe stări de echilibru
modificărilor stărilor neuronilor în reţea;
− studiul comportamentului calitativ al reţelelor neuronale în cadrul de
− rezultatul principal se bazează pe proprietăţile modelului şi
lucru al teoriei calitative a sistemelor cu mai multe stări de echilibru a
particularităţile funcţiei de activare care permit determinarea unor
condus la obţinerea unui comportament calitativ nou, dezirabil pentru
valori de prag ale funcţiei de activare (de tip prag binar) care să nu
reţelele neuronale: comportamentul de tip gradient;
poată fi niciodată atinse; aceasta permite mai departe o caracterizare mai
− determinarea funcţiei Liapunov s-a bazat pe rezolvarea unor ecuaţii de tip nuanţată a proprietăţilor funcţiei Liapunov şi a rezultatelor de stabilitate a
Lurie, existenţa soluţiilor acestor ecuaţii fiind asigurată de inegalitatea reţelei care derivă de aici;
Popov în domeniul frecvenţei; inegalitatea în domeniul frecvenţei
− alegându-se acelaşi exemplu numeric ca în [Kos92, pg. 65] (matricea
utilizată conţine multiplicatori de tip PI cu forma 1+β(iω)-1 în locul conexiunilor W, vectorul care codifică forma de intrare şi starea iniţială a
multiplicatorului uzual tip PD, cu expresia 1+β(iω); neuronilor), dar pentru funcţii de activare a căror valoare de prag nu poate
− restricţiile obţinute au condus la impunerea unei condiţii de simetrie a fi atinsă, se identifică două situaţii distincte în funcţie de momentul
matricei Q(C*A-1B)-1, diferită de ipoteza decuplării statice ck* A −1b j = 0 , apariţiei tranziţiei în starea neuronului şi se discută fiecare caz în parte;
astfel s-a obţinut că pentru condiţiile date, indiferent de modul în care
∀ k ≠ j utilizată în [Ha91];
neuronii aleg să-şi actualizaze starea la un moment dat, reţeaua converge
− funcţia Lipunov astfel determinată este complet diferită de uzuala funcţie
către acelaşi echilibru;
energie a reţelelor neuronale;
− în alegerea politicii de actualizare a stărilor neuronale din exemplele
− relaxarea restricţiilor impuse sistemului, posibilă prin alegerea
numerice prezentate ne-am ghidat după următoarea idee plauzibilă fizic:
corespunzătoare a informaţiei privind neliniarităţile (la noi monotone şi
neuronii a căror valoare de actualizare este doar cu o cantitate mică
de pantă restrictivă), a permis stabilirea unui comportament calitativ nou
superioară valorii pragului (ex. yi = 1 > 0,5 = Vi ) vor decide mai greu
al reţelelor neuronale analogice studiate (s-au formulat condiţii
suficiente atât pentru un comportament dihotomic, cât şi pentru un modificarea stării lor din pasiv în activ (în sensul că orice sistem tinde
42 43
către o stare de repaus); valorile suficient de depărtate de valoarea de Paragraful 4.1.2 - Criterii de stabilitate pentru reţele neuronale celulare
prag, indiferent de semnul lor, vor conduce la actualizări imediate; s-a cu întârzieri
ţinut cont de întârzierile de transmitere ale semnalului între cele două − extinde rezultatele paragrafului 3.5 pentru cazul reţelelor neuronale
câmpuri de neuroni. celulare cu întârzieri;
− înscriindu-se în cadrul de lucru al teoriei calitative a sistemelor
Paragraful 3.5 - Funcţia Liapunov în stabilitatea reţelelor celulare interconectate, studiul cuprinde două etape:
− abordează studiul stabilităţii unei reţele neuronale celulare în cadrul de 1) determinarea unor condiţii suficiente de stabilitate pentru o celulă
lucru al teoriei calitative a sistemelor interconectate [Wil72, Šil72, izolată; s-au utilizat două abordări: criteriul Popov în domeniul frecvenţei
Mic74, Vid81]. şi metoda Liapunov directă, determinându-se o funcţională Liapunov
− rezultatul obţinut este o consecinţă a Teoremei 3 din [Mic74] adaptată (diferită de formele clasice găsite în literatură) ataşată modelului celulei
particularităţilor sistemului studiat; izolate; ambele metode au condus la aceleaşi restricţii, independente de
− s-au obţinut condiţii suficiente pentru stabilitatea exponenţială a soluţiei întârzieri, asupra parametrilor celulei;
ai 2) determinarea unor restricţii asupra sistemului de interconexiuni care
sistemului studiat: condiţia de amplificare mică wii < , şi condiţia de să conserve stabilitatea celulelor izolate obţinută în prima etapă;
Li
utilizându-se o funcţională Liapunov derivată din cea determinată pentru
pozitivitate impusă matricei S.
celula izolată s-au determinat condiţii suficiente de stabilitate
exponenţială în mare pentru reţele celulare afectate de întârzieri.
Paragraful 4.1.1 - Comportament „aproape liniar” pentru reţele
neuronale de tip Hopfield afectate de întârzieri
Paragraful 4.2.1 - Comportament de tip gradient pentru reţele
− studiază reţelele neuronale tip Hopfield cu stimuli variabili, de tip
neuronale tip Hopfield cu întârzieri
periodic şi/sau aproape periodic, în prezenţa întârzierilor;
− continuă studiul început în paragraful 3.2. - unde s-au determinat condiţii
− s-au obţinut condiţii suficiente pentru un comportament „aproape liniar”
suficiente pentru un comportament de tip gradient al reţelelor neuronale,
al sistemului studiat, în sensul existenţei unei soluţii unice de regim
cu particularizare pentru cazul neliniarităţilor mărginite şi cazul
permanent de acelaşi tip cu stimulul şi stabilitatea exponenţială a acestei
reţelelor neuronale tip Hopfield;
soluţii;
− scopul analizei este de a se determina o estimare a întârzierii admise
− analiza s-a bazat pe un rezultat al lui Halanay [Ha67] despre mulţimi
pentru conservarea comportamentului de tip gradient obţinut pentru
invariante pentru curenţi în spaţiul Banach, un caz special al teoremei
reţelele neuronale tip Hopfield în absenţa întârzierilor;
mai generale a lui Kurzweil [Krz67] despre mulţimi invariante;
− se utilizează o nouă abordare: metoda bazată pe principii de comparaţie,
− proprietăţile de convergenţă cerute de Lema Halanay au fost obţinute pe
restricţiile vizând atât parametrii reţelei, cât şi întârzierile;
baza unei inegalităţii tip Popov în domeniul frecvenţei;
− prima condiţie, de dublă dominanţă a matricei conexiunilor sinaptice,
− rezultatele sunt independente de întârzieri şi au fost testate pe o reţea
este rezultatul adaptării şi generalizării inegalităţii de rearanjare No. 368
neuronală tip Hopfield cu doi neuroni.
din lucrarea clasică a lui Hardy, Littlewood şi Polya [Har34];
− a doua condiţie, impusă întârzierilor care trebuie să fie suficient de mici
pentru a conserva stabilitatea asimptotică, este o consecinţă directă a
44 45
lemei tehnice a lui Halanay [Ha63] utilă în demonstraţia rezultatului Bibliografie (extras)
principal;
− metoda de comparaţie în forma adecvată o găsim aplicată într-o lucrare a [Bél93] – Bélair, J. – “Stability in a model of delayed neural network”, Journal
lui V.M. Popov, însă pentru un model fără întârzieri, de formă of Dynamics and Differential Equations, vol. 5, pp. 607-623, 1993.
asemănătoare cu cel discutat în paragraful 4.2.1; diferenţa între acesta şi
[Cao96] – Cao, Y.J., Q.H. Wu – “A note on stability of analog neural
cel studiat de noi este că ultimul este un sistem cu convoluţie care include
networks with time delays”, IEEE Transactions on Neural Networks,
cazul întârzierilor - în aceste circumstanţe condiţia de întârzieri mici
vol. 7, pp. 1533-1535, 1996.
poate fi eliminată.
[Chu88] – Chua, L., L. Yang – “Cellular neural networks: theory and
applications”, IEEE Trans. Circuits and Systems, vol. CAS-35, pp.
Autoarea doreşte să-şi exprime recunoştinţa faţă de conducătorul 1257-1290, 1988.
ştiinţific – Prof. dr. ing. Vladimir Răsvan, pentru atenta îndrumare în perioada
[Chu93a] – Chua, L., T. Roska –“ The CNN paradigm”, IEEE Trans. Circuits
de elaborare a tezei de doctorat. Cercetările şi rezultatele prezentate în
and Systems I – Fundamental Theory and Applications, vol. 40, pp.
această teză au fost posibile şi datorită competenţei şi atmosferei de lucru pe
147-156, 1993.
care domnia sa a imprimat-o colectivului pe care-l conduce.
Mulţumesc tuturor colegilor din cadrul Departamentului de [Chu93b] – Chua, L., T. Roska, P. Venetianer –“The CNN is universal as the
Automatică şi Mecatronică şi din cadrul Facultăţii de Automatică, Electronică Turing machine”, IEEE Trans. Circuits and Systems I – Fundamental
şi Calculatoare din Craiova pentru sugestiile şi sprijinul moral acordat pe Theory and Applications, vol. 40, pp. 289-291, 1993.
parcursul elaborării tezei.
[Coh83a] – Cohen, M. A., S. Grossberg – “Absolute stability of pattern
formation and parallel storage by competitive neural networks”, IEEE
Trans. Systems, Man, Cybernet., vol. SMC-13, pp. 815-825.
[Coh83b] – Cohen, M. A., S. Grossberg – “Some global properties of binocular
resonances: Disparity metching, filling-in, and figure ground
systhesis”, în Figural Synthesis, Ed. T. Caelli and P. Dodwell,
Hillsdale, NJ: Erlbaum Press, 1983.
[Dah95] – Dahanayake, B.W., A.R.M. Upton – “Learning with easy:
Smart neural nets”, Proc. of Internat. Conf. on Neural Networks
ICNN’95, Australia, 1995.
[Dan98] – Danciu, D. – “Stability of a Bidirectional Associative Memory
System”, International Symposium on System Theory, Robotics,
Computers & Process Informatics SINTES 9, pp. 54-59, Craiova,
1998.
[Dan00] – Danciu, D., Vl. Rasvan – “On Popov-type stability criteria for
46 47
neural networks”, Electronic Journal on Qualitative Theory of with transmission delays”, Physica D., vol. 76, 344-358, 1994.
Differential Equations EJQTDE, Proc. 6th Coll. QTDE 2000, No. 23.
[Ha63] – Halanay, A. - Ecuaţii diferenţiale. Stabilitate. Oscilaţii. Întârzieri.,
[Dan01a] – Danciu, D., Vl. Rasvan – “Steady State “Almost Linear” Editura Academiei, Bucharest, 1963.
Behavior of Delayed Hopfield Type Neural Networks”, 13 th
[Ha67] – Halanay, A. – “Invariant manifolds for systems with time lag” –
International Conference on Control Systems and Computer
Differential and dynamical systems, (Hale & La Salle Eds.), Acad.
Science CSCS13, pp. 210-213, Bucureşti, 2001.
Press, New York, pp. 199-213, 1967.
[Dan01b] – Danciu, D., Vl. Rasvan – “Stability Criteria for Cellular
[Ha91] – Halanay, A., Vl. Rasvan – “Absolute stability of feedback systems
Neural Networks”, The 11 th International Symposium on
with several differentiable non-linearities” – Int. Journ. Systems Sci.,
Modeling, Simulation and System’s Identification SIMSIS 11, pp.
vol. 22, no. 10, pp. 1991-1927, 1991.
211-213, Galati, 2001.
[Ha93] – Halanay, A., Vl. Rasvan - Applications of Liapunov Methods to
[Dan01c] – Danciu, D., Vl. Rasvan – “Gradient-Like Behaviour for
Stability, Kluwer Academic, 1993.
Hopfield-Type Neural Networks with Delay”, The Thrid International
Workshop on Intelligent Control Systems ICS’2001, Bucureşti, 2001. [Ha00] – Halanay, A., Vl. Rasvan – “Oscilations in Systems with Periodic
Coefficients and Sector-restricted Nonlinearities. Operator Theory.
[Dan02a] – Danciu, D., – “Time Delays and Oscillations in Neural
Advances and Applications.”, vol. 117, Birkhauser Verlag, Basel, pp.
Networks”, Buletinul Ştiinţific al Universităţii „Politehnica” din
141-154, 2000.
Timişoara, Seria Automatică şi Calculatoare, vol. 47 (61), pp. 131-
134, Timişoara, 2002. [Hal69] – Hale, J.K. - Ordinary Differential Equation, New York: Wiley-
Interscience, 1969.
[Dan02b] – Danciu, D., – “Qualitative Behaviour of the Time-Delay
Hopfield-type Neural Network with Periodically Varying Stimuli”, [Hal77] – Hale, J.K. - Functional Differential Equations, Springer Verlag,
Analele Universităţii din Craiova, nr.26, 2002 (sub tipar). 1977.
[DeW95] – DeWilde, Ph. – “Neural Network Models”, Lecture Notes in [Har34] – Hardy G.H., J.E. Littlewood, G. Polya - Inequalities, Cambridge
Control and Information Sciences, no. 210, Springer-Verlag, 1995. Univ. Press, 1934.
[Dri98] - Driessche van den, P., X. Zou – “Global attractivity in delayed [Hay94] – Haykin, S. – Neural Networks, a Comprehensive Foundation,
Hopfield neural network models”, SIAM Journal Appl. Math., vol. 58, Macmillan, N.Y., 1994.
pp. 1878-1890, 1998. [Hir88] – Hirsch, M.W. – “Stability and convergence in strongly monotone
[Gel68] – Gelig, A. Kh. – “Stability of controlled systems with bounded dynamical systems”, J. reine angew. Math., 383, pp. 1-53, 1988.
nonlinearities”, Autom. Remote Control, pp. 1724-1731, 1968. [Hop82] – Hopfield J. J. – “Neural networks and physical systems with
[Gel78] – Gelig, A. Kh., G.A. Leonov, V.A. Yakubovich – Stability of emergent collective computational abilities”, Proc. Nat. Acad. Sci.
nonlinear systems with non-unique equilibrium state, [în rusă]. Nauka U.S.A., vol. 79, pp. 2554-2558, 1982.
Publ. House, Moscova, 1978. [Kal57] – Kalman, R.E. – “Physical and mathematical mechanisms of
[Gop94] – Gopalsamy, K., X.Z. He – “Stability in asymmetric Hopfield nets instability in nonlinear automatic control systems”, Trans. Amer. Soc.
48 49
Mech. Eng., 79(3), 1957. [Nol95] – Noldus, E., M. Loccufier – “An application of Liapunov’s method
for the analysis of neural networks”, Journ. of Comp. and Appl.
[Kos88] – Kosko, B. – “Bidirectional associative memories”, IEEE Trans.
Math., vol. 50, pp. 425-432, 1995.
Systems, Man, Cybernet., vol. SMC-18, pp.42-60, 1988.
[Pop79] – Popov, V.M. – “Monotonicity and Mutability”, Journal of
[Kos92] – Kosko, B. – Neural Networks and Fuzzy Systems, Prentice-Hall
Differential Equations, vol. 31, no. 3, pp. 337-358, 1979.
International, (UK) Limited, London, 1992.
[Pop81] - Popov, V.M. – “Monotone-Gradient Systems”, Journ. of Differ.
[Krz67] – Kurzweil, J. – “Invariant manifolds for flows”, Differential and
Equations, vol. 41, no. 2, pp. 245-261, 1981.
dynamical systems, [Hale & La Salle Eds.], Acad. Press, New York,
pp. 431-468, 1967. [Răs75] – Răsvan, Vl. – Stabilitatea absoluta a sistemelor automate cu
întârziere, Ed. Academiei, Bucuresti, 1975.
[Li892] – Liapunov, A.M. – Problema generală a stabilităţii mişcării, Harkov,
1892. [Răs87] – Răsvan, Vl. – Teoria stabilităţii, Ed. Ştiinţifică şi Enciclopedică,
Bucureşti, 1987.
[LaS67] – LaSalle, J.P. – “An invariance principle in the theory of stability” in
Differential Equations and Dynamical Systems, pp. 277-286. Ed. J.K. [Răs98] – Răsvan, Vl. – “Dynamical Systems with Several Equilibria and
Hale si J.P. LaSalle, Academic Press, New York, 1967. Natural Liapunov Functions”, Archivum mathematicum, tomus 34, no.
1 [Equadiff 9], pp. 207-215, 1998.
[LaS68] - LaSalle, J.P. – “Stability Theory for Ordinary Differential
Equations”, Journal of Differ. Equations, vol. 4, no. 1, pp. 57-65, [Răs02] – Răsvan, Vl. – “Popov Theories and Qualitative Behaviour of
1968. Dynamic and Control Systems”, European Journ. on Control, vol.8,
nr.3, pp. 190-199, 2002.
[Leo92] – Leonov, G.A., V. Reitmann, V.B. Smirnova – Non-local methods
for pendulum-like feedback systems, Teubner Verlag, Leipzig, 1992. [Šil72] – Šiljak, D.D. – “Stability of large-scale systems”, Proc. Fifth World
Congres of IFAC (Session 9, Nonlinear Systems), Paris, 1972.
[Mar89] – Marcus, C.M., R.M. Westervelt – “Stability of analog neural
networks with delay”, Phys. Rev. A., vol. 39, pp. 347-359, 1989. [Tso94] – Tsoi, A.C., Back A.D. – “Locally Recurrent Globally Feedforward
Networks: A Critical Review of Architectures”, IEEE Trans. on
[McC43] – McCulloch, W. S., W. Pitts – “A Logical Calculus of the Ideas
Neural Networks, vol. 5, no. 2, pp. 229-239, 1994.
Immanent in Nervous Activity”, Bulletin of Mathematical Biophysics,
vol. 5, pp. 115-133, 1943. [Vid81] – Vidyasagar, M. – “Input-Output analyssis of Large Scale
Interconnected Systems”, LNCIS, vol. 29, Springer Verlag, 1981.
[Mic74] – Michel A. – “Stability analysis of interconnected systems”, SIAM J.
Control, vol. 12, no. 3, pp. 554-579, 1974. [Wan02] – Wang, L., X. Zou – “Exponential stability of Cohen-Grossberg
neural networks”, Neural Networks, vol. 15, pp. 415-422, 2002.
[Mos67] – Moser, J. – “On nonoscillating networks”, Quart. Appl. Math. vol.
25, pp. 1-9, 1967. [Wil72] – Willems, J.C. – “Dissipative dynamical systems I, II”, Arch.Rat.
Mech. Anal. vol. 45, pp. 321-393, 1972.
[Nol94] – Noldus, E., R.,Vingerhoeds, M. Loccufier – “Stability of analogue
neural classification networks”, Int. Journ. Systems Sci., vol. 25, no. 1,
pp. 19-31, 1994.
50 51