Zaman gecikmeli cohen-grossberg yapay sinir ağlarının robust kararlılık analizi
2022
0 views
0 downloads
Advisor: Doç. Dr. Özlem Faydasıçok
Abstract (TR)
Bu tez çalışması kapsamında, çoklu zaman gecikmesine sahip Cohen-Grossberg yapay sinir ağlarının global asimtotik robust kararlılık özellikleri analizi edilmiştir. Bu yapay sinir ağı modelinde nöron aktivasyonlarının, türevi sınırlı azalmayan aktivasyon fonksiyonları sınıfına ait olduğu varsayılmıştır. Ayrıca tanımlanan alt ve üst sınırlar içerisinde, sistemdeki ağ parametrelerinin belirsiz olduğu kabul edilmiştir. Bu varsayımlar altında öncelikle homeomorfizm teoremi kullanılarak zaman gecikmesinden bağımsız biçimde sadece ağ parametrelerine bağlı olarak denge noktasının varlığını ve tekliğini sağlayan yeni yeterli koşullar elde edilmiştir. Sonrasında Lyapunov kararlılık teoreminden faydalanılarak, elde edilen yeni yeterli koşulların aynı zamanda sistemin denge noktasının global asimtotik robust kararlılığını sağladığı gösterilmiştir. Son olarak, bu koşulların literatürde benzer varsayımlar altında elde edilmiş sonuçlara göre üstünlüklerini göstermek amacıyla sayısal örnekler kullanılarak bazı karşılaştırmalar yapılmıştır.
Author
Dr. Muhammet Mert Ketencigil
Institution
How to Cite
Muhammet Mert Ketencigil (Yüksek Lisans Tezi). Zaman gecikmeli cohen-grossberg yapay sinir ağlarının robust kararlılık analizi, 2022, İstanbul University.
License
Tüm Hakları Saklıdır
This work is shared under the specified license terms.
More theses from İstanbul University
- In the covid 19 pandemic of female employees at a university hospital attitudes and affecting factors in nutrition of 9 months-6 years old children(2022)
- Türkiye'de sağ akımların 27 Mayıs Darbesi'ne dair algısı: 1960-1980(2020)
- La Turquie Gazetesi'nin 1890 yılı haberlerine göre: Osmanlı Devleti'nde iktisadi ve sosyal hayat (Fihrist-çeviri-değerlendirme)(2022)
- Emevîler döneminde toprak rejimi(2022)
- Merkel hücreli karsinomda tanısal ve prognostik belirteçler(2022)
- Solunum sistemi hastalıklarının sınıflandırılmasında makine öğrenmesi yöntemlerinin kullanımı(2021)