Long-Short Term Memory Neural Network Stability and Stabilization using Linear Matrix Inequalities

Shankar A. Deka, Dušan M. Stipanović, Boris Murmann, Claire J. Tomlin

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

Abstrakti

A global asymptotic stability condition for Long Short-Term Memory neural networks is presented in this paper. A linear matrix inequality optimization problem is used to describe this global stability condition. The linear matrix inequality formulation can be viewed as a way for stabilization of Long Short-Term Memory neural networks since the networks' weight matrices and biases can be essentially treated as control variables. The condition and how to compute numerical values for the weight matrices and biases are illustrated by some examples.
AlkuperäiskieliEnglanti
Otsikko2019 IEEE International Symposium on Circuits and Systems (ISCAS)
KustantajaIEEE
Sivut1-4
Sivumäärä4
ISBN (painettu)978-1-7281-0397-6
DOI - pysyväislinkit
TilaJulkaistu - 29 toukok. 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaIEEE International Symposium on Circuits and Systems - Sapporo, Japan, Sapporo, Japani
Kesto: 26 toukok. 201929 toukok. 2019

Conference

ConferenceIEEE International Symposium on Circuits and Systems
LyhennettäISCAS
Maa/AlueJapani
KaupunkiSapporo
Ajanjakso26/05/201929/05/2019

Sormenjälki

Sukella tutkimusaiheisiin 'Long-Short Term Memory Neural Network Stability and Stabilization using Linear Matrix Inequalities'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä