时序分数阶 memristive Hopfield 神经网络的鲁棒同步

本文研究了具有 memristive 耦合和赫伯学习规则的时序分数阶 Hopfield 神经网络的鲁棒同步问题。这种新的人工神经网络模型在学习过程中表现出强大的记忆性和长程路径依赖性。通过缩放组估计法，在较为宽泛的假设下，我们证明解的动力学具有全局耗散性。所建立的主要结果在脑神经元耦合强度系数满足一定条件时，即可实现神经网络的鲁棒同步。同步阈值可明确计算于原参数之中，且随着分数阶 $\alpha \in (0, 1)$ 的增大而严格减小。