• 전기학회논문지
• /
• 제57권11호
• /
• pp.2066-2073
• /
• 2008

In this paper, the problem of global asymptotic stability of uncertain stochastic neural networks with delay is considered. The delay is assumed to be time-varying and belong to a given interval. Based on the Lyapunov stability theory, new delay-dependent stability criteria for the system is derived in terms of LMI(linear matrix inequality). Three numerical examples are given to show the effectiveness of proposed method.

• 한국마린엔지니어링학회:학술대회논문집
• /
• 한국마린엔지니어링학회 2002년도 춘계학술대회논문집
• /
• pp.233-238
• /
• 2002

This paper propose the construction of fault diagnosis engine for diesel generator engine and rule inference method to induce rule for fuzzy inference from the monitored data of diesel engine. The proposed fault diagnosis system is constructed the Malfunction Diagnosis Engine(MDE) and Hierarchy of Malfunction Hypotheses(HME), It is Proposed the rule reduction method of knowledge base for concerning data among the various analog data.

• 전기학회논문지
• /
• 제66권1호
• /
• pp.171-178
• /
• 2017

This paper studies the state estimation problem for static neural networks with time-varying delay. Unlike other studies, the controller scheme, which involves time-varying sampling and uncertainties, is first employed to design the state estimator for delayed static neural networks. Based on Lyapunov functional approach and linear matrix inequality technique, the non-fragile sampled-data estimator is designed such that the resulting estimation error system is globally asymptotically stable with $H_{\infty}$ performance. Finally, the effectiveness of the developed results is demonstrated by a numerical example.

• 조명전기설비학회논문지
• /
• 제17권1호
• /
• pp.31-36
• /
• 2003

본 논문은 GIS내 파티클에 의해 발생한 부분방전 신호에 대한 정량적 분석 및 상태에 따른 패턴인식에 관하여 설명하였다. GIS내 파티클의 상태를 4가지로 모의하여 각각의 경우에 부분방전 신호를 계측한 후 Ф-Q-N분포로 나타내었고, 다시 Ф-Q분포, Ф-Qm분포, Ф-N분포, Ф-N분포로 나타내었다. 각각의 분포는 통계적 연산자에 의해 정량화 하여 분석하였고, 또한 연산자들을 패턴인식을 위한 입력데이터로 이용하여 수행하였다. 그 결과 파티클의 상태에 따른 분포 형태는 파티클의 상태에 따라 서로 다른 특성을 나타냈었으며, 또한 뉴럴 네트웍을 이용한 패턴 인식의 결과는 약92〔%〕였으며 연산자들의 입력 데이터가 많을수록 더 정확한 결과가 나타났다.