《Design and Analysis of New Zeroing Neural Networks with Improved Finite-Time Convergence for Time-Varying Reciprocal of Complex Matrix》这篇论文中提出了一个新的激活函数，相对比初始的SBP非线性激活函数多了1/2x，相对比SBP激励函数，这个新的激励函数能够更快的收敛到理论解。激活函数如下图所示：
在《Finite-Time Stability and Its Application for Solving Time-Varying Sylvester Equation by Recurrent Neural Network》中解释了上面的新的激活函数，这篇文章还提出了一种可调激活函数，其具有三个可调正参数用于递归神经网络。这些参数不仅有助于减少收敛时间上限的保守性，加速收敛，而且还降低对加性噪声的敏感性。初始的SBP激励函数和上面的一样。
当||x||> 1时，项
可以确保||x||收敛到1；当||x||< 1时，项
可以确保||x||收敛到0. 然而，在《Accelerating a Recurrent Neural Network to Finite-Time Convergence for Solving Time-Varying Sylvester Equation by Using a Sign-Bi-power Activation Function》中没有项的情况下获得收敛时间的上界，这使得预计算更加保守。所以给出了一个新的有限时间稳定性判据和一个不太保守的收敛时间上界。其次，提出了以下具有线性项的SBP激活函数：
当||x||> 1时，线性项
和非线性项
可以加速||x||收敛到1；当||x||< 1时，线性项和非线性项
项可以加速||x||收敛到0. 可调激活函数如下所示：
其中k1，k2和k3是可调正参数。这些参数不仅有助于减少收敛时间上限的保守性，加速收敛而且还降低对加性噪声的敏感性。当||x||> 1时，参数k3控制收敛时间；当||x||< 1时，参数k2控制收敛时间；k2负责降低对加性噪声的敏感性。