时滞忆阻神经网络的镇定及同步控制研究

发布时间：2020-10-15 04:30

　　 来,随着忆阻理论的不断发展及其在各个领域中的广泛应用,基于忆阻建模的神经网络的动力学研究逐渐成为神经网络研究领域的新热点。忆阻器是具有记忆功能的非线性电阻,具有非易失性和纳米结构特性。神经生理学的研究结果表明忆阻器具备模拟大脑神经元突触的学习能力,因此更适合于替代电阻构建人工神经网络。忆阻器的引入极大地丰富了神经网络的动力学,为神经网络的理论及应用研究带来了新的机遇和挑战。因此,深入研究忆阻神经网络的动力学特性及其控制问题是一项十分有意义的研究工作。本文根据忆阻神经网络电路实现中电容的性质,将忆阻神经网络分为整数阶忆阻神经网络(Integer-order Memristive Neural Networks,IMNNs)和分数阶忆阻神经网络(Fractional-order Memristive Neural Networks,FMNNs),并分别对其动力学及控制展开了研究。值得指出的是,忆阻神经网络本质上是一类状态依赖的切换系统,由右端不连续的微分方程描述,传统的连续微分方程解的定义将不再适用。因此,本文利用微分包含和集值映射理论,在Filippov解的意义下研究忆阻神经网络的镇定与同步问题。本文的主要研究内容如下:(1)研究了切换事件触发控制下时滞IMNNs的镇定问题。首先,通过分析传统事件触发方案的优缺点,提出了一种基于指数衰减的切换事件触发机制。这种新的事件触发机制能够在降低数据传输频率的同时兼顾系统的性能要求。然后,根据事件触发机制的特点,设计了时间依赖的分段李雅普诺夫泛函,结合区间矩阵法给出了反馈增益矩阵和触发参数的联合设计方案。稳定性分析表明闭环系统能够实现全局渐近稳定。数值仿真表明所建立的事件触发机制和全局镇定结果优于现有的一些工作。(2)研究了非周期间歇控制下时滞IMNNs的准同步问题。考虑了传感器失败情况下，反馈信号中断或不完全可测的问题,设计了非周期间歇控制器以保证控制精度。首先,为了描述驱动和响应系统之间忆阻连接权重异步切换的情况,提出了异步切换时间区间的概念。然后,分别建立了两个关于矩阵p-范数的估计和两个微分不等式,结合矩阵测度法给出了准同步准则以及预估误差的表达式。稳定性分析表明误差系统最终收敛到一个以原点为中心的有界闭区域内。数值仿真表明所设计控制器及所建立的准同步判据的有效性。(3)建立了一类具有不连续忆导函数的3D-FMNN模型并对其进行了非线性动力学分析。定性分析了分数阶及切换阈值对系统非线性动力学行为的影响,明确了系统依赖于·分数阶、忆导值及切换阈值的动力学分岔行为。研究结果表明不同于传统的倍周期分岔,该系统通向混沌的道路为切分岔,系统会表现出阵发混沌等动力学现象。(4)研究了在连续时间控制下时滞FMNNs的准同步问题。首先,提出了一个新的关于Mittag-Leffler函数的估计引理,该引理解决了同步误差的估计问题,扩展了Mittag-Leffler函数的应用范围。然后,通过选择合适的分数阶李雅普泛函并结合最大值法、区间矩阵法,建立了保证FMNNs的准同步判据,明确了同步误差上界与反馈增益以及参数不匹配程度的关系。数值分析表明所建立的准同步判据优于现有的一些工作。(5)研究了量化控制下时滞FMNNs的完全同步问题。首先,考虑到现有的分数阶李雅普诺夫泛函对时滞分数阶非线性系统不能建立LMI稳定性判据的缺陷性,建立了新的分数阶李雅普诺夫泛函。然后,设计了量化状态反馈控制器和量化耦合状态反馈控制器,结合新的分数阶李雅普诺夫泛函,建立了量化控制器参数与反馈控制增益的联合设计方案,实现了误差FMNNs系统的全局渐近稳定。数值仿真表明所设计的量化控制器及同步判据的有效性。
【学位单位】：山东科技大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TN60;TP183
【部分图文】：

山东科技大学博士学位论文?１绪的信息，简化了处理过程；（３）设计了时间依赖的分段李雅普诺夫泛函，该泛函在切换时??刻ｔ是不增加的，并且不要求其在所有的匕乂＋１）内触发区间保证＾／）＜〇。最后，数值仿??真表明所建立的事件触发机制和全局镇定判据的相关结果优于现有的一些工作。???、、?、、?，?－?、、?＾??

Ｊ－１．５，?｜ｘ，｜＜０．８?Ｊ－３．６，?｜ｘ２｜＜０．８??２１?⑷一｜—１．７，?｜ａ｜＞０．８’￣?＾?３．８，?｜七＞０．８’??〔１＝３．３８＇２＝２，激活函数／）〇７）?＝?＆〇；）?＝?＾＾（巧），１＾）?＝?（０．８６，－０．５）７４６［—１，０］＜＞图２．２显示了??系统（２．１）的时域响应图，明显可以看出原系统是不稳定的。??根据算例的参数，可以得到＂＝〇．２５了?＝?１，１?＝?＜１化（１，１），从＝￡１一（１，１）。同时，基于引理??２．２－２．４计算可得??ａ（Ａ）?＝?ｍｉｌｄｅｒ，?（＾），ａ２（＾），〇－３（＾）｝?＝?ｍｉｎ?｛５．００２３，５．７８８５，５．０１７１｝?＝?５．００２３，??ｃ（５）?＝?ｍｉｎ＾?（５），％?（５），ｃｔ３（５）｝?＝?ｍｉｎ｛４＿８７３２，５．０３０６，４．８６０５｝?＝?４．８６０５，??＿「２．１２５?－２．１］?＿ｒＶ〇．１１５?〇?〇??Ａ?１－３．９?－２．７＼

?６６?０．１５１５?０．３５??选定仿真时间７＼ｉｍｅ＝ｌ〇ｓ，／ｒ代表触发次数，ａｒ代表平均释放周期，叫代表最大释放周??期。由图２．３可以看出，基于ＩＭＭ法获得的状态响应优于ＬＳＦＭ结果，并且触发次数／产６６??小于基于ＬＳＦＭ的＾＝７８次。相较与ＬＳＦＭ，基于ＩＭＭ方法的事件触发次数减少了?１５％。??由表２．１可以看出，在仿真时间相同和反馈增益欠相同的情况下，平均释放周期士和最??大释放周期％均有所提高。因此
【相似文献】

相关期刊论文 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期

3 王方;苗放;陈垦;;基于优化神经网络的地质灾害监测预警仿真[J];计算机仿真;2019年11期

4 马猛;王明红;;基于进化神经网络的304不锈钢车削加工表面粗糙度预测[J];轻工机械;2019年06期

5 庄连生;吕扬;杨健;李厚强;;时频联合长时循环神经网络[J];计算机研究与发展;2019年12期

6 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期

7 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期

8 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期

9 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期

10 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期

相关博士学位论文 前10条

1 武晨;DFP航天器动力学特性分析及精确控制方法研究[D];哈尔滨工业大学;2018年

2 冉令燕;基于卷积神经网络的图像分类研究[D];西北工业大学;2018年

3 于佳;语音文档的故事分割技术研究[D];西北工业大学;2018年

4 毛瑞琛;深度神经网络下的规范化地址建设与语义空间模型研究[D];浙江大学;2019年

5 杨旭辉;基于神经网络的C-ADS InjectorⅡ束流偏移校准技术研究[D];兰州大学;2019年

6 樊英杰;时滞忆阻神经网络的镇定及同步控制研究[D];山东科技大学;2019年

7 肖理业;基于机器学习的电磁场建模与设计研究[D];电子科技大学;2019年

8 陈涵瀛;核电站热工水力系统工况预测与诊断方法研究[D];哈尔滨工程大学;2018年

9 梁智杰;聋哑人手语识别关键技术研究[D];华中师范大学;2019年

10 刘昂;微结构硅基光子学器件性能的研究[D];南京大学;2019年

相关硕士学位论文 前10条

1 焦东岩;卷积神经网络在密度泛函结构预测计算中的应用研究[D];湘潭大学;2019年

2 李智强;基于神经网络的航空发动机推力估计方法研究[D];南京航空航天大学;2019年

3 刘京麦野;基于循环神经网络的语义完整性分析[D];湘潭大学;2019年

4 朱萌钢;基于神经网络的车辆行为预测研究[D];重庆邮电大学;2019年

5 米怡;基于卷积神经网络的车行环境行人识别[D];重庆邮电大学;2019年

6 易亿;基于集成卷积神经网络的交通标志识别研究[D];重庆邮电大学;2019年

7 葛超;基于神经网络的奶牛识别方法研究[D];重庆邮电大学;2019年

8 李净桦;基于神经网络的社交话题热度预测模型研究[D];重庆邮电大学;2019年

9 弓攀豪;融合浅层特征与卷积神经网络的行人检测方法研究[D];重庆邮电大学;2019年

10 詹紫微;基于卷积神经网络的目标跟踪方法研究[D];重庆邮电大学;2019年

本文编号：2841697