The present invention discloses a neural dynamic method for solving time-varying problems with noise. The methods include: 1) the standard model of time variant two times programming problem for the actual physical system; 2) optimization of the optimal value of the standard model of the time-varying two times programming problem, and the partial derivative of the optimal solution and the Lagrange multiplier respectively. Information; 3) transform partial derivative information into standard time-varying matrix form; 4) design deviation function; 5) use power variant parametric recursive neural dynamics method and four common activation functions to design a power type neural dynamics method with noise time-varying problem in real number domain, and the solution is optimal for the time varying two times programming problem. Solution. The invention is based on the power variant parametric recursive neural dynamic method. It has the global convergence characteristic when using common monotone increasing odd activation function to solve the time-varying problem with noise, and the error can converge to zero with the velocity of super exponent, and the calculation speed is greatly improved.
【技术实现步骤摘要】
一种求解含噪声时变问题的神经动力学方法
本专利技术属于时变问题的神经动力学方法,尤其涉及一种求解含噪声时变问题的神经动力学方法。
技术介绍
实际工程应用中,被控系统的时变现象普遍存在,例如复杂系统过程控制、机器人运动控制以及航空航天等领域,都或多或少地需要解决系统的时变问题。因此,近年来,针对这些时变系统控制问题的研究越来越被控制界所关注,成为被广泛讨论的热点问题之一。时变系统的稳定性是指系统的状态、输入、输出和参数等变量,在时变因素或干扰的影响下,总是有界的,它是对控制系统的最基本要求。但是,时变系统结构复杂,不确定因素众多,常会导致系统的不稳定。因此,为了在追求控制效果的同时保证稳定性,在设计控制器时需要附加很强的假设条件,同时对时变特性的先验信息也要尽可能全面的了解。可以这样说,时变系统的稳定性分析往往是伴随着对系统及环境的种种假设和限制进行的。为了更好地处理和解决各种各样复杂的时变问题,近年来随着人工智能的不断发展,人工神经网络逐渐成为一种解决时变问题的强有力的方法。人工神经网络是近代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点之间相互联接构成。每个节点代表一种特定的输出函数,称为激活函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数 ...
【技术保护点】
一种求解含噪声时变问题的神经动力学方法,其特征在于:所述方法包括:1)将实际物理系统公式化,并建立该系统的时变二次规划问题标准模型;2)根据拉格朗日乘数法,对步骤1)中的时变二次规划问题标准模型进行最优值优化,分别获取关于最优解以及关于拉格朗日乘数的偏导数信息;3)将步骤2)中的偏导数信息转化为标准时变矩阵形式;4)基于步骤3)中的标准时变矩阵,设计偏差函数;5)基于步骤4)中的偏差函数,运用幂型变参递归神经动力学方法,并利用单调递增奇激活函数,设计实数域上的含噪声时变问题的神经动力学方法,含噪声时变问题的神经动力学方法所求得的网络状态解即为所求实际物理系统或原时变二次规划问题的最优解。
【技术特征摘要】
1.一种求解含噪声时变问题的神经动力学方法,其特征在于:所述方法包括:1)将实际物理系统公式化,并建立该系统的时变二次规划问题标准模型;2)根据拉格朗日乘数法,对步骤1)中的时变二次规划问题标准模型进行最优值优化,分别获取关于最优解以及关于拉格朗日乘数的偏导数信息;3)将步骤2)中的偏导数信息转化为标准时变矩阵形式;4)基于步骤3)中的标准时变矩阵,设计偏差函数;5)基于步骤4)中的偏差函数,运用幂型变参递归神经动力学方法,并利用单调递增奇激活函数,设计实数域上的含噪声时变问题的神经动力学方法,含噪声时变问题的神经动力学方法所求得的网络状态解即为所求实际物理系统或原时变二次规划问题的最优解。2.根据权利要求1所述的一种求解含噪声时变问题的神经动力学方法,其特征在于:所述将实际物理系统公式化,并建立该系统的时变二次规划问题标准模型,具体包括:subjecttoA(t)x(t)=b(t)(2)其中t表示时间;在实数域中,定义为正定的海赛矩阵,为系数向量,为满秩系数矩阵,为系数向量,H(t),P(t),A(t),b(t)以及它们各自的时间导数被认为是已知、时变且光滑的;假设未知的矩阵存在,通过本专利中所述的神经动力学方法,寻找满足时变二次规划问题(1)(2)的最优解3.根据权利要求2所述的一种求解含噪声时变问题的神经动力学方法,其特征在于:所述对时变二次规划问题标准型进行最优值优化,分别获取关于最优解以及关于拉格朗日乘数的偏导数信息,具体包括:对二次规划问题(1)(2)使用拉格朗日乘数法得到下式:其中为拉格朗日乘子;由拉格朗日定理可知,如果和存在且连续,那么下面两式成立,即:时变二次规划问题(1)(2)中的时变参数矩阵及向量H(t),P(t),A(t),b(t)由实际物理模型系统传感器获取信号及系统预期运行状态信号等所构成;时变参数矩阵及向量H(t),P(t)A(t),b(t),以及它们的时间导数是已知的或者能够在一定精确度要求范围内被估计出来;存在含噪声二次规划问题(1)(2)关于最优解及拉格朗日乘数的偏导数信息,且可以使用拉格朗日乘数法将上述信息表示为优化公式(4)(5)。4.根据权利要求3所述的一种求解含噪声时变问题的神经动力学方法,其特征在于:所述将偏导数信息转换为标准时变矩阵形式,具体包括:根据优化公式(4)(5),设计出一个如下的关于时变二次规划问题(1)(2)的标准矩阵形式:W(t)Y(t)=G(t)(6)其中:时变系数矩阵和向量W(t),Y(t),G(t)在实数域上均连续且光滑。5.根据权利要求4所述的一种求解含噪声时变问题的神经动力学方法,其特征在于:所述根据标准时变矩阵设计偏差函数,具体包括:根据得到的实际物理模型系统或数值求解系统的光滑时变二次规划问题的矩阵形式(6...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。