一种混合时变时滞的惯性神经网络的指数同步控制方法技术

本发明专利技术属于新一代信息技术领域，具体涉及一种混合时变时滞的惯性神经网络的指数同步控制方法。该方法包括以下步骤：步骤S1：基于惯性神经网络，构建混合时变时滞的惯性神经网络驱动系统和响应系统；步骤S2：根据步骤S1构建的混合时变时滞的惯性神经网络驱动系统与响应系统，设定同步误差，并建立同步误差系统；步骤S3：根据步骤S2建立的同步误差，设计周期间歇同步控制器，将所述周期间歇同步控制器作用于所述响应系统，使得所述响应系统指数同步于所述驱动系统。本发明专利技术考虑混合时变时滞问题，且无需构造复杂的李雅普诺夫函数，为混合时变时滞的惯性神经网络实现指数同步提供了一种新的控制方法。新的控制方法。新的控制方法。

【技术实现步骤摘要】
一种混合时变时滞的惯性神经网络的指数同步控制方法


[0001]本专利技术涉及新一代信息
，尤其涉及一种混合时变时滞的惯性神经网络的指数同步控制方法。

技术介绍

[0002]人脑中大约有1.4
×
10
11
个神经元，每个神经元与其他103‑
105个神经元互连，神经元细胞在神经网络中主要负责信息处理，突触负责不同神经元的连接并进行信息传递，人类大脑可以被看成一个具有大量神经元以及具有超强信息处理的能力的生物神经网络。1943年，科学家受人类大脑启发，提出来第一个人工神经网络模型。上个世纪80年代以来，随着人工智能新一代信息技术的研究热潮，人工神经网络也成为了研究热点，一般简称“神经网络”。神经网络具有并行计算、自组织、自适应和自学习的良好智能特性，在模式识别、自动控制、预测估计、信息安全、联想记忆、模型预测以及安全通信等新一代信息
得到了广泛应用。
[0003]在神经网络中加入惯性项，使得神经网络模型阶数变高，这使得其具有更复杂的动力学行为，但可以提高网络的性能，还可以使高阶神经网络具有更高的容错性和更大的存储能力。
[0004]同步是一种重要的动力学行为，因为它在伪随机数发生器、模式识别、保密通信等新一代信息技术方面有巨大的应用前景。近年来，同步作为神经网络动力学行为中研究的热点之一，其在人工智能协同控制、信息安全、联想记忆、模型预测以及安全通信等新一代信息
得到了广泛应用。当前，值得注意的是，含混合时变时滞的惯性神经网络的指数同步控制问题尚未被充分考虑。

技术实现思路

[0005]有鉴于此，本专利技术的目的是提出一种混合时变时滞的惯性神经网络的指数同步控制方法，可以实现混合时变时滞的惯性神经网络的指数同步控制。
[0006]本专利技术采用以下方案实现：一种混合时变时滞的惯性神经网络的指数同步控制方法，包括以下步骤：
[0007]步骤S1：基于惯性神经网络，构建混合时变时滞的惯性神经网络驱动系统和响应系统；
[0008]步骤S2：根据步骤S1构建的混合时变时滞的惯性神经网络驱动系统与响应系统，设定同步误差，并建立同步误差系统；
[0009]步骤S3：根据步骤S2建立的同步误差，设计周期间歇同步控制器，将所述周期间歇同步控制器作用于所述响应系统，使得所述响应系统指数同步于所述驱动系统。
[0010]进一步地，步骤S1具体包括以下步骤：
[0011]步骤S11：构建混合时变时滞的惯性神经网络为：
[0012][0013]式中，时间t≥0；n表示所述惯性神经网络中神经元的个数；i＝1，2，
…
，n；j＝1，2，
…
，n；x
i
(t)表示所述惯性神经网络第i个神经元在t时刻的状态变量；a
i
和b
i
为常数并且满足a
i
>0、b
i
>0；c
ij
、d
ij
、w
ij
为常数，表示所述惯性神经网络的连接权值；f
j
(x
j
(t))表示所述惯性神经网络第j个神经元不包含时滞的激活函数，f
j
(x
j
(t
‑
σ(t)))表示所述惯性神经网络第j个神经元包含时变离散时滞的激活函数，上述各激活函数均满足利普希茨条件且利普希茨常数为l
j
；σ(t)和τ(t)分别是时变离散时滞和时变分布时滞，且满足0<σ(t)<σ，0<τ(t)<τ，σ和τ为正常数，并设η为积分变量；I
i
(t)为外界输入；
[0014]步骤S12：构建混合时变时滞的惯性神经网络驱动系统：
[0015]将步骤S11构建的混合时变时滞的惯性神经网络进行变量替换降阶处理，构建混合时变时滞的惯性神经网络驱动系统为：
[0016][0017]式中，x(t)＝(x1(t)，x2(t)，
…
，x
n
(t))
T
；z(t)＝(z1(t)，z2(t)，
…
，z
n
(t))
T
，，ξ
i
为常数；Ξ＝diag{ξ1，ξ2，
…
，ξ
n
}，其中，矩阵Ξ需满足不等式}，其中，矩阵Ξ需满足不等式为矩阵的矩阵测度，E
2n
为2n阶单位矩阵，||C||
p
是连接权矩阵C的p范数，p＝1、2或∞，l＝max{l1，l2，
…
，l
n
}，E
n
为n阶单位矩阵；A＝diag{α1，α2，
…
，α
n
}，α
i
＝b
i
+ξ
i
(ξ
i
‑
a
i
)；B＝diag{β1，β2，
…
，β
n
}，β
i
＝a
i
‑
ξ
i
；C、D、W分别为所述驱动系统的连接权矩阵，且C＝(c
ij
)
n
×
n
，D＝(d
ij
)
n
×
n
，W＝(w
ij
)
n
×
n
；f(x(t))＝(f1(x1(t))，f2(x2(t))，
…
，f
n
(x
n
(t)))
T
，f(x(t
‑
σ(t)))＝(f1(x1(t
‑
σ(t)))，f2(x2(t
‑
σ(t)))，
…
，f
n
(x
n
(t
‑
σ(t))))
T
；I(t)＝(I1(t)，I2(t)，
…
，I
n
(t))
T
；n表示所述驱动系统中神经元的个数；i＝1，2，
…
，n；j＝1，2，
…
，n；
[0018]步骤S13：根据步骤S12构建的驱动系统，构建与其相对应的混合时变时滞的惯性神经网络响应系统为：
[0019][0020]其中，y(t)表示所述响应系统中神经元在t时刻的状态变量，y(t)＝(y1(t)，y2(t)，
…
，y
n
(t))
T
；v(t)＝(v1(t)，v2(t)，
…
，v
n
(t))
T
，ξ
i
为常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混合时变时滞的惯性神经网络的指数同步控制方法，其特征在于，包括以下步骤：步骤S1：基于惯性神经网络，构建混合时变时滞的惯性神经网络驱动系统和响应系统；步骤S2：根据步骤S1构建的混合时变时滞的惯性神经网络驱动系统与响应系统，设定同步误差，并建立同步误差系统；步骤S3：根据步骤S2建立的同步误差，设计周期间歇同步控制器，将所述周期间歇同步控制器作用于所述响应系统，使得所述响应系统指数同步于所述驱动系统。2.根据权利要求1所述的一种混合时变时滞的惯性神经网络的指数同步控制方法，其特征在于，步骤S1具体包括以下步骤：步骤S11：构建混合时变时滞的惯性神经网络为：式中，时间t≥0；n表示所述惯性神经网络中神经元的个数；i＝1，2，
…
，n；j＝1，2，
…
，n；x
i
(t)表示所述惯性神经网络第i个神经元在t时刻的状态变量；a
i
和b
i
为常数并且满足a
i
>0、b
i
>0；c
ij
、d
ij
、w
ij
为常数，表示所述惯性神经网络的连接权值；f
j
(x
j
(t))表示所述惯性神经网络第j个神经元不包含时滞的激活函数，f
j
(x
j
(t
‑
σ(t)))表示所述惯性神经网络第j个神经元包含时变离散时滞的激活函数，上述各激活函数均满足利普希茨条件且利普希茨常数为l
j
；σ(t)和τ(t)分别是时变离散时滞和时变分布时滞，且满足0<σ(t)<σ，0<τ(t)<τ，σ和τ为正常数，并设η为积分变量；I
i
(t)为外界输入；步骤S12：构建混合时变时滞的惯性神经网络驱动系统：将步骤S11构建的混合时变时滞的惯性神经网络进行变量替换降阶处理，构建混合时变时滞的惯性神经网络驱动系统为：式中，x(t)＝(x1(t)，x2(t)，
…
，x
n
(t))
T
；z(t)＝(z1(t)，z2(t)，
…
，z
n
(t))
T
，，ξ
i
为常数；Ξ＝diag{ξ1，ξ2，
…
，ξ
n
}，其中，矩阵Ξ需满足不等式}，其中，矩阵Ξ需满足不等式为矩阵的矩阵测度，E
2n
为2n阶单位矩阵，||C||
p
是连接权矩阵C的p范
数，p＝1、2或∞，l＝max{l1，l2，
…
，l
n
}，E
n
为n阶单位矩阵；A＝diag{α1，α2，
…
，α
n
}，α
i
＝b
i
+ξ
i
(ξ
i
‑
a
i
)；B＝diag{β1，β2，
…
，β
n
}，β
i
＝a
i
‑
ξ
i
；C、D、W分别为所述驱动系统的连接权矩阵，且C＝(c
ij
)
n
×
n
，D＝9d
ij
)
n
×
n
，W＝(w
ij
)
n
×
n
；f(x(t))＝(f1(x1(t))，f2(x2(t))，
…
，f
n
(x
n
(t)))
T
，f(x(t
‑
σ(t)))＝(f1(x1(t
‑
σ(t)))，f2(x2(t
‑
σ(t)))，
…
，f
n
(x
n
(t
‑
σ(t))))
T
；I(t)＝(I1(t)，I2(t)，
…
，I
n
(t))
T
；n表示所述驱动系统中神经元的个数；i＝1，2，
…
，n；j＝1，2，
…
，n；步骤S13：根据步骤S12构建的驱动系统，构建与其相对应的混合时变时滞的惯性神经网络响应系统为：其中，y(t)表示所述响应系统中神经元在t时刻的状态变量，y(t)＝(y1(t)，y2(t)，
…
，y
n
(t))
T
；v(t)＝(v1(t)，v2(t)，
…
，v
n
(t))
T
，ξ
i
为常数；f(y(t))＝(f1(y1(t))，f2(y2(t))，
…
，f
n
(y
n
(t)))
T
，f(y(t
‑
σ(t)))＝(f1(y1(t
‑
σ(t)))，f2(y2(t
‑
σ(t)))，
...

【专利技术属性】
技术研发人员：李小凡，黄鑫，李慧媛，姚金泽，何佳昊，阚加荣，张春富，唐庆华，朱昊冬，陈洁，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：