一种编码解码机制下的忆阻神经网络状态估计方法技术

本发明专利技术公开了一种编码解码机制下的忆阻神经网络状态估计方法，所述方法包括如下步骤：步骤一、建立具有H

【技术实现步骤摘要】
一种编码解码机制下的忆阻神经网络状态估计方法


[0001]本专利技术涉及一种忆阻神经网络状态估计方法，具体涉及一种编码解码机制下具有H
∞
性能约束及方差受限的忆阻神经网络的状态估计方法。

技术介绍

[0002]神经网络的特点是由大量相互连接的动态网络构成。在现实的许多网络中，应用在模式识别、优化问题和联想记忆等实际系统建模和分析方面。
[0003]忆阻器是继电阻、电容、电感三个基本电路元件之后的第四个新型无源纳米信息器件。与现有器件相比，该忆阻器具有能耗低、不易挥发、体积小等优点。事实上，忆阻和生物突触在结构和功能上非常相似。因此，越来越多的研究者选择用忆阻器替代人工神经网络中的突触。
[0004]在许多工程实践中，特别是在当今网络环境下，由于机器故障、通信信道拥堵等原因，信息传输过程中不可避免地会出现延迟及带宽受限等现象。因此，设计同时适用于编码解码机制下具有H
∞
性能约束及方差受限的忆阻神经网络的状态估计方法是十分有必要的，尤其是当同时考虑H
∞
性能约束及方差受限的情形。
[0005]目前已有的状态估计方法不能同时处理编码解码机制下具有H
∞
性能约束及方差受限的忆阻神经网络的状态估计问题，从而导致估计性能准确率低。

技术实现思路

[0006]本专利技术的目的是提供一种编码解码机制下的忆阻神经网络状态估计方法，该方法解决了现有状态估计方法不能同时处理编码解码机制下具有H
∞
性能约束及方差受限的忆阻神经网络的状态估计问题，从而导致估计精度准确率低，以及在编码解码机制下存在信息无法接收到其他时刻信息的情况下，导致估计性能准确率低的问题，可用于忆阻神经网络状态估计领域。
[0007]本专利技术的目的是通过以下技术方案实现的：
[0008]一种编码解码机制下的忆阻神经网络状态估计方法，包括如下步骤：
[0009]步骤一、建立在编码解码机制下具有H
∞
性能约束及传感器能量收割的忆阻神经网络动态模型；
[0010]步骤二、在编码解码机制下对步骤一建立的忆阻神经网络动态模型进行状态估计；
[0011]步骤三、给定H
∞
性能指标γ、半正定矩阵一号、半正定矩阵二号及初始条件x0和，计算忆阻神经网络的误差协方差矩阵上界及H
∞
性能约束条件；
[0012]步骤四、利用随机分析方法，并通过解一系列线性矩阵不等式求解出估计器增益矩阵K
k
的解，实现对在编码解码机制下具有H
∞
性能约束以及传感器能量收割的忆阻神经网络进行状态估计；判断k+1是否达到总时长N，若k+1＜N，则执行步骤二，反之结束。
[0013]本专利技术中，所述神经网络可以为质点弹簧构成的网络、车辆悬挂构成的网络、非线
性卡车拖车模型、航天器构成的网络或雷达构成的网络。
[0014]相比于现有技术，本专利技术具有如下优点：
[0015]1、本专利技术提出一种编码解码机制下具有H
∞
性能约束及方差受限的忆阻神经网络的状态估计方法，同时考虑了编码解码机制下具有H
∞
性能约束、传感器能量收割及方差受限对状态估计性能的影响，利用随机分析方法以及不等式处理技术，全面考虑了估计误差协方差矩阵的有效信息，与现有的时滞神经网络状态估计方法相比，本专利技术的忆阻神经网络状态估计方法同时考虑在编码解码机制下具有H
∞
性能约束及方差受限的忆阻神经网络的状态估计问题，得到了误差系统同时满足估计误差协方差有上界和给定的H
∞
性能要求的忆阻神经网络状态估计方法，达到了同时抑制扰动，并且提高了估计精度的目的。
[0016]2、本专利技术利用随机分析方法，首先，分别考虑估计误差系统满足H
∞
性能约束条件及误差协方差有上界的充分条件；然后，再同时得到估计误差系统满足H
∞
性能约束及误差协方差有上界的判别条件；最后，通过求解一系列线性矩阵不等式得到估计器增益矩阵的值，实现了编码解码机制下具有H
∞
性能约束以及方差受限同时发生的情况下性能估计不受影响，从而提高了估计准确率。
[0017]3、本专利技术解决了现有状态估计方法不能同时处理编码解码机制下具有H
∞
性能约束及方差受限忆阻神经网络的状态估计导致的估计性能准确率低的问题，从而提高了估计性能的准确率。从仿真图可以看出，λ越大，忆阻神经网络的状态估计性能逐渐降低，估计误差相对较大，这也进一步验证了本专利技术所提出的状态估计方法的可行性和有效性。
附图说明
[0018]图1是本专利技术编码解码机制下的忆阻神经网络状态估计方法的流程图；
[0019]图2是忆阻神经网络实际状态轨迹z
k
在两个不同情形下状态估计轨迹的对比图，z
k
为忆阻神经网络在第k时刻的状态变量，其中：是系统状态轨迹，是情形一下的状态估计轨迹，是情形二下的状态估计轨迹；
[0020]图3是忆阻神经网络控制输出估计误差图在两个不同情形下的误差对比图，其中：是情形一下的状态估计轨迹，是情形二下的状态估计轨迹；
[0021]图4是忆阻神经网络实际状态误差协方差和误差协方差上界的轨迹图，其中是误差协方差上界的轨迹，是实际误差协方差的上界轨迹；
[0022]图5是忆阻神经网络控制输出时不同能量收割率λ选择对上界的影响轨迹图，其中：是情形一下的控制输出轨迹，是情形二下的控制输出轨迹。
具体实施方式
[0023]下面结合附图对本专利技术的技术方案作进一步的说明，但并不局限于此，凡是对本专利技术技术方案进行修改或者等同替换，而不脱离本专利技术技术方案的精神和范围，均应涵盖在本专利技术的保护范围中。
[0024]本专利技术提供了一种编码解码机制下的忆阻神经网络状态估计方法，如图1所示，所述方法包括如下步骤：
[0025]步骤一、建立在编码解码机制下具有H
∞
性能约束及传感器能量收割的忆阻神经网络动态模型。具体步骤如下：
[0026]本步骤中，在编码解码机制下具有H
∞
性能约束及传感器能量收割的忆阻神经网络动态模型的状态空间形式为：
[0027]x
k+1
＝A(x
k
)x
k
+A
d
(x
k
)x
k
‑
d
+B(x
k
)f(x
k
)+C
k
v
1k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0028]z
k
＝H
k
x
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0029][0030]式中，分别为忆阻神经网络在第k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述方法包括如下步骤：步骤一、建立在编码解码机制下具有H
∞
性能约束及传感器能量收割的忆阻神经网络动态模型；步骤二、在编码解码机制下对步骤一建立的忆阻神经网络动态模型进行状态估计；步骤三、给定H
∞
性能指标γ、半正定矩阵一号半正定矩阵二号及初始条件x0和计算忆阻神经网络的误差协方差矩阵上界及H
∞
性能约束条件；步骤四、利用随机分析方法，并通过解一系列线性矩阵不等式求解出估计器增益矩阵K
k
的解，实现对在编码解码机制下具有H
∞
性能约束以及传感器能量收割的忆阻神经网络进行状态估计；判断k+1是否达到总时长N，若k+1＜N，则执行步骤二，反之结束。2.根据权利要求1所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述神经网络为生物特征识别网络、质点弹簧构成的网络、车辆悬挂构成的网络、非线性卡车拖车模型、航天器构成的网络或雷达构成的网络。3.根据权利要求1所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述步骤一中，在编码解码机制下具有H
∞
性能约束及传感器能量收割的忆阻神经网络动态模型的状态空间形式为：x
k+1
＝A(x
k
)x
k
+A
d
(x
k
)x
k
‑
d
+B(x
k
)f(x
k
)+C
k
v
1k
z
k
＝H
k
x
k
式中，分别为忆阻神经网络在第k、k+1、k
‑
d时刻的神经元状态变量，为忆阻神经网络状态的欧式空间且其空间维数为n；为在第k时刻的被控测量输出，为忆阻神经网络被控输出状态的欧式空间且其维数为r；χ
k
为在第k时刻的初始值，k＝
‑
d,
‑
d+1,
…
,0，d为离散固定的网络时滞；A(x
k
)＝diag
n
{a
i
(x
ik
)}为在第k时刻的忆阻神经网络自反馈对角矩阵，n为维数，diag{
·
}表示的是对角矩阵，a
i
(x
ik
)为在第k时刻A(x
k
)的第i个分量形式，n为维数；A
d
(x
k
)＝{a
ij,d
(x
i,k
)}
n*n
为在第k时刻的已知维数且与时滞相关的系统矩阵，a
ij,d
(x
i,k
)为在第k时刻A
d
(x
k
)的第i个分量形式，B(x
k
)＝{b
ij
(x
i,k
)}
n*n
为在第k时刻已知的连接激励函数的权重矩阵，b
ij
(x
i,k
)为在第k时刻B(x
k
)的第i个分量形式；f(x
k
)为在第k时刻的非线性激励函数；C
k
为在第k时刻已知系统的噪声分布矩阵；H
k
为在第k时刻已知测量的调节矩阵；v
1k
为在第k时刻均值为零并且协方差为V1＞0的高斯白噪声序列。4.根据权利要求3所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述状态依赖矩阵参数a
i
(x
i,k
)、a
ij,d
(x
i,k
)和b
ij
(x
i,k
)满足：式中，a
i
(x
i,k
)、a
ij,d
(x
i,k
)和b
ij
(x
i,k
)分别为A(x
k
)、A
d
(x
k
)和B(x
k
)在第k时刻的第i个分量，Γ
i
＞0为已知的切换阈值，为第i个已知的上存储变量矩阵，为第i个已知
的下存储变量矩阵，为第ij,d个已知的左存储变量矩阵，为第ij,d个已知的右存储变量矩阵，为第ij个已知的内存储变量矩阵，为第ij个已知的外存储变量矩阵。5.根据权利要求1所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述步骤二的具体步骤如下：步骤二一、时滞忆阻神经网络的测量输出形式为：y
k
＝D
k
x
k
+E
k
v
2k
式中，是第k时刻忆阻神经网络的测量输出，为忆阻神经网络动态模型输出的实数域，m为维数；为忆阻神经网络在第k时刻的神经元状态变量，为忆阻神经网络动态模型输出的实数域，其维数为n；D
k
和E
k
是在第k时刻的已知测量的量度矩阵，v
2k
是均值为零的高斯白噪声序列，并且协方差为V
2k
＞0；步骤二二、在时刻k时，传感器的能级用q
k
∈{0,1,2,
…
,S}表示，其中S为传感器能够存储的最大能量单位数，时刻k采集的能量用h
k
表示；步骤二三、在时刻k时，当传感器存储非零单位的能量时，传感器能够将测量结果传输给状态估计器，当且仅当发生这种传输时，传感器将消耗1单位能量，传感器的能量动态方程表示为：式中，q0、q
k
、q
k+1
分别是第0、k、k+1时刻的传感器能量级别，min{
·
}表示两个能量级别中取最小值，h
k
表示在第k时刻采集的能量，表示在q
k
≥0前提下传感器消耗的1单位能量，S为传感器能够存储的最大能量单位数；状态估计器接收到的测量值表示为：式中，是在第k时刻状态估计器实际接收到的测量值，y
k
是在第k时刻状态估计器在理想情况下接收到的测量值，是指标函数满足并且定义为步骤二四、编码规则定义如下：步骤二四、编码规则定义如下：步骤二四、编码规则定义如下：式中，是第0时刻编码器的内部运行状态，分别是第k时刻编码器的内部运行状态，δ
k
是第k时刻已知的缩放参数，是第k+1时刻编码器的测量输出，为忆阻神经网络动态模型输出的实数域，其维数为n；是在第k时刻已知适当维数的变移矩阵，为
选择的均匀量化器形式，表示在第k+1时刻估计器实际接收到的测量值；步骤二五、解码规则定义如下：步骤二五、解码规则定义如下：式中，是第0时刻解码器的测量输出，是第k时刻解码器的测量输出，是第k+1时刻解码器的测量输出，δ
k
是第k时刻已知的缩放参数，是第k+1时刻编码器的测量输出，为忆阻神经网络动态模型输出的实数域，n为维数；是在第k时刻已知适当维数的变移矩阵；步骤二六、将解码误差定义为得到：式中，η
k
是在第k时刻的测量解码误差，是第k时刻解码器的测量输出，是在第k时刻状态估计器实际接收到的测量值，y
k
是在第k时刻状态估计器在理想情况下接收到的测量值，δ
k
是第k时刻已知的缩放参数，是第k+1时刻编码器的测量输出，为忆阻神经网络状态的欧式空间且其空间维数为n；是在第k时刻已知适当维数的变移矩阵，为选择的均匀量化器形式；解码误差满足如下的条件：式中，||
·
||
∞
是无穷范数，l为量化级的间隔长度，δ
k
是第k时刻已知的缩放参数；非线性函数f(s)满足如下的扇形有界条件：式中，是在第k时刻第1个分量的已知适当维数的第一号实矩阵，是在第k时刻第2个分量的已知适当维数的第二号实矩阵。步骤二七、为了估计时滞忆阻神经网络的状态，基于可获得的测量信息构造如下的时变状态估计器：变状态估计器：式中，是忆阻神经网络在第k时刻的状态估计，是忆阻神经网络在第k+1时刻的状态估计，是忆阻神经网络在第k
‑
d时刻的状态估计，为忆阻神经网络状态的欧式空间且其空间维数为n；d为一个固定的网络时滞，为在第k时刻的被控输出的状态估计，为神经网络动态模型状态的实数域，其维数为r，为定义的左右区间的
第一号矩阵，为定义的左右区间的第二号矩阵，为定义的左右区间的第三号矩阵，为在第k时刻的非线性激励函数，H
k
为在第k时刻的已知测量的调节矩阵，D
k
是在第k时刻的已知测量的量度矩阵，是第k时刻解码器的测量输出，μ
k
是指标函数的数学期望，K
k
是待求的估计器增益矩阵。6.根据权利要求5所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述h
k
的概率分布如下：Prob(h
k
＝i)＝p
i
,(i＝0,1,2,
…
)式中，q
k
是第k时刻的传感器能量级别，S为传感器能够存储的最大能量单位数，h
k
表示在第k时刻采集的能量，p
i
为发生传感器能量收割的概率，i为收割到的能量数量，满足0≤p
i
≤1并且7.根据权利要求5所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述均匀量化器描述为如下形式：式中，为定义的增广矩阵，为的分量形式，T表示的是转置的形式，对于有：式中，ζ为信号矢量，为ζ的第h项信号矢量，l为量化级的间隔长度，为取值为的正整数，为量化级的个数。8.根据权利要求1所述的编码解码机制下的忆阻神经...

【专利技术属性】
技术研发人员：胡军，高岩，于浍，贾朝清，班立群，孙若姿，雷冰欣，郑凯文，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：