【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 ...
【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:
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。