一种二阶神经网络的同步控制方法技术

本发明专利技术属于新一代信息技术领域，具体涉及一种二阶神经网络的同步控制方法。该方法具体包括以下几个步骤：步骤S1：构建二阶惯性神经网络的主系统和从系统；步骤S2：设定同步误差，并建立同步误差系统；步骤S3：设计合适的同步控制器；步骤S4：将步骤S3中设计的所述同步控制器作用于所述从系统，使得所述从系统同步于所述主系统。本发明专利技术基于变量变换方法，将二阶神经网络转化为一阶神经网络，再结合李雅普诺夫

【技术实现步骤摘要】
一种二阶神经网络的同步控制方法


[0001]本专利技术涉及新一代信息
，尤其涉及一种二阶神经网络的同步控制方法。

技术介绍

[0002]近年来，人工神经网络因其在无线传感器、信号处理、机器学习等新一代信息
的巨大应用和潜力而成为研究热点。在神经网络的许多应用中，它的动力学行为至关重要。其中，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。
[0003]目前研究的大多数神经网络数学模型都涉及一阶神经网络，即神经网络的动力学方程为其状态变量一阶导数的微分方程。值得注意的是，Mauro A等人在其研究成果[Mauro A,Conti F,Dodge F,et al.Subthreshold behavior and phenomenological impedance of the squid giant axon[J].The Journal of general physiology,1970,55(4):497
‑
523.]中表明，首次把电感引入到人工神经网络中，构造出了一种二阶神经网络模型；并分析了该二阶神经网络模型的混沌、分岔等动力学行为。因此，在人工神经网络中引入惯性项也具有重要意义。它被视为生成复杂行为的关键工具。
[0004]需要指出的是，同步是神经网络一个重要的动力学行为，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，同步已成为神经网络动力学行为的研究热点之一，它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。

技术实现思路

[0005]有鉴于此，本专利技术的目的是提出一种二阶神经网络的同步控制方法，可以实现二阶神经网络的同步控制。
[0006]本专利技术采用以下方案实现：一种二阶神经网络的同步控制方法，包括以下步骤：
[0007]步骤S1：构建二阶惯性神经网络的主系统和从系统，所述二阶惯性神经网络的主系统和从系统的构建方法包括步骤：
[0008]步骤S11：建立二阶神经网络动力学方程：
[0009][0010]式中，时间t≥0；n表示所述二阶神经网络中神经元的个数；i＝1，2，
…
，n；j＝1，2，
…
，n；u
i
(t)表示所述二阶神经网络第i个神经元在t时刻的状态变量；a
i
和b
i
为正常数；w
ij
和h
ij
表示所述二阶神经网络的连接权值；f
j
(u
j
(t))表示所述二阶神经网络第j个神经元不包含时滞的激活函数，f
j
(u
j
(t
‑
τ(t))表示所述二阶神经网络第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
；τ(t)表示时变离散时滞，且满足0<τ(t)<τ、τ和μ为正常数；I
i
表示所述二阶神经网络第i个神经元的外部输入；
[0011]步骤S12：构建所述二阶神经网络的主系统：
[0012]将步骤S11中二阶神经网络进行变量替换降阶处理，构建主系统为：
[0013][0014]式中，u(t)＝[u1(t),
…
,u
n
(t)]T
表示所述主系统的第i个神经元在t时刻的状态向量；v(t)＝[v1(t),
…
,v
n
(t)]T
，v
i
(t)＝(du
i
(t)/dt)+ξ
i
u
i
(t)，ξ
i
为常数；A＝diag{ξ1,
…
,ξ
n
}；B＝diag{(a1‑
ξ1),
…
,(a
n
‑
ξ
n
)}；C＝diag{[b1+ξ1(ξ1‑
a1)],
…
,[b
n
+ξ
n
(ξ
n
‑
a
n
)]}；W＝(w
ij
)
n
×
n
；H＝(h
ij
)
n
×
n
；I＝[I1,
…
,I
n
]T
；f(u(t))＝[f1(u1(t)),
…
,f
n
(u
n
(t))]T
；f(u(t
‑
τ(t)))＝[f1(u1(t
‑
τ(t)),
…
,f
n
(u
n
(t
‑
τ(t))]T
；
[0015]步骤S13：构建所述二阶神经网络的从系统：
[0016]构建步骤S12中所述主系统相对应的从系统为：
[0017][0018]式中，x(t)＝[x1(t),
…
,x
n
(t)]T
表示所述从系统的第i个神经元在t时刻的状态向量；y(t)＝[y1(t),
…
,y
n
(t)]T
，y
i
(t)＝(dx
i
(t)/dt)+ξ
i
x
i
(t)；f(x(t))＝[f1(x1(t)),
…
,f
n
(x
n
(t))]T
；f(x(t
‑
τ(t)))＝[f1(x1(t
‑
τ(t)),
…
,f
n
(x
n
(t
‑
τ(t))]T
；U1(t)和U2(t)是所述从系统中需要设计的同步控制器；所述从系统的其它参数的定义与所述主系统相同；
[0019]步骤S2：根据步骤S1构建的所述主系统与从系统，设定同步误差，并建立同步误差系统，具体步骤为：
[0020]步骤S21：根据步骤S1构建的所述主系统和从系统，设定它们的同步误差为：
[0021][0022]其中，同步误差e1(t)和e2(t)具体为：
[0023]e1(t)＝[e
11
(t),
…
,e
1n
(t)]T
＝[x1(t)
‑
u1(t),
…
,x
n
(t)
‑
u
n
(t)]T...

【技术保护点】

【技术特征摘要】
1.一种二阶神经网络的同步控制方法，其特征在于，包括以下步骤：步骤S1：构建二阶惯性神经网络的主系统和从系统，所述二阶惯性神经网络的主系统和从系统的构建方法包括步骤：步骤S11：建立二阶神经网络动力学方程：式中，时间t≥0；n表示所述二阶神经网络中神经元的个数；i＝1，2，
…
，n；j＝1，2，
…
，n；u
i
(t)表示所述二阶神经网络第i个神经元在t时刻的状态变量；a
i
和b
i
为正常数；w
ij
和h
ij
表示所述二阶神经网络的连接权值；f
j
(u
j
(t))表示所述二阶神经网络第j个神经元不包含时滞的激活函数，f
j
(u
j
(t
‑
τ(t))表示所述二阶神经网络第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
；τ(t)表示时变离散时滞，且满足0<τ(t)<τ、τ和μ为正常数；I
i
表示所述二阶神经网络第i个神经元的外部输入；步骤S12：构建所述二阶神经网络的主系统：将步骤S11中二阶神经网络进行变量替换降阶处理，构建主系统为：式中，u(t)＝[u1(t),
…
,u
n
(t)]
T
表示所述主系统的第i个神经元在t时刻的状态向量；v(t)＝[v1(t),
…
,v
n
(t)]
T
，v
i
(t)＝(du
i
(t)/dt)+ξ
i
u
i
(t)，ξ
i
为常数；A＝diag{ξ1,
…
,ξ
n
}；B＝diag{(a1‑
ξ1),
…
,(a
n
‑
ξ
n
)}；C＝diag{[b1+ξ1(ξ1‑
a1)],
…
,[b
n
+ξ
n
(ξ
n
‑
a
n
)]}；W＝(w
ij
)
n
×
n
；H＝(h
ij
)
n
×
n
；I＝[I1,
…
,I
n
]
T
；f(u(t))＝[f1(u1(t)),
…
,f
n
(u
n
(t))]
T
；f(u(t
‑
τ(t)))＝[f1(u1(t
‑
τ(t)),
…
,f
n
(u
n
(t
‑
τ(t))]
T
；步骤S13：构建所述二阶神经网络的从系统：构建步骤S12中所述主系统相对应的从系统为：式中，x(t)＝[x1(t),
…
,x
n
(t)]
T
表示所述从系统的第i个神经元在t时刻的状态向量；y(t)＝[y1(t),
…
,y
n
(t)]
T
，y
i
(t)＝(dx
i
(t)/dt)+ξ
i
x
i
(t)；f(x(t))＝[f1(x1(t)),
…
,f
n
(x
n
(...

【专利技术属性】
技术研发人员：李小凡，李慧媛，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：