本发明专利技术属于电路分析技术领域，公开了一种忆阻神经网络的镇定性分析方法、装置、设备及存储介质。本发明专利技术通过获取电路中的电压值、电容值、控制输入值及记忆性系数；根据所述电压值、电容值、控制输入值及记忆性系数，通过微分包含理论对初始忆阻神经网络计算，得到目标忆阻神经网络模型；根据所述目标忆阻神经网络模型构建镇定性目标函数；通过所述镇定性目标函数对所述忆阻神经网络进行镇定性分析，得到镇定性分析结果，本发明专利技术实现通过微分包含理论，不等式技术和比较策略，在现有技术的基础上无需构造李雅普诺夫函数，仅需要通过比较初始值和镇定性目标函数间的关系，从而得到镇定性判据，且该判据对时滞的大小没有限制，大大提高了其应用范围。了其应用范围。了其应用范围。
【技术实现步骤摘要】
忆阻神经网络的镇定性分析方法、装置、设备及存储介质
[0001]本专利技术涉及电路分析
，尤其涉及一种忆阻神经网络的镇定性分析方法、装置、设备及存储介质。
技术介绍
[0002]忆阻作为一种新型信息存储和处理的元器件，具有非易失性、高集成度、低功耗、良好的可扩展性等特点，其信息存储和处理特性极其类似于人脑突触，为下一代计算机提供了一种全新的设计架构，在人工智能、混沌电路、人工神经网络等方面都有广泛的应用，被认为是模拟神经突触的最理想器件。因此，利用忆阻模拟突触，构建以忆阻为连接权的神经网络电路系统——基于忆阻的神经网络系统应运而生。正因为忆阻具有其他元件无可比拟的优势，从而使基于忆阻的人工神经网络迅速成为研究热点。针对此类系统的动力学行为研究，尤其是系统的稳定性分析与控制也蓬勃发展。稳定性是动力学系统的一个重要特性。只有在系统稳定的情况下，才能更进一步考虑其在各个方面的应用。然而，由于忆阻的非线性切换特性，忆阻神经网络是一类切换不连续系统，其右端不连续，经典的连续可微解不存在，同时经典的针对连续系统的李雅普诺夫稳定性理论也不再适用。另一方面，由于时滞的引入，系统可能出现混沌和分岔等行为，其动力学行为比非时滞系统更加复杂和难以控制。
[0003]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
[0004]本专利技术的主要目的在于提供一种忆阻神经网络的镇定性分析方法、装置、设备及存储介质，旨在解决现有技术中李雅普诺夫稳定性理论对忆阻神经网络的镇定性分析难以直接应用的技术问题。
[0005]为实现上述目的，本专利技术提供了一种忆阻神经网络的镇定性分析方法，所述方法包括以下步骤：
[0006]获取电路中的电压值、电容值、控制输入值及记忆性系数；
[0007]根据所述电压值、电容值、控制输入值及记忆性系数，通过微分包含理论对初始忆阻神经网络计算，得到目标忆阻神经网络模型；
[0008]根据所述目标忆阻神经网络模型构建镇定性目标函数；
[0009]通过所述镇定性目标函数对所述忆阻神经网络进行镇定性分析，得到镇定性分析结果。
[0010]可选地，所述根据所述电压值、电容值、控制输入值及记忆性系数，通过微分包含理论对预设忆阻神经网络计算，得到目标忆阻神经网络模型，包括：
[0011]根据所述电压值，电容值，控制输入值及记忆系数构造初始忆阻神经网络；
[0012]基于微分包含理论得到忆阻神经网络的输出值取值范围；
[0013]根据所述取值范围对所述初始忆阻神经网络计算，得到目标忆阻神经网络模型。
[0014]可选地，所述忆阻神经网络包括忆阻及神经元，所述根据所述电压值，电容值，控制输入值及记忆系数构造初始忆阻神经网络，包括：
[0015]根据所述忆阻的电流与电压的曲线特征，得到记忆性系数与神经元状态的对应关系；
[0016]在所述神经元状态满足第一选择区间时，所述记忆性系数设置为第一系数；
[0017]在所述神经元状态满足第二选择区间时，所述记忆性系数设置为为第二系数。
[0018]可选地，所述根据所述目标忆阻神经网络模型构建镇定性目标函数，包括：
[0019]根据所述目标神经网络模型的自反馈系数，控制系数，记忆性系数构造连续函数；
[0020]根据预设电压函数与所述连续函数得到镇定性目标函数，所述目标函数表示所述电压值与所述当前神经元的关系。
[0021]可选地，所述根据自反馈系数，控制系数，记忆性系数构造连续函数之前，还包括：
[0022]根据控制增益与当前神经元构建控制器；
[0023]根据所述控制器对所述忆阻神经网络进行镇定性处理。
[0024]可选地，所述根据所述控制器对所述忆阻神经网络进行镇定性分析，包括：
[0025]根据不等式原理对所述镇定性目标函数中的交叉项进行处理，得到处理后的目标函数，所述不等式原理包括杨氏不等式；
[0026]根据预设电压约束条件与所述处理后的目标函数对所述忆阻神经网络进行镇定性分析，得到分析结果。
[0027]可选地，所述通过所述镇定性目标函数对所述忆阻神经网络进行镇定性分析，得到镇定性分析结果，包括：
[0028]根据所述镇定性目标函数对所述忆阻神经网络进行镇定性分析，得到分析结果；
[0029]将所述分析结果与所述电压约束条件比较，在所述电压约束条件与所述分析结果一致时，根据所述电压约束条件与所述镇定性目标函数得到输出值；
[0030]在所述输出结果与预设镇定条件对应时，确定所述忆阻神经网络具有镇定性。
[0031]此外，为实现上述目的，本专利技术还提出一种忆阻神经网络的镇定性分析装置，所述忆阻神经网络的镇定性分析装置包括：
[0032]参数获取模块，用于获取电路中的电压值、电容值、控制输入值及记忆性系数；
[0033]模型更新模块，用于根据所述电压值、电容值、控制输入值及记忆性系数，通过微分包含理论对初始忆阻神经网络计算，得到目标忆阻神经网络模型；
[0034]函数构造模块，用于根据所述目标忆阻神经网络模型构建镇定性目标函数；
[0035]镇定分析模块，用于通过所述镇定性目标函数对所述忆阻神经网络进行镇定性分析，得到镇定性分析结果。
[0036]此外，为实现上述目的，本专利技术还提出一种忆阻神经网络的镇定性分析设备，所述忆阻神经网络的镇定性分析设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的忆阻神经网络的镇定性分析程序，所述忆阻神经网络的镇定性分析程序配置为实现如上文所述的忆阻神经网络的镇定性分析方法的步骤。
[0037]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有忆阻神经网络的镇定性分析程序，所述忆阻神经网络的镇定性分析程序被处理器执行时实现如
上文所述的忆阻神经网络的镇定性分析方法的步骤。
[0038]本专利技术通过获取电路中的电压值、电容值、控制输入值及记忆性系数；根据所述电压值、电容值、控制输入值及记忆性系数，通过微分包含理论对初始忆阻神经网络计算，得到目标忆阻神经网络模型；根据所述目标忆阻神经网络模型构建镇定性目标函数；通过所述镇定性目标函数对所述忆阻神经网络进行镇定性分析，得到镇定性分析结果，本专利技术实现通过微分包含理论，不等式技术和比较策略，在现有技术的基础上无需构造李亚普洛夫函数，仅需要通过比较初始值和镇定性目标函数间的关系，从而得到镇定性判据，且该判据对时滞的大小没有限制，大大提高了其应用范围。
附图说明
[0039]图1是本专利技术实施例方案涉及的硬件运行环境的忆阻神经网络的镇定性分析设备的结构示意图；
[0040]图2为本专利技术忆阻神经网络的镇定性分析方法第一实施例的流程示意图；
[0041]图3为本专利技术忆阻神经网络的镇定性分析装置第一实施例的结构框图。
[0042]本专利技术目的的实现、功能特点及优点将结本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种忆阻神经网络的镇定性分析方法，其特征在于，所述忆阻神经网络的镇定性分析方法包括：获取电路中的电压值、电容值、控制输入值及记忆性系数；根据所述电压值、电容值、控制输入值及记忆性系数，通过微分包含理论对初始忆阻神经网络计算，得到目标忆阻神经网络模型；根据所述目标忆阻神经网络模型构建镇定性目标函数；通过所述镇定性目标函数对所述忆阻神经网络进行镇定性分析，得到镇定性分析结果。2.如权利要求1所述的方法，其特征在于，所述根据所述电压值、电容值、控制输入值及记忆性系数，通过微分包含理论对预设忆阻神经网络计算，得到目标忆阻神经网络模型，包括：根据所述电压值，电容值，控制输入值及记忆系数构造初始忆阻神经网络；基于微分包含理论得到忆阻神经网络的输出值取值范围；根据所述取值范围对所述初始忆阻神经网络计算，得到目标忆阻神经网络模型。3.如权利要求2所述的方法，其特征在于，所述忆阻神经网络包括忆阻及神经元，所述根据所述电压值，电容值，控制输入值及记忆系数构造初始忆阻神经网络，包括：根据所述忆阻的电流与电压的曲线特征，得到记忆性系数与神经元状态的对应关系；在所述神经元状态满足第一选择区间时，所述记忆性系数设置为第一系数；在所述神经元状态满足第二选择区间时，所述记忆性系数设置为为第二系数。4.如权利要求1所述的方法，其特征在于，所述根据所述目标忆阻神经网络模型构建镇定性目标函数，包括：根据所述目标神经网络模型的自反馈系数，控制系数，记忆性系数构造连续函数；根据预设电压函数与所述连续函数得到镇定性目标函数，所述目标函数表示所述电压值与所述当前神经元的关系。5.如权利要求4所述的方法，其特征在于，所述根据自反馈系数，控制系数，记忆性系数构造连续函数之前，还包括：根据控制增益与当前神经元构建控制器；根据所述控制器对所述忆阻神经网络进行镇定性处理。6.如权利要求1所述的方法，其特征在于，所...
【专利技术属性】
技术研发人员：赵杰梅，谌毅，陈彬彬，刘明明，
申请(专利权)人：武汉轻工大学，
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。