CN108153147B - 一种无源性的分析方法 - Google Patents
一种无源性的分析方法 Download PDFInfo
- Publication number
- CN108153147B CN108153147B CN201711444587.5A CN201711444587A CN108153147B CN 108153147 B CN108153147 B CN 108153147B CN 201711444587 A CN201711444587 A CN 201711444587A CN 108153147 B CN108153147 B CN 108153147B
- Authority
- CN
- China
- Prior art keywords
- time lag
- passivity
- follows
- neural network
- network system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明提出一种无源性的分析方法,在其中考虑了随机发生混合时滞、随机干扰和参数不确定对无源性分析的影响,构造李亚普诺夫函数完整利用了时滞的有效信息,相比于已有的神经网络动态***的无源性分析方法,本发明的分析方法能够一并考虑随机发生的混合时滞、随机干扰和参数不确定,得出了依赖于线性矩阵不等式解的无源性分析方法,达到抗非线性扰动的目的,本发明适用于非线性复杂动态***的无源性分析。
Description
技术领域
本发明属于控制领域,涉及一种具有随机发生混合时滞的随机神经网络***的无源性/鲁棒无源性的分析方法,本发明适用于非线性复杂动态***的无源性分析。
背景技术
人工神经网络作为一门交叉学科,在许多领域得到应用,研究它的发展过程和前沿问题具有重要的理论意义。由于神经网络具有信息的分布存储,并行处理和自学习能力等优点,所以在信息处理,模式识别智能控制等领域有着广泛的应用前景。一个神经网络***若想在工程中发挥作用就必须具备稳定性,因此在研究神经网络的核心问题中,稳定性分析是极为重要的且必不可少的一个环节。在稳定性分析过程中,需要构造合适的李雅普诺夫函数,但其实际可行的构造方法并不多。而无源***的存储函数在一定条件下便可以作为李雅普诺夫函数,所以神经网络***的无源性分析问题具有广阔的应用前景。
由于有限的信息处理速度,在实际控制***,尤其在一些生态***和神经网络中,时滞是常见的,而时其发生的不确定性更是令人困扰的问题。由于时滞的产生可能会降低***的质量,甚至导致振荡甚至不稳定。因此,对时滞***的无源性研究具有理论和实际意义。
发明内容
本发明为了解决现有无源性分析方法不能同时处理随机发生的混合时滞、随机干扰和参数不确定,进而影响***无源性分析的问题,提出一种无源性的分析方法。
本发明的目的通过以下技术方案实现:一种无源性的分析方法,包括以下步骤:
步骤一、建立具有随机发生混合时滞和随机干扰的神经网络***动态模型;
步骤二、根据所述动态模型,建立综合考虑随机发生混合时滞与随机干扰的无源性性能指标;
步骤三、根据所述无源性性能指标构建李雅普诺夫函数,进而求出李雅普诺夫函数差分的期望;
步骤四、根据步骤三中结果及神经网络***中相关约束条件,建立不等式关系;
步骤五、根据无源性判据,对具有随机发生混合时滞与随机干扰的神经网络***进行无源性分析;
步骤六、建立具有参数不确定、随机发生混合时滞和随机干扰的神经网络***的动态模型;
步骤七:根据步骤六建立的动态模型,重复步骤二至步骤四,根据鲁棒无源性判据,对具有参数不确定、随机发生混合时滞和随机干扰的神经网络***进行鲁棒无源性分析。
进一步地,所述步骤一具体为:
建立具有随机发生混合时滞和随机干扰的神经网络***动态模型,其***状态空间形式为:
式中,表示神经网络***的状态向量,u(k)为***的输入向量, 和皆为非线性激励函数,y(k)为神经网络的测量输出,ω(k)为标准高斯噪声序列,为扩散系数,τ(k)为时变时滞,满足d为无穷分布时滞,τm(k)为有限分布时滞,满足dmin≤τm(k)≤dmax,A=diag{a1,a2,…,an}为实对角常矩阵,B=(bij)n×n为连接权值矩阵,C=(cij)n×n、D=(dij)n×n及E=(eij)n×n皆为时滞连接权值矩阵;为相互独立的伯努利分布白序列,概率分布为 其中和为已知非负常数,q为已知正整数,常数μd满足下列条件:
非线性激励函数连续有界且满足以下约束条件:
式中,Gj +,Gj -,Fj +,Fj -,Hj +,Hj -为常数,gj(·),fj(·),hj(·)为第j个神经元的激励函数。
进一步地,所述步骤二具体为:
建立无源性性能指标如下:
进一步地,所述步骤三具体为:
构建李雅普诺夫函数如下:
式中P,Q1,Q2,Q3,Z1,Z2,Θm为待求正定矩阵;
所述李雅普诺夫函数的差分的期望为:
式中,η(k)=x(k+1)-x(k),ΔV(k,x(k))=V(k+1,x(k+1))-V(k,x(k)),V(k,x(k))为k时刻的李雅普诺夫函数,ΔV(k,x(k))为k时刻的李雅普诺夫函数的差分,xT(k)为x(k)的转置,ηT(j)为η(j)的转置,fT(x(j))为f(x(j))的转置,hT(x(i))为h(x(i))的转置。
进一步地,所述步骤四具体为:
建立不等式关系如下:
式中:
其中:
进一步地,所述步骤五具体为:
所述无源性判据如下:
τZ1+P-λI≤0, (6)
式中:
Π3=diag{-Q1,-Q3,-Z1,-Z1,-Z1}
对具有随机发生混合时滞与随机干扰的神经网络***进行无源性分析:应用舒尔补引理于(7)式,可得:
综合(5)式可得
根据V(k,x(k))的定义,下式成立:
所以
成立,满足(2)式无源性指标,即若(6)-(7)式有可行解,证明***无源,否则,说明***并不是无源的。
进一步地,所述步骤六具体为:
建立具有参数不确定、随机发生混合时滞和随机干扰的神经网络***的动态模型如下:
式中:K,A,B,C,D,E和Ni(i=1,2,3,4,5)为已知常矩阵,ΔA,ΔB,ΔC,ΔD,ΔE为时变矩阵且满足:[ΔA ΔB ΔC ΔD ΔE]=KF(k)[N1 N2 N3 N4 N5],F(k)为未知时变值函数,满足FT(k)F(k)≤I。
进一步地,所述步骤七具体为:
所述鲁棒无源性判据如下:
τZ1+P-λI≤0, (9)
其中,ε>0为待求标量,
Λ22=-M,Λ26=-I,Λ29=R2-S2,Λ33=-N,Λ39=R3-S3+G2N,
Λ49=R4-S4,Λ59=R5-S5,Λ66=-γI,Λ69=R6-S6,Λ79
=R7-S7,Λ89=R8-S8,
若线性矩阵不等式(9)-(10)有可行解,则证明具有参数不确定、随机发生混合时滞和随机干扰的神经网络***是鲁棒无源的,否则证明***并不是鲁棒无源的。
本发明提出一种无源性的分析方法,在其中考虑了随机发生混合时滞、随机干扰和参数不确定对无源性分析的影响,构造李亚普诺夫函数完整利用了时滞的有效信息,相比于已有的神经网络动态***的无源性分析方法,本发明的分析方法能够一并考虑随机发生的混合时滞、随机干扰和参数不确定,得出了依赖于线性矩阵不等式解的无源性分析方法,达到抗非线性扰动的目的,并且该分析方法方便求解,易于实现。
附图说明
图1为本发明所述方法流程图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
符号说明:
本发明中,MT表示矩阵M的转置。Rn表示n维欧几里得空间,Rn×m表示所有n×m阶实矩阵的集合。I和0分别表示单位矩阵、零矩阵。P>0表示一系列实对称正定矩阵。E{x}代表随机变量x的数学期望。||x||代表向量x的欧几里得范数。diag{A1,A2,…,An}表示对角块是矩阵A1,A2,…,An的块对角矩阵,符号*在对称块矩阵中表示对称项的省略。如果M为对称矩阵,λmax(M)表示矩阵M的最大特征值。若发明中某处没有明确指定矩阵维数,则假定其维数适合矩阵的代数运算。
结合图1,一种无源性的分析方法,包括以下步骤:
步骤一、建立具有随机发生混合时滞和随机干扰的神经网络***动态模型;
步骤二、根据所述动态模型,建立综合考虑随机发生混合时滞与随机干扰的无源性性能指标;
步骤三、根据所述无源性性能指标构建李雅普诺夫函数,进而求出李雅普诺夫函数差分的期望;
步骤四、根据步骤三中结果及神经网络***中相关约束条件,建立不等式关系;
步骤五、根据无源性判据,对具有随机发生混合时滞与随机干扰的神经网络***进行无源性分析;
步骤六、建立具有参数不确定、随机发生混合时滞和随机干扰的神经网络***的动态模型;
步骤七:根据步骤六建立的动态模型,重复步骤二至步骤四,根据鲁棒无源性判据,对具有参数不确定、随机发生混合时滞和随机干扰的神经网络***进行鲁棒无源性分析。
所述步骤一具体为:
建立具有随机发生混合时滞和随机干扰的神经网络***动态模型,其***状态空间形式为:
式中,表示神经网络***的状态向量,u(k)为***的输入向量, 和皆为非线性激励函数,y(k)为神经网络的测量输出,ω(k)为标准高斯噪声序列,为扩散系数,τ(k)为时变时滞,满足d为无穷分布时滞,τm(k)为有限分布时滞,满足dmin≤τm(k)≤dmax,A=diag{a1,a2,...,an}为实对角常矩阵,B=(bij)n×n为连接权值矩阵,C=(cij)n×n、D=(dij)n×n及E=(eij)n×n皆为时滞连接权值矩阵;为相互独立的伯努利分布白序列,概率分布为 其中和为已知非负常数,q为已知正整数,常数μd满足下列条件:
非线性激励函数连续有界且满足以下约束条件:
式中,Gj +,Gj -,Fj +,Fj -,Hj +,Hj -为常数,gj(·),fj(·),hj(·)为第j个神经元的激励函数。
所述步骤二具体为:
建立无源性性能指标如下:
所述步骤三具体为:
构建李雅普诺夫函数如下:
式中P,Q1,Q2,Q3,Z1,Z2,Θm为待求正定矩阵;
所述李雅普诺夫函数的差分的期望为:
式中,η(k)=x(k+1)-x(k),ΔV(k,x(k))=V(k+1,x(k+1))-V(k,x(k)),V(k,x(k))为k时刻的李雅普诺夫函数,ΔV(k,x(k))为k时刻的李雅普诺夫函数的差分,xT(k)为x(k)的转置,ηT(j)为η(j)的转置,fT(x(j))为f(x(j))的转置,hT(x(i))为h(x(i))的转置。
所述步骤四具体为:
建立不等式关系如下:
式中:
其中:
所述步骤五具体为:
所述无源性判据如下:
τZ1+P-λI≤0, (6)
式中:
Π3=diag{-Q1,-Q3,-Z1,-Z1,-Z1}。
对具有随机发生混合时滞与随机干扰的神经网络***进行无源性分析:
应用舒尔补引理于(7)式,可得:
综合(5)式可得
根据V(k,x(k))的定义,下式成立:
所以
成立,满足(2)式无源性指标,即若(6)-(7)式有可行解,证明***无源,否则,说明***并不是无源的。
所述步骤六具体为:
建立具有参数不确定、随机发生混合时滞和随机干扰的神经网络***的动态模型如下:
式中:K,A,B,C,D,E和Ni(i=1,2,3,4,5)为已知常矩阵,ΔA,ΔB,ΔC,ΔD,ΔE为时变矩阵且满足:[ΔA ΔB ΔC ΔD ΔE]=KF(k)[N1 N2 N3 N4 N5],F(k)为未知时变值函数,满足FT(k)F(k)≤I。
所述步骤七具体为:
所述鲁棒无源性判据如下:
τZ1+P-λI≤0, (9)
其中,ε>0为待求标量,
若线性矩阵不等式(9)-(10)有可行解,则证明具有参数不确定、随机发生混合时滞和随机干扰的神经网络***是鲁棒无源的,否则证明***并不是鲁棒无源的。
采用本发明所述方法进行仿真验证:
***参数选为:
N1=0.3I,N2=0.5I,N3=0.6I,N4=0.1I,N5=0.2I,K=0.4I
非线性激励函数选为:
随机干扰为σ(x(k),x(k-τ(k)),k)=diag{-0.02sin(y(k-τ(k)))|x1(k)|,0.03sin(x2(k))}。
对(9)式进行求解,得到使式(8)满足鲁棒无源的性能指标γ,其部分求解结果如下:
λ=72.0598,γ=118.8594,ε=6.7541。
仿真效果展示在图2、3、4中:
图2是在情形下,神经网络***的状态变化曲线x1(k)和x2(k);图3是在情形下,神经网络***的状态变化曲线x1(k)和x2(k);图4是在情形下,神经网络***的状态变化曲线x1(k)和x2(k)。
当时,说明***时滞完全发生,由图2可见,曲线几乎未靠近过平衡点,***性能较差;当时,由图4可见,曲线频繁靠***衡点,***性能较好;当时,由图3可见,***性能介于二者之间。综上所述,对于具有随机发生混合时滞的随机神经网络***,所发明的无源性分析方法是有效、可行的。
以上对本发明所提供的一种无源性的分析方法,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (1)
1.一种无源性的分析方法,其特征在于,包括以下步骤:
步骤一、建立具有随机发生混合时滞和随机干扰的神经网络***动态模型;
步骤二、根据所述动态模型,建立综合考虑随机发生混合时滞与随机干扰的无源性性能指标;
步骤三、根据所述无源性性能指标构建李雅普诺夫函数,进而求出李雅普诺夫函数差分的期望;
步骤四、根据步骤三中结果及神经网络***中相关约束条件,建立不等式关系;
步骤五、根据无源性判据,对具有随机发生混合时滞与随机干扰的神经网络***进行无源性分析;
步骤六、建立具有参数不确定、随机发生混合时滞和随机干扰的神经网络***的动态模型;
步骤七:根据步骤六建立的动态模型,重复步骤二至步骤四,根据鲁棒无源性判据,对具有参数不确定、随机发生混合时滞和随机干扰的神经网络***进行鲁棒无源性分析;
所述步骤一具体为:
建立具有随机发生混合时滞和随机干扰的神经网络***动态模型,其***状态空间形式为:
式中,表示神经网络***的状态向量,u(k)为***的输入向量, 和皆为非线性激励函数,y(k)为神经网络的测量输出,ω(k)为标准高斯噪声序列,为扩散系数,τ(k)为时变时滞,满足d为无穷分布时滞,τm(k)为有限分布时滞,满足dmin≤τm(k)≤dmax,A=diag{a1,a2,...,an}为实对角常矩阵,B=(bij)n×n为连接权值矩阵,C=(cij)n×n、D=(dij)n×n及E=(eij)n×n皆为时滞连接权值矩阵;为相互独立的伯努利分布白序列,概率分布为 其中和为已知非负常数,q为已知正整数,常数μd满足下列条件:
非线性激励函数连续有界且满足以下约束条件:
式中,Gj +,Gj -,Fj +,Fj -,Hj +,Hj -为常数,gj(·),fj(·),hj(·)为第j个神经元的激励函数;
所述步骤二具体为:
建立无源性性能指标如下:
所述步骤三具体为:
构建李雅普诺夫函数如下:
式中P,Q1,Q2,Q3,Z1,Z2,Θm为待求正定矩阵;
所述李雅普诺夫函数的差分的期望为:
式中,η(k)=x(k+1)-x(k),ΔV(k,x(k))=V(k+1,x(k+1))-V(k,x(k)),V(k,x(k))为k时刻的李雅普诺夫函数,ΔV(k,x(k))为k时刻的李雅普诺夫函数的差分,xT(k)为x(k)的转置,ηT(j)为η(j)的转置,fT(x(j))为f(x(j))的转置,hT(x(i))为h(x(i))的转置;
所述步骤四具体为:
建立不等式关系如下:
式中:
其中:符号*在对称块矩阵中表示对称项的省略;
所述步骤五具体为:
所述无源性判据如下:
τZ1+P-λI≤0, (6)
式中:
Π3=diag{-Q1,-Q3,-Z1,-Z1,-Z1}
对具有随机发生混合时滞与随机干扰的神经网络***进行无源性分析:应用舒尔补引理于(7)式,可得:
综合(5)式可得
根据V(k,x(k))的定义,下式成立:
所以
成立,满足(2)式无源性指标,即若(6)-(7)式有可行解,证明***无源,否则,说明***并不是无源的;
所述步骤六具体为:建立具有参数不确定、随机发生混合时滞和随机干扰的神经网络***的动态模型如下:
式中:K,A,B,C,D,E和Ni为已知常矩阵,i=1,2,3,4,5;ΔA,ΔB,ΔC,ΔD,ΔE为时变矩阵且满足:[ΔA ΔB ΔC ΔD ΔE]=KF(k)[N1 N2 N3 N4 N5],F(k)为未知时变值函数,满足FT(k)F(k)≤I;
所述步骤七具体为:
所述鲁棒无源性判据如下:
τZ1+P-λI≤0, (9)
其中,ε>0为待求标量,
若线性矩阵不等式(9)-(10)有可行解,则证明具有参数不确定、随机发生混合时滞和随机干扰的神经网络***是鲁棒无源的,否则证明***并不是鲁棒无源的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711444587.5A CN108153147B (zh) | 2017-12-27 | 2017-12-27 | 一种无源性的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711444587.5A CN108153147B (zh) | 2017-12-27 | 2017-12-27 | 一种无源性的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108153147A CN108153147A (zh) | 2018-06-12 |
CN108153147B true CN108153147B (zh) | 2021-03-12 |
Family
ID=62463259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711444587.5A Active CN108153147B (zh) | 2017-12-27 | 2017-12-27 | 一种无源性的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108153147B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6064997A (en) * | 1997-03-19 | 2000-05-16 | University Of Texas System, The Board Of Regents | Discrete-time tuning of neural network controllers for nonlinear dynamical systems |
EP2447792A1 (en) * | 2005-09-19 | 2012-05-02 | Cleveland State University | Controllers, observer, and applications thereof |
CN102915385A (zh) * | 2011-08-03 | 2013-02-06 | 复旦大学 | 一种基于时域梯形法差分的互连线模型降阶方法 |
CN104730921A (zh) * | 2015-01-13 | 2015-06-24 | 河海大学常州校区 | 基于终端滑模的有源电力滤波器模糊神经网络控制方法 |
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
CN106875009A (zh) * | 2017-03-03 | 2017-06-20 | 深圳市唯特视科技有限公司 | 一种基于人工神经网络的混沌控制方法 |
CN107065555A (zh) * | 2017-04-27 | 2017-08-18 | 成都理工大学 | 模糊随机大***的稳定性分析方法 |
-
2017
- 2017-12-27 CN CN201711444587.5A patent/CN108153147B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6064997A (en) * | 1997-03-19 | 2000-05-16 | University Of Texas System, The Board Of Regents | Discrete-time tuning of neural network controllers for nonlinear dynamical systems |
EP2447792A1 (en) * | 2005-09-19 | 2012-05-02 | Cleveland State University | Controllers, observer, and applications thereof |
CN102915385A (zh) * | 2011-08-03 | 2013-02-06 | 复旦大学 | 一种基于时域梯形法差分的互连线模型降阶方法 |
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
CN104730921A (zh) * | 2015-01-13 | 2015-06-24 | 河海大学常州校区 | 基于终端滑模的有源电力滤波器模糊神经网络控制方法 |
CN106875009A (zh) * | 2017-03-03 | 2017-06-20 | 深圳市唯特视科技有限公司 | 一种基于人工神经网络的混沌控制方法 |
CN107065555A (zh) * | 2017-04-27 | 2017-08-18 | 成都理工大学 | 模糊随机大***的稳定性分析方法 |
Non-Patent Citations (8)
Title |
---|
Hongyi Li 等.New passivity results for uncertain discrete-time stochastic neural networks with mixed time delays.《Neurocomputing》.2010,第73卷 * |
Liangliang Li 等.Delay-dependent passivity analysis of impulsive neural networks with time-varying delays.《Neurocomputing》.2015,第168卷 * |
M.Syed Ali 等.Passivity analysis of stochastic neural networks with leakage delay and Markovian jumping parameters.《Neu}ocomputing》.2016, * |
彭诗友.几类时变时滞神经网络的无源性分析.《中国优秀硕士学位论文全文数据库信息科技辑》.2016,(第11期), * |
朱进.递归神经网络的稳定性和无源性分析.《中国博士学位论文全文数据库信息科技辑》.2013,(第3期), * |
沈坷婷.几类时滞神经网络的无源性分析.《中国优秀硕士学位论文全文数据库信息科技辑》.2012,(第7期), * |
牟少帅.时滞***的稳定性分析.《中国优秀硕士学位论文全文数据库信息科技辑》.2012,(第7期), * |
邵雪莹.几类时滞不确定神经网络的稳定性分析.《中国优秀硕士学位论文全文数据库基础科学辑》.2016,(第1期), * |
Also Published As
Publication number | Publication date |
---|---|
CN108153147A (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Distributed optimization based on a multiagent system in the presence of communication delays | |
Chen et al. | Distributed Pareto optimization via diffusion strategies | |
Sakthivel et al. | Synchronization and state estimation for stochastic complex networks with uncertain inner coupling | |
Wang et al. | Stability of recurrent neural networks with time-varying delay via flexible terminal method | |
CN109088749B (zh) | 一种随机通讯协议下复杂网络的状态估计方法 | |
CN111812980B (zh) | 基于未知输入观测器的离散切换***的鲁棒故障估计方法 | |
Duan et al. | Decentralized adaptive NN state-feedback control for large-scale stochastic high-order nonlinear systems | |
Jami'In et al. | Deep searching for parameter estimation of the linear time invariant (LTI) system by using quasi-ARX neural network | |
Wu et al. | Moment exponential stability of random delay systems with two-time-scale Markovian switching | |
Huang et al. | Analysis and pinning control for generalized synchronization of delayed coupled neural networks with different dimensional nodes | |
Wang et al. | Synchronization of generally uncertain Markovian inertial neural networks with random connection weight strengths and image encryption application | |
Yang et al. | Resilient state estimation for nonlinear complex networks with time-delay under stochastic communication protocol | |
CN109688024A (zh) | 基于随机通信协议的复杂网络弹性状态估计方法 | |
CN108153147B (zh) | 一种无源性的分析方法 | |
Wang et al. | Passivity of memristive BAM neural networks with leakage and additive time-varying delays | |
Duan et al. | Optimization landscape of policy gradient methods for discrete-time static output feedback | |
Lee et al. | Utility of edge-wise funnel coupling for asymptotically solving distributed consensus optimization | |
Sadamoto et al. | Low-dimensional functional observer design for linear systems via observer reduction approach | |
Nekhoroshikh et al. | On simple design of a robust finite-time observer | |
CN113820954A (zh) | 一种广义噪声下复杂非线性***的容错控制方法 | |
Wang et al. | Robust Admissibilization for Discrete‐Time Singular Systems with Time‐Varying Delay | |
Ning et al. | Robust decentralized H∞ control of multi-channel systems with norm-bounded parametric uncertainties | |
Wang et al. | Multi-task total least-squares adaptation over networks | |
CN111339489A (zh) | 一种有限域情形下多智能体***的控制器设计方法 | |
Sun et al. | Multiple delay-dependent guaranteed cost control for uncertain switched random nonlinear systems against intermittent sensor and actuator faults |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |