×
葛，赵;张琦;王红;王磊

不确定分数阶神经网络系统状态估计的序相关采样控制。 （英语） Zbl 07831213号

最佳方案。控制应用程序。方法 45，编号2，758-770（2024）.
摘要：本文利用采样数据控制器研究了具有不确定性的分数阶神经网络系统的状态估计问题。首先，考虑到数字领域的便利性，如抗干扰、不受噪声影响，针对采样时间可变的不确定性分数阶神经网络系统，设计了一种新型采样数据控制器。根据输入延迟方法，利用延迟系统对分数阶采样数据控制系统进行了仿真。该方法的主要目的是获得采样数据控制器增益（K）来估计神经元的状态，从而保证闭环分数阶系统的渐近稳定性。然后，利用分数阶Razumishin定理和线性矩阵不等式（LMI）导出了稳定条件。以LMI的形式给出了改进的时滞相关和阶相关稳定性条件。此外，可以获得采样数据控制器，以保证分数阶系统的稳定性和稳定性。最后，通过两个数值算例验证了该方法的有效性和优越性。
©2023 John Wiley&Sons有限公司。

MSC公司：

93至XX 系统理论；控制

关键词：

分数阶系统;李亚普诺夫函数;神经网络;采样数据控制;稳定性
PDF格式BibTeX公司 XML格式引用
\textit{C.Ge}等人，Optim。控制应用程序。方法45，No.2，758--770（2024；Zbl 07831213）
全文： 内政部

参考文献：

[1] 胡XF、冯G、段斯克、刘莉。一种应用于图像处理的忆阻多层细胞神经网络。IEEE传输。神经网络。学习系统2016；28(8):1889‐1901.
[2] GuhRS，XiehYC。基于神经网络的控制图异常模式识别模型。计算工业工程1999；36(1):97‐108.
[3] CheHJ、WangJ。双凸优化的双时间尺度双重神经动力学方法。IEEE传输。神经网络。学习系统2018；30(8):2503‐2514.
[4] SunJ、HanG、ZengZ、WangY。基于Memristor的全功能pavlov联想记忆神经网络电路，具有时滞和可变学习率。IEEE传输。Cybern.2019；50(7):2935‐2945.
[5] 吴阿、曾志刚、宋晓刚。分数阶双向联想记忆神经网络的全局Mittag-Lefler镇定。神经计算。2016;177:489‐496.
[6] SunWW、WuY、LvXY。具有执行器饱和和时变时滞的全状态约束机器人的自适应神经网络控制。IEEE传输。神经网络。学习系统2022；33:3331‐3342.
[7] ChenLP、WuRC、ChengY、ChenYQ。具有时变时滞的分数阶线性系统的时滞相关和阶相关稳定性和镇定。IEEE Trans Circuits Syst II，实验简介。2019;67(6):1064‐1068.
[8] ChenLP、LiTT、WuRC、ChenYQ、LiuZD。一类分数阶不确定时滞线性系统的非脆弱控制。IET控制理论应用。2021;42(4):1102‐1118. ·Zbl 1472.93102号
[9] ChenLP、LiTT、ChenYQ、WuRC。分数阶不确定线性时滞系统的输出反馈保成本控制。计算应用数学。2020;39(3):210. ·Zbl 1463.93078号
[10] ChenLP、HuangTW、MachadoJT、LopesAM、ChaiY、WuRC。一类具有时变时滞的分数阶记忆神经网络渐近稳定性的时滞相关准则。神经网络。2019;118:289‐299. ·兹比尔1443.93108
[11] 张太伟、周杰伟、辽阳Z。具有分段Caputo导数的分数阶脉冲控制神经网络的指数稳定周期振荡和Mittag-Lefler镇定。IEEE传输。Cybern.2022；52:9670‐9683.
[12] BaoHB、CaoJD、KurthsJ。分数阶延迟记忆神经网络的状态估计。非线性Dyn.2018；94(2):1215‐1225.
[13] LiuP、KongMX、ZengZG。混合时滞分数阶神经网络的投影同步分析。IEEE传输。Cybern.2022；52:6798‐6808.
[14] 刘鹏、曾志刚、王杰。时滞分数阶耦合神经网络的渐近和有限时间簇同步。IEEE传输。神经网络。学习系统2020；31:4956‐4967.
[15] BaoHB、ParkJH、CaoJD。通过量化输出控制实现分数阶输出耦合神经网络的自适应同步。IEEE传输。神经网络。学习系统2021；32:3230‐3239.
[16] ChenCY、ZhuS、WeiYC。基于延迟忆阻器的分数阶神经网络的有限时间稳定性。IEEE Trans Cybern公司。2018;50(4):1607‐1616.
[17] ThuanMV、HuongDC、HongDT。不确定性分数阶神经网络鲁棒有限时间无源性的新结果。神经过程Lett。2019;50(2):1065‐1078.
[18] 分数阶Izhikevich模型的不同神经元反应：从颤抖到快速尖峰的旅程。非线性动力学。2018;91(2):1275‐1288.
[19] ZhangZ、ToshimitsuU、ZhangJ、WangYN。不确定分数阶时滞分布阶非线性组合系统的一个新的渐近稳定性条件。J Franklin Inst.2022；356(18):10986‐11006. doi:10.1016/j.jfranklin.2022.03.042·兹比尔1504.93312
[20] RakkiyappanR、CaoJD、VelmuruganG。具有时滞的分数阶复值神经网络的存在性和一致稳定性分析。IEEE Trans Neural Netw学习系统。2015;26(1):84‐97.
[21] 卡萨格兰德、克拉耶夫斯基、维亚罗。相称分数阶系统的鲁棒稳定性。J Franklin Inst.2022；359:5559‐5574. ·Zbl 1492.93133号
[22] YangJ、HouXR、LiXX、LuoM。一种分析分数阶多参数非线性系统Hopf分岔的参数空间方法。混沌孤子分形。2022;155:111714. doi:10.1016/j.chaos.2021.111714·Zbl 1498.34049号
[23] 徐克、刘Z、廖姆、李鹏、小Q、袁S。具有多重延迟的分数阶双向联想记忆（BAM）神经网络：Hopf分岔的情况。数学计算模拟。2021;182:471‐494. ·Zbl 1524.92014年
[24] YangX、LiCD、HuangTW、SongQK。非线性分数阶脉冲系统的Mittag-Lefler稳定性分析。应用数学计算。2017;293:416‐422. ·Zbl 1411.34023号
[25] 小JY、LiYT、WenSP。分数阶多维场中神经网络的Mittag‐Leffler同步和稳定性分析。基于知识的系统。2021;231:107404.
[26] 张文波、唐毅、郑伟X、邹毅。具有包丢失的采样数据系统的稳定性：非均匀采样间隔方法。IEEE传输。赛博，2022:1‐11。doi:10.1109/TCYB.2022.3194009
[27] 肖世平、联合、特克、曾合、张欣。一种新的Lyapunov函数方法用于延迟神经网络的采样数据同步控制。《J Franklin Inst.2018》；355:8857‐8873. ·Zbl 1402.93175号
[28] KhalilR、Al-HoraniM、YousefA、SababhehM。分数导数的新定义。J计算应用数学。2014;264:65‐70. ·Zbl 1297.26013号
[29] LiuYR、WangZD、LiuXH。具有离散和分布时滞的广义递归神经网络的全局指数稳定性。神经网络。2006;19(5):667‐675. ·Zbl 1102.68569号
[30] Aguila‐CamachoN、Duarte‐MermoudMA、GallegosJA。分数阶系统的Lyapunov函数。Commun公司。非线性科学。数字。2014年模拟；19(9):2951‐2957. ·Zbl 1510.34111号
[31] LiT、GuoL、SunCY。具有时变时滞和线性分数不确定性的神经网络的鲁棒稳定性。神经计算。2007;71(1‐3):421‐427.
[32] Liu S、Yang R、Zhou XF、JiangW、LiX、ZhaoXW。分数阶时滞方程的稳定性分析及其在多智能体系统一致性中的应用。通用非线性科学数字仿真。2019;73:351‐362. ·Zbl 1464.34095号
[33] SivasundaramS，KaslikE。分数阶神经网络中的非线性动力学和混沌。神经网络。2012;32:245‐256. ·Zbl 1254.34103号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。