在这一节中,采用了部分自适应控制和部分线性控制策略来降低控制成本,并推导了一些新的准则来确保FOCVNN的全局同步(2)和(4).
定义错误\(e_{j}(t)=u{jneneneep(t)-w{j}(t)\)对于\(j\in\varLambda\),并设计了部分自适应控制器\(u{j}(t)\)如下所示:
$$\left\{\textstyle\begin{array}{l@{\quad}l}u_{j}(t)=-\xi_{jneneneep(t)e_{j}(t),&1\leqj\leql,1\leq l\leqn-1,\\{}_{t{0}}^{c} D类_{t} ^{q}\xi{j}(t)=\eta{j}\上横线{e_{j}(t)}e_{j}(t),&\\u{j{}(t=0,&l+1\leqj\leqn,\end{array}\displaystyle\right$$
(5)
哪里\(\eta_{j}>0\),\(\xi_{j}(t)\in\mathbb{R}\).
备注1
让\(\xi_{j}(t_{0})\geq0\),\(j\in\varLambda\)显然,它是从第二个等式(5)那个\(xi{j}(t)=xi{j{}(t{0})+{t{0{}}I{t}^q},因此我们可以很容易地推导\(\xi_{j}(t)\geq0).
备注2
当FOCVNN(1)和受控的FOCVNN(三)实现全局同步,自适应控制增益\(xi{j}(t))趋向于某个正常数,这是因为常数的卡普托导数等于零
根据(2)和(4)以及(5),我们推导出误差系统
$${}_{t_{0}}^{c} D类_{t}(t)^{q} e(电子)(t) =-Ce(t)+A\bigl[f\bigl(z(t)\bigr)-f\bigle(w(t)\ bigr$$
(6)
\(D_{\xi}(t)=\operatorname{diag}(\xi_{1}(c),\xi_}2}(b),\ldots,\xi_{l}(D),\下大括号{0,0,\ldot,0}_{n-l})\).
定理1
假设中1和部分自适应控制器(5),FOCVNN(2)和(4)如果满足以下条件,则可以实现全局同步
$$\最大_{l+1\leq j\leq n}\bigl\{l_{j}^{2} -2c个_{j} \bigr\}+\lambda_{\max}\bigl(AA^{H}\bigr)<0$$
(7)
哪里\(((AA^{H}){l}\)是矩阵的次矩阵\(AA^{H}\)通过删除第一个我(\(1))行-列对.
证明
按以下形式构造Lyapunov函数:
哪里\(\xi_{j}^{star}\)是一个待确定的正常数。
计算的导数(8)沿着…的轨迹(6),我们获得
$$\开始{对齐}[b]{}_{t_{0}}^{c} 天_{t}(t)^{q} V(V)_{1} (t)&\leq e ^{H}(t){}_{t_{0}}^{c} D类_{t}(t)^{q} e(电子)(t) +\bigl({}_{t_{0})^{c} D类_{t}(t)^{q} e(电子)^{H} (t)e(t)+\sum_{j=1}^{l}\frac{2}{\ta_{j}}\bigl(t)-\xi_{j{}^{star}\bigr){}{t{0}}^{c} D类_{t} ^{q}\xi_{j}(t)\\&=e^{H}(t)\bigl{\xi}(t)e(t)\biger)^{H} e(电子)(t) \\&\quad+2\sum_{j-1}^{l}\bigl(\xi_{j}(t)-\xi_}^{star}\bigr t)\bigr)-f\bigl(u(t)\bigr)\biger)^{H} A类^{H} e(电子)(t) -2e^{H}(t)D_{\xi}^{\star}e(t)\\&\leq-2e^}H})-f\bigl(u(t)\bigr)\biger)-2e^{H}(t)D_{xi}^{star}e(t),\end{aligned}$$
(9)
哪里\(D_{\xi}^{\star}=\operatorname{diag}(\xi_{1}^{\star},\xi_}2}^{star},\ ldots,\ xi_{l}^{星},\n下大括号{0,0,\ ldot,0}_{n-l})\).根据假设1,我们可以获得
$$\bigl(f\bigl(z(t)\bigr)-f\bigl(u(t)\bigr)\bigr)^{H}\bigl(f\bigl(z(t)\bigr)-f\bigl(u(t)\bigr)\bigr)\leq e ^{H}(t)LL e(t)$$
(10)
哪里\(L=\operatorname{diag}(L_{1},L_{2},\ldots,L_}n})\)是实值正对角矩阵。根据(9)和(10),我们有
$${}_{t_{0}}^{c} D类_{t}(t)^{q} V(V)_{1} (t)\leq e^{H}(t)\ bigl(W-2D_{xi}^{star}\ bigr)e(t)$$
(11)
哪里\(W=\lambda_{max}(AA^{H})I_{n\times n}+LL-2C\)。使用矩阵分解,我们有
$$W-2D_{\xi}^{\star}=\left(\textstyle\begin{array}{c@{quad}c}B-2\tilde{D}&G\\G^{H}&W_{l}\end{arrary}\displaystyle\right)$$
哪里\(B=(B_{ij}){l\乘以l}\),\(b{ij}=w{ij{),\(i,j=1,2,\ldots,l\),\(tilde{D}=\operatorname{diag}(\xi_{1}^{\star},\xi_2}^{star},\ ldots,\xi_}l}^{\star})\),\(G=(G{ij}){l\次(n-l)}\),\(g{ij}=w{ij{),\(i=1,2,\ldot,l),\(j=l+1,l+2,\ldot,n)、和\(W_{l}\)是的次矩阵W公司通过删除第一个我(\(1 \leq l \leq n-1))行-列对。它来自引理4和条件(7)那个\(\lambda_{max}((\lampda_{max}(AA^{H})I_{n次n}+LL-2C){l},这意味着\(W_{l}<0\).如果我们选择正常数\(\xi_{j}^{star}>0\),\(i=1,2,\ldot,l),因此\(\xi_{j}^{star}>\frac{1}{2}\lambda{max}(B-GW{l}^{-1}G^{H} )\),根据引理5和\(W_{l}<0\),我们推导\(W-2D_{xi}^{star}<0\),然后从(11)那个
$${}_{t_{0}}^{c} D类_{t}(t)^{q} V(V)_{1} (t)\leq-\lambda^{\star}e^{H}(t)e(t)$$
(12)
哪里\(-\lambda^{\star}=\lambda{max}(W-2D_{xi}^{star})和\(\lambda^{\star}>0\).根据(12),存在一个非负函数\(r(t)\)这样的帽子
$${}_{t_{0}}^{c} 天_{t}(t)^{q} V(V)_{1} (t)+r(t)=-\lambda^{\star}e^{H}(t)e(t)$$
(13)
整合(13)来自\(t_{0}\)到t吨,我们获得
$$\开始{对齐}[b]-\lambda^{\star}\int_{t_0}}^{t} e(电子)^{H} (\泽塔)e(\泽达)\,d\zeta&=\int_{t{0}}^{t}{}{t{0}}^{c} 天_{\泽塔}^{q} V(V)_{1} (\tau)\,d\zeta+\int_{t{0}}^{t} 第页(泽塔)\,d\zeta\\&=\frac{1}{\varGamma(1-q)}\int_{t_{0}}^{t}\ int_{t_{0}{^{\zeta}\ frac{V{1}'(\tau)}{(\zeta-\tau^{t} 第页(泽塔)^{t} 第页(泽塔)\,d\zeta\&=\frac{1}{(1-q)\varGamma(1-q)}\int_{t_{0}}^{t} V(V)_{1} '(τ)(t-\tau)^{1-q},d\tau+int_{t_0}}^{t} 第页(泽塔),d\zeta\&=-\frac{V{1}(t_{0})(t-t_{0{)^{1-q}}{varGamma(2-q)}+\frac}1}{var伽马(1-q)}\int{t{0}}^{t} V(V)_{1} (\tau)(t-\tau)^{-q}\,d\tau\\&&quad+\int_{t_{0}}^{t} 第页(zeta)\,d\zeta \&\geq-\frac{V{1}(t_{0})(t-t_{0{)^{1-q}}{varGamma(2-q)},\end{aligned}$$
(14)
很容易从中获得(14)那个
$$\int_{t_{0}}^{t} e(电子)^{H} (泽塔)e(泽塔语),d\zeta\leq\frac{V{1}(t_{0})(t-t_{0{)^{1-q}}{lambda^{star}\varGamma(2-q)}$$
(15)
因此
$$\lim_{t\rightarrow+\infty}\frac{\int_{t_0}}^{t} e(电子)^{H} (泽塔)e(泽塔族),d\zeta}{(t-t_{0})^{1-q}}\leq\frac{V(t_{0{)}{lambda^{star}\varGamma(2-q)}$$
(16)
通过采用L'Hospital规则,我们得到
$$\lim_{t\rightarrow+\infty}e^{H}(t)e(t)(t t_{0})^{q}\leq\frac{V{1}(t_{0{)}{lambda^{star}\varGamma(2-q)}$$
(17)
取的分数次积分(13)来自\(t_{0}\)到t吨一个派生
$$开始{对齐}[b]V_{1}(t)-V_{1{(t_{0})&=-\frac{1}{\varGamma(q)}\int_{t_{0}}^{t}\frac}r(\zeta)}{(t-\ zeta)^{1-q}}\分形{e^{H}(\泽塔)e(\泽塔尔)}{(t-\泽塔尔)^{1-q}}\,d\zeta\\&=0。\结束{对齐}$$
(18)
组合(8)和(18)收益率
$$e^{H}(t)e(t)\leq V_{1}(t)\leqV_{1}(t_{0})$$
(19)
也就是说,\(e^{H}(t)e(t)\)必须是有界的。与一起(17)和(19),我们知道存在\(t{1}>0\)令人满意的
$$e^{H}(t)e(t)\leq\frac{V{1}(t_{0})}{lambda^{star}\varGamma(2-q)(t-t_{0{)^{q}}$$
为所有人\(t\geq t_{1}),这意味着
$$\lim_{t\rightarrow+\infty}e^{H}(t)e(t)=0$$
这表明受控响应FOCVNN(4)与FOCVNN同步(2)部分自适应控制器下(5). □
如果我们采取\(\eta_{j}=0\)控制器中(5),然后是部分自适应控制器(5)退化为部分线性反馈控制器
$$\left\{\textstyle\begin{array}{l@{\quad}l}u{j}(t)=-\xi_{j} e(电子)_{j} (t),&1\leqj\leql,1\leq l\leqn-1,\\u{j}(t)=0,&l+1\leqj\ leqn,\end{array}\displaystyle\right$$
(20)
哪里\(\xi_{j}\in\mathbb{R}\)在这种情况下,我们可以得出以下推论。
推论1
假设中1和条件(7),如果代数不等式
$$\min_{1\leqj\leql}\{\xi_{j}\}>\frac{1}{2}\lambda{max}\bigl(B-GW_{l}^{-1}G^{H} \更大)$$
(21)
感到满意,然后是FOCVNN(2)和(4)可以实现全球Mittag-部分线性反馈控制器下的Leffler同步(20).
证明
按以下形式构造Lyapunov函数:
$$V_{2}(t)=e^{H}(t)e(t)$$
(22)
在以下方面使用类似的过程(9)–(12),我们推导
$${}_{t_{0}}^{c} 天_{t}(t)^{q} V(V)_{2} (t)\leq-\hat{\lambda}_{1} V(V)_{2} (t)$$
哪里\(-\hat{\lambda}{1}=\lambda{\max}(W-2D_{xi}),\(W=\lambda_{max}(AA^{H})I_{n\times n}+LL-2C\),\(D_{\xi}=\operatorname{diag}(\xi_{1},\xi_2},\ ldots,\ xi_{l},\n下大括号{0,0,\ ldot,0}_{n-l})\).根据引理6,我们有\(V(t)\leq V(t_{0})E_{q}(-\hat{\lambda}_{1}(t-_{0})^{q})\),推论的证明1已完成。 □
备注3
我们观察到,现有的神经网络控制方案几乎控制所有神经元,本文采用部分线性控制和部分自适应控制方案实现了所述FOCVNN的同步。
如果我们采取\(l=n)也就是说,所有神经元都被控制,然后部分自适应控制器(5)成为自适应控制器
$$\left\{\textstyle\begin{array}{l@{quad}l}u_{j}(t)=-\xi_{jneneneep(t)e_{j}(t),&1\leqj\leqn,\\{}_{t{0}}^{c} D类_{t} ^{q}\xi{j}(t)=\eta{j}\上划线{e_{j}(t)}e_{j}(t),&\end{array}\displaystyle\right$$
(23)
哪里\(\eta_{j}>0\),\(\xi_{j}(t)\in\mathbb{R}\)在这种情况下,我们可以得出以下推论。
推论2
假设中1,FOCVNN(2)和(4)可以在自适应控制器下实现全局同步(23).
证明
按以下形式构造Lyapunov函数:
哪里\(\xi_{j}^{star}\)是一个待确定的正常数。
计算的导数(24)沿着…的轨迹(6),我们获得
$$\开始{对齐}[b]{}_{t_{0}}^{c} D类_{t}(t)^{q} V(V)(t) &\leq e ^{H}(t){}_{t_{0}}^{c} D类_{t}^{q} e(电子)(t) +\bigl({}_{t{0}}^{c} D类_{t}(t)^{q} e(电子)^{H} (t)大e(t)+sum{j=1}^{n}\frac{2}{eta{j}}\bigl(t)-\xi{j}^{star}\bigr){}{t{0}}^{c} D类_{t} ^{q}\xi_{j}(t)\\&=-e^{H}^{H} A类^{H} 电子(t) -2e^{H}(t)\widetilde{D}(D)_{xi}^{star}e(t)\\&\leq e^{H}(t)\bigl(AA^{H{+LL-2C-2\widetilde{D}(D)_{\xi}^{\star}\biger)e(t)\\&\leq\hat{\lambda}_{2} e(电子)^{H} (t)e(t),结束{对齐}$$
(25)
哪里\(\widetilde{D}(D)_{xi}^{\star}=\operatorname{diag}(\xi{1}^{star},\xi{2}^{星},\ ldots,\xi_{n}^{星})。我们选择\(\xi_{j}^{star}>\frac{1}{2}\lambda{max}(AA^{H}+LL-2C)\),\(j\in\varLambda\),这意味着\(AA^{H}+LL-2C-2\widetilde{D}(D)_{\xi}^{\star}<0\),让\(-\hat{\lambda}{2}=\lambda{max}(AA^{H}+LL-2C-2\widetilde{D}(D)_{\xi}^{\star}).使用类似的证据(13)–(19),我们得出\(\lim_{t\rightarrow+\infty}e^{H}(t)e(t)=0\),推论的证明2已完成。 □
备注4
显然,定理1,推论1和2仍然保持\(q=1).
备注5
在[23,29–31]通过实分解方法得到了同步判据。与中的实际分解方法相比[23,29–31]本文采用的李亚普诺夫直接法更自然、更紧凑。在[23]采用自适应反馈控制策略,实现了所考虑的FOCVNN的同步。在[32],作者采用线性反馈控制策略,实现了所考虑的FOCVNN的同步。与中的控制策略相比[23,32]从实际应用的角度来看,我们的部分自适应控制策略更简单,成本更低。