具有状态和测量时滞不确定系统的鲁棒H∞状态估计

考虑一类已知状态和测量时滞且范数有界参数不确定连续时间系统的鲁棒H∞状态估计问题.这个问题解的充分条件由二个代数Riccati不等式给出,它可以保证存在一个渐近稳定状态估计器使得对于所有不确定性从外界干扰到输出估计误差的传递函数满足指定的H∞指标.以上这些结果可以推广到一类未知状态和测量时滞且范数有界参数不确定连续系统的鲁棒H∞状态估计问题,对于已知状态和测量时滞系统,所得状态估计器与参数不确定性无关,而与时滞有关.对于未知状态和测量时滞系统,其状态估计器不仅与参数不确定性无关,而且与时滞也无关.     

二次规划问题的变时滞神经网络模型的全局指数稳定

研究等式约束下二次规划问题最优解神经网络模型的稳定性,提出一种变时滞Lagrange神经网络求解方法.利用线性矩阵不等式(LMI)技术,得到两个变时滞神经网络模型全局指数稳定的条件.分析表明,此稳定判据能够适应慢变时滞和快变时滞两种情况,具有适用范围宽、保守性小且易于验证等特点.数值仿真结果验证了所提方法的有效性.     

等式约束的网络化控制系统的稳定性设计

研究了等式约束的网络化控制系统的稳定性问题．在假设网络时滞是随机变化的，并且假设网络化控制系统的被控对象为一个具有等式约束的时滞系统的情况下，将网络化控制系统模型化为一个混合系统．然后采用李亚普诺夫函数、线性矩阵不等式的方法推导出了该混合系统渐近稳定的一个充分条件．根据此充分条件，通过求解一个线性矩阵不等式，较容易地获得系统的最大允许网络时滞以及此时的控制器．最后给出一个具体的数值和仿真实例说明了此设计方法是有效的．     

一类有界区间时变时滞系统的稳定性分析与研究

研究一类具有区间时变状态时滞的系统的稳定性问题．通过选择合理的Lyapunov-Krasovskii 泛函,基 于积分等式法（积分等式由自由权矩阵构造而成）,以LMI（线性矩阵不等式）的形式给出时滞相关的稳定性充分条 件．本文方法对时变时滞的导数没有任何限制,适用于快时变时滞系统．而且积分等式法比积分不等式方法保守性 更低．最后通过仿真及数值算例说明了本文方法的有效性和优越性．     

具有不确定转移概率的马尔科夫复杂网络的聚类同步

研究具有不确定转移概率的马尔科夫复杂网络系统的聚类同步问题,系统模型包含耦合的离散时变时滞和耦合的分布时变时滞.通过充分考虑转移概率的性质和不确定区域的特性,用一个含有较少变量的有效技术代替传统的Young不等式来约束转移率中的不确定项.同时,利用增广李雅普诺夫泛函和具有较小保守性的积分不等式,给出新的依赖时滞和时滞导数上下界的聚类同步准则.最后通过数值仿真验证所提出方法的有效性.     

一类具有变时滞的Hopfield型神经网络的全局指数稳定性

通过构造适当的Lyapunov函数,利用Halanay不等式和Young不等式,讨论一类具有变时滞的Hopfield型神经网络的全局指数稳定性.在对网络施加两个不同的神经元激励函数的条件下,导出网络全局指数稳定的一个充分条件,得到的充分条件在实际应用中易于验证,且有较小的保守性,因而对网络的应用和设计具有重要意义.最后,一个数值实例进一步验证结果的正确性.     

一类区间时变输入时滞与状态时滞线性系统的稳定性研究

研究一类具有区间时变输入时滞与状态时滞线性系统的稳定性问题．通过选择合理的ＬｙａｐｕｎｏｖＫｒａｓｏｖｓｋｉｉ函数,基于积分等式方法（积分等式由自由权矩阵构造而成）,以ＬＭＩ的形式给出时滞相关的稳定性充分条件,并进行了相关控制器的设计．所得结论对时滞导数没有任何限制,可用于快时变时滞系统．同时,积分等式方法较积分不等式方法更优,保守性更低．最后,通过数值比较及仿真表明了所提出方法的有效性和优越性．     

多区域时滞电力系统稳定判据的优化

在大规模互联电力系统进行全网动态分析与控制的过程中,通信时滞的存在易导致动力系统产生控制设备失效、系统性能恶化及失稳等现象.而现有时滞系统稳定判据的研究多基于Lyapunov分析方法,研究过程中需采用不等式放缩及构造Lyapunov泛函,使得稳定判据具有较高保守性,增加了系统的控制成本.针对这一问题,本文以多区域时滞电力系统为研究对象,通过引入Wirtinger不等式优化稳定判据推导过程和构造新的Lyapunov泛函两种方式,降低系统稳定判据的保守性.最后,利用典型的二阶时滞系统和两区域负荷频率控制系统,验证了本文算法的正确性和有效性.     

基于辅助函数积分不等式的不确定转移率的Markov跳变神经网络的稳定性分析

研究具有区间时变分布时滞和不确定转移率的Markov跳变区间时变时滞神经网络的稳定性问题.通过充分考虑转移概率的性质和不确定区域的特性,用一个有效的技术代替传统的Young''s不等式来约束转移率中的不确定项.同时,利用增广的李雅普诺夫泛函和具有较小保守性的辅助函数积分不等式,给出新的时滞依赖的稳定条件.仿真结果验证了所提出方法的有效性.     

具有概率分布时滞的神经网络稳定性新判据

基于概率理论和Lyapunov稳定性理论,研究一类具有概率分布时滞神经网络稳定性问题。通过构造合适的Lyapunov-Krasovskii（LK）泛函,运用Wirtinger不等式和倒凸技术来估计LK泛函导数的上界,得到了确保该类时滞神经网络在均方意义下的全局渐近稳定的新判据。该判据以LMIs形式表出,它不但依赖于时滞的上界,而且依赖于时滞的概率分布。给出两个数值例子,仿真表明所提方法的有效性和较弱的保守性。     

A delayed neural network for solving linear projection equations and its analysis

In this paper, we present a delayed neural network approach to solve linear projection equations. The Lyapunov-Krasovskii theory for functional differential equations and the linear matrix inequality (LMI) approach are employed to analyze the global asymptotic stability and global exponential stability of the delayed neural network. Compared with the existing linear projection neural network, theoretical results and illustrative examples show that the delayed neural network can effectively solve a class of linear projection equations and some quadratic programming problems.     

具有时变时滞的递归神经网络的渐近稳定性分析

当神经网络应用于最优化计算时,理想的情形是只有一个全局渐近稳定的平衡点,并且以指数速度趋近于平衡点,从而减少神经网络所需计算时间.研究了带时变时滞的递归神经网络的全局渐近稳定性.首先将要研究的模型转化为描述系统模型,然后利用Lyapunov-Krasovskii稳定性定理、线性矩阵不等式(LMI)技术、S过程和代数不等式方法,得到了确保时变时滞递归神经网络渐近稳定性的新的充分条件,并将它应用于常时滞神经网络和时滞细胞神经网络模型,分别得到了相应的全局渐近稳定性条件.理论分析和数值模拟显示,所得结果为时滞递归神经网络提供了新的稳定性判定准则.     

基于广义投影神经网络优化的模型预测控制*

为降低模型预测控制优化问题的计算复杂度,以时滞系统的模型预测控制问题作为研究对象,利用神经网络动态平衡点与优化问题解相对应的特点,提出一种基于广义投影神经网络的模型预测控制优化算法。首先,将模型预测控制优化问题描述为一个带约束的二次规划问题,进一步,通过广义投影神经网络模型进行在线优化。该方法充分发挥了神经网络并行、结构简单的优点,通过具体实例仿真,验证了本文算法的有效性与优越性。     

Discrete-time delayed standard neural network model and its application

The research on the theory and application of artificial neural networks has achieved a great success over the past two decades. Recently, increasing attention has been paid to recurrent neural networks, which are rich in dynamics, highly parallelizable, and easily implementable with VLSI. Due to these attractive features, RNNs have widely been applied to system identification, control, optimization and associative memories[1]. Stability analysis, which is critical to any applications of R…     

New cooperative projection neural network for nonlinearly constrained variational inequality

This paper proposes a new cooperative projection neural network (CPNN), which combines automatically three individual neural network models with a common projection term. As a special case, the proposed CPNN can include three recent recurrent neural networks for solving monotone variational inequality problems with limit or linear constraints, respectively. Under the monotonicity condition of the corresponding Lagrangian mapping, the proposed CPNN is theoretically guaranteed to solve monotone variational in...     

时滞标准神经网络模型及其应用

提出一种新的神经网络模型---时滞标准神经网络模型(DSNNM),它由线性动力学系统和有界静态时滞非线性算子连接而成.利用不同的Lyapunov泛函和S方法推导出DSNNM全局渐近稳定性和全局指数稳定性的充分条件,这些条件可表示为线性不等式(LMI)形式.大多数时滞(或非时滞)动态神经网络(DANN)稳定性分析或神经网络控制系统都可以转化为DSNNM,以便用统一的方法进行稳定性分析或镇定控制.从DSNNM应用于时滞联想记忆(BAM)神经网络的稳定性分析以及PH中和过程神经控制器的综合实例,可以看出,得到的稳定性判据扩展并改进了以往文献中的稳定性定理,而且可将稳定性分析推广到非线性控制系统的综合.     

Solving Quadratic Programming Problems by Delayed Projection Neural Network

In this letter, the delayed projection neural network for solving convex quadratic programming problems is proposed. The neural network is proved to be globally exponentially stable and can converge to an optimal solution of the optimization problem. Three examples show the effectiveness of the proposed network     

New delay-dependent exponential stability criteria of BAM neural networks with time delays

In this paper, the global exponential stability is investigated for the bi-directional associative memory networks with time delays. Several new sufficient conditions are presented to ensure global exponential stability of delayed bi-directional associative memory neural networks based on the Lyapunov functional method as well as linear matrix inequality technique. To the best of our knowledge, few reports about such “linearization” approach to exponential stability analysis for delayed neural network models have been presented in literature. The method, called parameterized first-order model transformation, is used to transform neural networks. The obtained conditions show to be less conservative and restrictive than that reported in the literature. Two numerical simulations are also given to illustrate the efficiency of our result.     

New results for neutral-type delayed projection neural network to solve linear variational inequalities

Recently, a neutral-type delayed projection neural network (NDPNN) was developed for solving variational inequality problems. This paper addresses the global stability and convergence of the NDPNN and presents new results for it to solve linear variational inequality (LVI). Compared with existing convergence results for neural networks to solve LVI, our results do not require the LVI that is monotone so as to guarantee the NDPNN that can solve a class of non-monotone LVI. All the results are expressed in terms of linear matrix inequalities, which can be easily checked. Simulation examples demonstrate the effectiveness of the obtained results.     

基于遗传算法优化投影寻踪技术的神经网络集成模型及其应用

首先利用遗传算法优化的投影寻踪技术对神经网络学习矩阵降维,再利用Bagging技术和不同的神经网络学习算法生成集成个体,并再次用遗传算法进化的投影寻踪技术对神经网络个体集成.建立基于遗传算法优化的投影寻踪技术神经网络集成模型,通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法具有较好的学习能力和泛化能力,在股市预测中预测精度高、稳定性好.