具有间歇耦合的复杂动态网络量化同步分析

讨论了基于量化控制信号的间歇耦合复杂动态网络的同步动力学,根据脉冲间隔周期和量化器的特征,并利用稳定性理论和 Razumikhin 定理,分别给出了含时滞和不含时滞下的复杂动态网络同步化准则.网络节点间在一系列分段周期内有耦合,耦合过程中控制作用通过“对数量化器”对同步误差的反馈控制瞬态信号进行量化.所得理论结果进一步应用于由 Chua 混沌系统为动力节点所构成的复杂动态网络,数值模拟表明了所获理论结果的有效性.     

类Chen-Qi混沌系统的固定时间自适应同步控制

类Chen-Qi四维混沌系统的渐近稳定控制的同步误差不能在有限时间内收敛到零,有限时间控制的同步误差收敛到零的状况与初值有关.因此,本文应用固定时间控制技术,设计了自适应控制器和参数估计律,试图使得驱动系统与同类型的参数未知的响应系统在固定时间内达到同步,完成了理论证明.应用数值仿真考察同步误差收敛到零的状况.选取不同参数值,不同状态初值,考察状态时程图、同步误差曲线等.结果表明:混沌运动时,固定时间内同步误差收敛到零的效果较好,与状态初值无关,收敛时间符合理论计算值;周期运动时,固定时间内前三个状态的同步误差收敛到零的效果较好,收敛时间符合理论计算值,但第四个状态的同步误差的收敛时间不符合理论计算值,其原因是系统存在的三次非线性项的不平衡、不匹配.     

具有信道时延的混沌神经网络脉冲同步

由于控制脉冲只是在特定的时间序列产生,使得同步系统中所需的驱动系统信息和能量减少,从而给混沌系统同步设计带来巨大方便。但是,由于实际电路中器件的切换速度有限且内在通讯需要时间。在通信网络中将不可避免地产生时延。因此,现有的一些同步方法将无法实现。针对这种情况,提出了一种基于脉冲控制的混沌神经网络同步策略。在该策略中考虑了信道时延带来的影响,并设计了控制器实现两个混沌神经网络的同步。计算机仿真结果验证了该方法的可行性和有效性。     

Synchronization of complex networks with coupling delays via adaptive pinning intermittent control

The problem of exponential synchronization for a class of general complex dynamical networks with nonlinear coupling delays by adaptive pinning periodically intermittent control is considered in this paper. We use the methods of the adaptive control, pinning control and periodically intermittent control. Based on the piecewise Lyapunov stability theory, some less conservative criteria are derived for the global exponential synchronization of the complex dynamical networks with coupling delays. And several corresponding adaptive pinning feedback synchronization controllers are designed. These controllers have strong robustness against the coupling strength and topological structure of the network. Using the delayed nonlinear system as the nodes of the networks, a numerical example of the complex dynamical networks with nonlinear coupling delays is given to demonstrate the effectiveness of the control strategy.     

多链接复杂网络指数同步的间歇事件触发控制

本文研究了基于间歇事件触发控制策略的延迟多链接复杂网络的指数同步问题, 设计了一种间歇动态事件触发控制策略. 相比于间歇静态事件触发控制策略, 本文提出的控制策略是基于控制区间内的动态事件触发, 极大地减少了事件触发次. 并且, 考虑的间歇控制的控制增益是自适应的, 这具有动态调整的作用. 基于图论和李雅普诺夫方法, 本文给出了实现延迟多链接复杂网络指数同步的充分条件. 此外, 本文设计的控制策略能够排除Zeno现象. 并且, 将理论结果应用于一类振子系统的指数同步问题. 最后, 文章给出相应的数值仿真来验证理论结果的有效性和可行性.     

基于残差量化卷积神经网络的人脸识别方法

针对大规模人脸识别问题,基于残差学习的超深卷积神经网络模型能取得比其他方法更高的识别精度,然而模型中存在的海量浮点参数需要占用大量的计算和存储资源,无法满足资源受限的场合需求.针对这一问题,本文设计了一种基于网络参数量化的超深残差网络模型.具体在Face-ResNet模型的基础上,增加了批归一化层和dropout层,加深了网络层次,对网络模型参数进行了二值量化,在模型识别精度损失极小的情况下,大幅压缩了模型大小并提升了计算效率.通过理论分析与实验验证了本文设计方法的有效性.     

时滞神经网络双周期间歇控制滞后同步

提出了一个时滞神经网络周期间歇控制滞后同步策略,其间歇控制周期为两个不同的周期。利用Lyapunov稳定性理论,证明了时滞神经网络在此控制策略下能够实现同步,并获得了同步解全局指数稳定的充分条件。给出了一个仿真实例验证了控制方案的有效性。     

基于神经网络和弹性积分的控制器设计及应用

提出一种新型的智能PID控制器。将前馈神经网络BP网络作用在弹性积分控制器上,在线调整控制器的参数,采用RBF神经网络作为辨识器在线辨识控制输出对控制输入对象变化的灵敏度信息,提高系统的控制精度。该智能控制器实现了整体性能优化和个别参数优化相结合的思想。通过MATLAB仿真,该新型控制器具有超调量低、鲁棒性好等控制效果。     

一种自组织模糊神经网络控制器

采用一种具有结构和参数学习能力的自组织模糊神经网络控制器设计方法。这种控制器无需事先确定模糊控制规则，能在控制过程中通过神经网络的结构及参数学习在线调整模糊神经网络的结构、产生模糊控制规则、调整规则的参数。仿真表明该控制器能用于一定纯滞后时变对象的控制，具有良好的控制性能。     

Stabilisation of stochastic differential equations driven by G-Brownian motion via aperiodically intermittent control

ABSTRACT

As an emerging field, the G-Itô stochastic calculus plays an important role in describing the model uncertainty. Many interesting works have been done on stochastic differential equations driven by G-Brownian motion (G-SDEs). Among the theories and applications of G-SDEs, the stability is the vital important one. In this paper, we investigate the stabilisation for G-SDEs based on G-Lyapunov function and aperiodically adaptive intermittent controller. As an application, the sufficient conditions are established for the stabilisation of stochastic Cohen–Grossberg neural networks driven by G-Brownian motion (G-SCGNNs). Finally, an example is provided to illustrate the obtained results.     

带有输入饱和及输出受限非仿射系统固定时间跟踪控制

针对具有量化输入饱和及输出受限的非线性非仿射系统,提出固定时间自适应神经网络跟踪控制方法.引入中值定理解决系统具有非仿射结构的问题;基于反步法,使用Barrier Lyapunov函数约束系统输出,并利用RBF神经网络逼近未知函数;根据固定时间控制理论设计输入信号,该输入信号由滞后量化器量化,以降低控制信号的通信速率,并保证该系统在满足量化输入饱和及输出受限的条件下,系统可以在固定时间内跟踪上期望信号,且该系统收敛时间与初始状态无关.最后通过Matlab仿真软件验证所设计控制器的有效性.