發(fā)布時間：2020-10-15 04:30

　　 來,隨著憶阻理論的不斷發(fā)展及其在各個領(lǐng)域中的廣泛應(yīng)用,基于憶阻建模的神經(jīng)網(wǎng)絡(luò)的動力學(xué)研究逐漸成為神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域的新熱點。憶阻器是具有記憶功能的非線性電阻,具有非易失性和納米結(jié)構(gòu)特性。神經(jīng)生理學(xué)的研究結(jié)果表明憶阻器具備模擬大腦神經(jīng)元突觸的學(xué)習(xí)能力,因此更適合于替代電阻構(gòu)建人工神經(jīng)網(wǎng)絡(luò)。憶阻器的引入極大地豐富了神經(jīng)網(wǎng)絡(luò)的動力學(xué),為神經(jīng)網(wǎng)絡(luò)的理論及應(yīng)用研究帶來了新的機遇和挑戰(zhàn)。因此,深入研究憶阻神經(jīng)網(wǎng)絡(luò)的動力學(xué)特性及其控制問題是一項十分有意義的研究工作。本文根據(jù)憶阻神經(jīng)網(wǎng)絡(luò)電路實現(xiàn)中電容的性質(zhì),將憶阻神經(jīng)網(wǎng)絡(luò)分為整數(shù)階憶阻神經(jīng)網(wǎng)絡(luò)(Integer-order Memristive Neural Networks,IMNNs)和分數(shù)階憶阻神經(jīng)網(wǎng)絡(luò)(Fractional-order Memristive Neural Networks,FMNNs),并分別對其動力學(xué)及控制展開了研究。值得指出的是,憶阻神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一類狀態(tài)依賴的切換系統(tǒng),由右端不連續(xù)的微分方程描述,傳統(tǒng)的連續(xù)微分方程解的定義將不再適用。因此,本文利用微分包含和集值映射理論,在Filippov解的意義下研究憶阻神經(jīng)網(wǎng)絡(luò)的鎮(zhèn)定與同步問題。本文的主要研究內(nèi)容如下:(1)研究了切換事件觸發(fā)控制下時滯IMNNs的鎮(zhèn)定問題。首先,通過分析傳統(tǒng)事件觸發(fā)方案的優(yōu)缺點,提出了一種基于指數(shù)衰減的切換事件觸發(fā)機制。這種新的事件觸發(fā)機制能夠在降低數(shù)據(jù)傳輸頻率的同時兼顧系統(tǒng)的性能要求。然后,根據(jù)事件觸發(fā)機制的特點,設(shè)計了時間依賴的分段李雅普諾夫泛函,結(jié)合區(qū)間矩陣法給出了反饋增益矩陣和觸發(fā)參數(shù)的聯(lián)合設(shè)計方案。穩(wěn)定性分析表明閉環(huán)系統(tǒng)能夠?qū)崿F(xiàn)全局漸近穩(wěn)定。數(shù)值仿真表明所建立的事件觸發(fā)機制和全局鎮(zhèn)定結(jié)果優(yōu)于現(xiàn)有的一些工作。(2)研究了非周期間歇控制下時滯IMNNs的準同步問題�？紤]了傳感器失敗情況下，反饋信號中斷或不完全可測的問題,設(shè)計了非周期間歇控制器以保證控制精度。首先,為了描述驅(qū)動和響應(yīng)系統(tǒng)之間憶阻連接權(quán)重異步切換的情況,提出了異步切換時間區(qū)間的概念。然后,分別建立了兩個關(guān)于矩陣p-范數(shù)的估計和兩個微分不等式,結(jié)合矩陣測度法給出了準同步準則以及預(yù)估誤差的表達式。穩(wěn)定性分析表明誤差系統(tǒng)最終收斂到一個以原點為中心的有界閉區(qū)域內(nèi)。數(shù)值仿真表明所設(shè)計控制器及所建立的準同步判據(jù)的有效性。(3)建立了一類具有不連續(xù)憶導(dǎo)函數(shù)的3D-FMNN模型并對其進行了非線性動力學(xué)分析。定性分析了分數(shù)階及切換閾值對系統(tǒng)非線性動力學(xué)行為的影響,明確了系統(tǒng)依賴于·分數(shù)階、憶導(dǎo)值及切換閾值的動力學(xué)分岔行為。研究結(jié)果表明不同于傳統(tǒng)的倍周期分岔,該系統(tǒng)通向混沌的道路為切分岔,系統(tǒng)會表現(xiàn)出陣發(fā)混沌等動力學(xué)現(xiàn)象。(4)研究了在連續(xù)時間控制下時滯FMNNs的準同步問題。首先,提出了一個新的關(guān)于Mittag-Leffler函數(shù)的估計引理,該引理解決了同步誤差的估計問題,擴展了Mittag-Leffler函數(shù)的應(yīng)用范圍。然后,通過選擇合適的分數(shù)階李雅普泛函并結(jié)合最大值法、區(qū)間矩陣法,建立了保證FMNNs的準同步判據(jù),明確了同步誤差上界與反饋增益以及參數(shù)不匹配程度的關(guān)系。數(shù)值分析表明所建立的準同步判據(jù)優(yōu)于現(xiàn)有的一些工作。(5)研究了量化控制下時滯FMNNs的完全同步問題。首先,考慮到現(xiàn)有的分數(shù)階李雅普諾夫泛函對時滯分數(shù)階非線性系統(tǒng)不能建立LMI穩(wěn)定性判據(jù)的缺陷性,建立了新的分數(shù)階李雅普諾夫泛函。然后,設(shè)計了量化狀態(tài)反饋控制器和量化耦合狀態(tài)反饋控制器,結(jié)合新的分數(shù)階李雅普諾夫泛函,建立了量化控制器參數(shù)與反饋控制增益的聯(lián)合設(shè)計方案,實現(xiàn)了誤差FMNNs系統(tǒng)的全局漸近穩(wěn)定。數(shù)值仿真表明所設(shè)計的量化控制器及同步判據(jù)的有效性。
【學(xué)位單位】：山東科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2019
【中圖分類】：TN60;TP183
【部分圖文】：

山東科技大學(xué)博士學(xué)位論文?１緒的信息，簡化了處理過程；（３）設(shè)計了時間依賴的分段李雅普諾夫泛函，該泛函在切換時??刻ｔ是不增加的，并且不要求其在所有的匕乂＋１）內(nèi)觸發(fā)區(qū)間保證＾／）＜〇。最后，數(shù)值仿??真表明所建立的事件觸發(fā)機制和全局鎮(zhèn)定判據(jù)的相關(guān)結(jié)果優(yōu)于現(xiàn)有的一些工作。???、、?、、?，?－?、、?＾??

Ｊ－１．５，?｜ｘ，｜＜０．８?Ｊ－３．６，?｜ｘ２｜＜０．８??２１?⑷一｜—１．７，?｜ａ｜＞０．８’￣?＾?３．８，?｜七＞０．８’??〔１＝３．３８＇２＝２，激活函數(shù)／）〇７）?＝?＆〇；）?＝?＾＾（巧），１＾）?＝?（０．８６，－０．５）７４６［—１，０］＜＞圖２．２顯示了??系統(tǒng)（２．１）的時域響應(yīng)圖，明顯可以看出原系統(tǒng)是不穩(wěn)定的。??根據(jù)算例的參數(shù)，可以得到＂＝〇．２５了?＝?１，１?＝?＜１化（１，１），從＝￡１一（１，１）。同時，基于引理??２．２－２．４計算可得??ａ（Ａ）?＝?ｍｉｌｄｅｒ，?（＾），ａ２（＾），〇－３（＾）｝?＝?ｍｉｎ?｛５．００２３，５．７８８５，５．０１７１｝?＝?５．００２３，??ｃ（５）?＝?ｍｉｎ＾?（５），％?（５），ｃｔ３（５）｝?＝?ｍｉｎ｛４＿８７３２，５．０３０６，４．８６０５｝?＝?４．８６０５，??＿「２．１２５?－２．１］?＿ｒＶ〇．１１５?〇?〇??Ａ?１－３．９?－２．７＼

?６６?０．１５１５?０．３５??選定仿真時間７＼ｉｍｅ＝ｌ〇ｓ，／ｒ代表觸發(fā)次數(shù)，ａｒ代表平均釋放周期，叫代表最大釋放周??期。由圖２．３可以看出，基于ＩＭＭ法獲得的狀態(tài)響應(yīng)優(yōu)于ＬＳＦＭ結(jié)果，并且觸發(fā)次數(shù)／產(chǎn)６６??小于基于ＬＳＦＭ的＾＝７８次。相較與ＬＳＦＭ，基于ＩＭＭ方法的事件觸發(fā)次數(shù)減少了?１５％。??由表２．１可以看出，在仿真時間相同和反饋增益欠相同的情況下，平均釋放周期士和最??大釋放周期％均有所提高。因此
【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟;2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害監(jiān)測預(yù)警仿真[J];計算機仿真;2019年11期

4 馬猛;王明紅;;基于進化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預(yù)測[J];輕工機械;2019年06期

5 莊連生;呂揚;楊健;李厚強;;時頻聯(lián)合長時循環(huán)神經(jīng)網(wǎng)絡(luò)[J];計算機研究與發(fā)展;2019年12期

6 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

7 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

8 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

9 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

10 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測研究[J];電工技術(shù);2019年11期

相關(guān)博士學(xué)位論文 前10條

1 武晨;DFP航天器動力學(xué)特性分析及精確控制方法研究[D];哈爾濱工業(yè)大學(xué);2018年

2 冉令燕;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[D];西北工業(yè)大學(xué);2018年

3 于佳;語音文檔的故事分割技術(shù)研究[D];西北工業(yè)大學(xué);2018年

4 毛瑞琛;深度神經(jīng)網(wǎng)絡(luò)下的規(guī)范化地址建設(shè)與語義空間模型研究[D];浙江大學(xué);2019年

5 楊旭輝;基于神經(jīng)網(wǎng)絡(luò)的C-ADS InjectorⅡ束流偏移校準技術(shù)研究[D];蘭州大學(xué);2019年

6 樊英杰;時滯憶阻神經(jīng)網(wǎng)絡(luò)的鎮(zhèn)定及同步控制研究[D];山東科技大學(xué);2019年

7 肖理業(yè);基于機器學(xué)習(xí)的電磁場建模與設(shè)計研究[D];電子科技大學(xué);2019年

8 陳涵瀛;核電站熱工水力系統(tǒng)工況預(yù)測與診斷方法研究[D];哈爾濱工程大學(xué);2018年

9 梁智杰;聾啞人手語識別關(guān)鍵技術(shù)研究[D];華中師范大學(xué);2019年

10 劉昂;微結(jié)構(gòu)硅基光子學(xué)器件性能的研究[D];南京大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 焦東巖;卷積神經(jīng)網(wǎng)絡(luò)在密度泛函結(jié)構(gòu)預(yù)測計算中的應(yīng)用研究[D];湘潭大學(xué);2019年

2 李智強;基于神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機推力估計方法研究[D];南京航空航天大學(xué);2019年

3 劉京麥野;基于循環(huán)神經(jīng)網(wǎng)絡(luò)的語義完整性分析[D];湘潭大學(xué);2019年

4 朱萌鋼;基于神經(jīng)網(wǎng)絡(luò)的車輛行為預(yù)測研究[D];重慶郵電大學(xué);2019年

5 米怡;基于卷積神經(jīng)網(wǎng)絡(luò)的車行環(huán)境行人識別[D];重慶郵電大學(xué);2019年

6 易億;基于集成卷積神經(jīng)網(wǎng)絡(luò)的交通標志識別研究[D];重慶郵電大學(xué);2019年

7 葛超;基于神經(jīng)網(wǎng)絡(luò)的奶牛識別方法研究[D];重慶郵電大學(xué);2019年

8 李凈樺;基于神經(jīng)網(wǎng)絡(luò)的社交話題熱度預(yù)測模型研究[D];重慶郵電大學(xué);2019年

9 弓攀豪;融合淺層特征與卷積神經(jīng)網(wǎng)絡(luò)的行人檢測方法研究[D];重慶郵電大學(xué);2019年

10 詹紫微;基于卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤方法研究[D];重慶郵電大學(xué);2019年

本文編號：2841697