时滞忆阻神经网络的H∞状态估计研究
现如今，忆阻神经网络（MNNs）的状态估计问题是非常热门的研究课题，相关估计方法可应用于模式识别以及大脑模拟等领域。要研究和分析MNNs的性能，就需要先获取该系统的神经元状态信息，然而，神经元的状态信息经常是很难获得的，所以设计状态估计器来估计神经元的状态就显得十分重要。在实际MNNs中，时滞现象普遍存在，为了减少时滞带来的影响，需要设计合适的时滞状态估计器。同时，由于MNNs的规模化发展和不可避免的资源限制，远程的状态估计器只能接收部分信息，所以考虑事件触发、信号量化等网络化现象势在必行。因此，基于可测量的神经元状态，利用状态估计器有效地估计未知的神经元状态具有不可或缺的现实意义。本文将针对在网络化现象下的几类具有离散时滞MNNs，设计状态估计器，具体内容如下： 1.研究一类具有概率时滞和信号量化的时变离散MNNs的H?状态估计问题。离散时滞按照已知概率分布在特定区间并且由服从Bernoulli分布随机变量来体现，并且信号量化由对数量化器实现。基于时滞信息，构造新颖的状态估计器，采用相应的不等式处理技巧，证明所设计估计器的存在性。与此同时，增广系统的均方渐近稳定性和预先指定的干扰衰减水平得到了保证。给出数值模拟算例，模拟结果说明估计策略的适用性。 2.利用不等式缩放技术，探讨一类具有随机发生时滞离散MNNs的事件触发机制H?状态估计问题。引入静态事件触发机制以减轻网络负载，协调带宽利用率。考虑静态事件触发机制，设计弹性状态估计器，用范数有界不确定性来刻画估计器增益的摄动以及依赖于神经元状态的连接权矩阵。通过对Lyapunov-Krasovskii函数求差分，给出了估计器增益参数的显式表达式并且给出使增广系统满足有限时有界性的充分性判据。给出一组数值模拟算例，模拟结果说明估计策略的适用性。 3.利用不等式处理方法，探讨一类具有随机发生信号量化、概率时滞以及动态事件触发机制的MNNs的H?和l2?l?状态估计问题。离散时滞按照给定概率分布在特定区间内，信号量化的随机发生方式由Bernoulli分布的随机变量来建模。引入动态事件触发机制来减轻通信信道的资源消耗。同时，基于系统的测量信息，构造一个状态估计器，使估计误差达到给定的扰动衰减水平并且使其峰值保持在给定的范围之内。给出数值模拟算例，模拟结果说明设计估计方案的适用性和有效性。
时滞忆阻神经网络;H∞状态估计;概率时滞;信号量化;事件触发
哈尔滨理工大学
硕士
数学
赵亮
2022
中文
TP183
2022-09-21（万方平台首次上网日期，不代表论文的发表时间）