时滞递归神经网络稳定性分析及网络化同步控制

论文摘要

人工神经网络（Neural Networks）是一种高度非线性的动力学系统,若进行适当的参数配置其能够表现出大量复杂的动态行为。近年来,由于神经网络在信号处理、模式识别、动态图像处理、保密通信以及全局优化等领域的成功应用,对神经网络动力学行为的探讨引起了人们的广泛关注。神经网络系统是自适应自组织的,其在工程中的很多应用和系统本身的稳定性密切相关,而系统中信号传输时滞的存在往往会导致网络的持续振荡甚至出现混沌现象,因此,对于时滞神经网络稳定性（包括渐近稳定、指数稳定、绝对稳定等）的研究具有一定的理论意义和实际应用价值,近年来也出现了不少研究成果。与此同时,对时滞神经网络的同步控制,尤其是对混沌神经网络同步控制问题的研究也取得了较大的进展。就研究的内容而言本论文可分为两部分,前一部分以Lyapunov稳定性理论、S-过程、线性矩阵不等式（Linear Matrix Inequalities）技术等为主要研究工具,针对含有各种类型时滞（如常数时滞,区间时滞,概率分布已知的时变时滞等）的递归神经网络（RecurrentNeural Networks）分别研究他们的稳定性,并给出了相应的稳定性判据;论文的后一部分探讨了时滞神经网络网络化的同步控制。与现有结果相比,论文在这两个方面均得到了一些较深刻的结果。从研究对象上看,本论文建立了两个新模型:（1）提出了一种基于时滞概率分布的递归神经网络模型并给出了相应的稳定性判别方法。在现有文献中,神经网络系统中所包含的时滞都是确定性的,所得稳定性判据可分为时滞依赖的（delay-dependent）和非时滞依赖的（delay-independent）两种。一般而言,时滞依赖的稳定性判据比非时滞依赖的能提供更小的保守性,特别是当时滞相对较小时。然而,现有的时滞依赖的稳定性判据只和时滞的变化范围有关,若对于一些神经网络中含有较大的时滞,但是发生较大时滞的概率却非常小的情况,这些确定性的方法显得比较保守。事实上,在许多实际应用系统中,时滞的存在往往具有一定的概率分布规律。本论文中充分利用这种时滞的分布规律对时滞神经网络系统进行建模,通过引入合适的随机变量将时滞的概率分布特性转化到新系统的系数矩阵中。进而利用Lyapunov函数法和线性矩阵不等式技术,得到了一些使时滞递归神经网络稳定的时滞分布依赖（delay-distribution-dependent）的判据。（2）提出了基于一般通信网络的时滞神经网络网络化同步控制（Networked Synchronization Control）模型,并给出了相应的控制设计策略。在同步控制系统的应用过程中,有时候信号的传输需要依赖于一般的通信网络。两个或多个神经网络之间通过公共网络平台协同工作,传递信息的同步系统被称为神经网络网络化同步控制系统。由于网络中信号的传递过程可能会经受网络诱导时滞、数据包丢失、外部随机干扰以及高误码率等不利因素的影响,从而使现有的神经网络同步控制策略不能直接应用到网络化同步控制系统中。针对这一问题,本论文提出了神经网络网络化同步控制的数学模型,并利用Lyapunov函数法以及线性矩阵不等式技术给出了相应的控制设计方法。从研究方法上看,本论文所做的主要工作有:（1）提出了三个基于线性矩阵不等式的引理。这些引理是现有线性矩阵不等式规则集的补充,同时对改进现有的Lyapunov函数法与自由权值矩阵技术（Free-weighting Matrix Technique）相结合的稳定性分析方法起着重大的作用,因此具有一定的理论意义和实际应用价值.（2）提出了基于分段系统（Piecewise）分析方法的时滞区间中点法。通过引入时滞区间的中点,构造合适的Lyapunov函数,利用分段系统的研究方法探讨含有区间时滞的神经网络鲁棒全局渐近稳定性问题,改进了现有的判据。（3）通过构建新颖的Lyapunov-Krasovskii泛函并利用改进的自由权值技术,得到了使时滞随机神经网络全局指数稳定的新判据。具体地说本论文研究的内容包括如下几方面:（1）区间时滞递归神经网络鲁棒全局渐近稳定性分析首先研究区间时滞神经网络的一个特例,即时滞的下界为零时的情况。通过构建合适的Lyapunov-Krasovskii泛函分别研究在慢变时滞和快变时滞情况下递归神经网络的鲁棒全局渐近稳定性。利用Lyapunov函数法进行稳定性研究,所得判据的性能不仅仅和Lyapunov函数的选取有关,而且和Lyapunov函数导数上界估计的方法有关。在现有的Lyapunov函数法和自由权值矩阵技术相结合的分析方法中,当进行Lyapunov函数导数上界估计时,有一些影响判据性能的项被丢弃掉。本论文通过深入发掘矩阵不等式中隐含的凸关系,提出了一个基于线性矩阵不等式的引理,该引理是现有线性矩阵不等式规则集的有力补充。通过这一引理,本文改进了现有时滞神经网络系统稳定性研究的方法,得到了具有较小保守性的判据。另一方面,在现有的时滞神经网络稳定性分析的研究中,时滞的下界往往假设为零。现实生活中存在着许多重要的时滞系统,其时滞区间的下界是非零的。本论文针对含有一般区间时滞的神经网络,分别研究了连续型和离散型神经网络的鲁棒全局渐近稳定性。在分析过程中,通过引入时滞区间的中点,建立合适的Lyapunov-Krasovskii泛函。在分析方法上,根据时滞所取的不同区间将递归神经网络系统视为一个非线性分段时滞系统,从而提出了基于分段系统分析方法的时滞区间中点法,得到了使区间时滞神经网络鲁棒全局渐近稳定的新判据。（2）随机时滞递归神经网络鲁棒全局指数稳定性分析由于实现神经网络的电容、电阻、放大器等电子器件本身就存在一定的参数不确定性,以及神经网络运行过程中不可避免地会受到外部的随机干扰,因此建立的神经网络模型往往为含参数不确定项的随机模型。本论文通过构建合适的Lyapunov-Krasovskii泛函并利用改进的自由权值技术,分析一类含有参数不确定性的随机神经网络鲁棒全局指数稳定性,得到了使所述神经网络鲁棒全局指数稳定的新判据。（3）时滞分布依赖的时滞递归神经网络稳定性判据根据确定性时滞所得稳定性判据往往只和时滞区间的上界和下界有关。针对时滞出现概率分布规律的神经网络系统,探讨新颖的神经网络建模方法和相应的稳定性判别方法。首先给出了这类神经网络的数学建模。通过引入满足Bernoulli二项分布的随机变量,论文将时滞的概率分布转化到系统状态方程的系数矩阵中。根据神经网络类型的不同建立相应的Lyapunov函数,分别研究了离散型递归神经网络、带参数不确定项的离散型随机神经网络以及连续型递归神经网络的稳定性问题,得出了使相应的神经网络稳定的时滞分布依赖的判据,并将所得判据和现有结果进行了比较。这种建模方法能更细致地描述系统中时滞的存在对系统稳定性的影响,同时,也可以推广到其他动力系统或控制系统中。（4）时滞递归神经网络的网络化同步控制针对时滞递归神经网络的网络化同步问题进行了研究。首先建立了时滞递归神经网络网络化同步控制的系统模型。在该模型中,给出了同步控制系统中用于信号传输的网络的一般数学描述,并对网络的性能指标进行了定义。分析了随机神经网络网络化同步控制的基本思想,并利用Lyapunov函数法和线性矩阵不等式技术得到了网络化指数同步的充分条件以及相应的控制设计。论文给出了一个网络化混沌神经网络同步的数值例子,并通过TrueTime仿真平台验证了所得结论。进而,论文中根据网络性能指标的概率分布规律,改进了网络的描述方法。在前面章节所得研究成果的基础上,论文得到了使时滞递归神经网络网络化同步控制的网络QoS（Quality of Service）分布依赖的判据和相应的控制设计。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 神经网络研究简况
• 1.2 递归神经网络稳定性研究概述
• 1.2.1 研究的意义
• 1.2.2 神经网络中的时滞
• 1.2.3 稳定性研究
• 1.3 神经网络网络化同步控制
• 1.4 本论文的主要内容和安排
• 第二章 区间时滞递归神经网络鲁棒全局渐近稳定性分析
• 2.1 引言
• 2.2 时滞区间的下界为零
• 2.2.1 系统模型与预备知识
• 2.2.2 鲁棒全局渐近稳定性分析
• 2.2.2.1 慢变时滞
• 2.2.2.2 快变时滞
• 2.2.3 数值例子
• 2.3 连续型区间时滞递归神经网络
• 2.3.1 系统模型与预备知识
• 2.3.2 鲁棒全局渐近稳定性分析
• 2.3.3 数值例子
• 2.4 离散型区间时滞递归神经网络
• 2.4.1 系统模型与预备知识
• 2.4.2 鲁棒全局渐近稳定性分析
• 2.4.3 数值例子
• 2.5 本章小结
• 第三章 随机递归神经网络鲁棒全局指数稳定性分析
• 3.1 引言
• 3.2 系统模型及预备知识
• 3.3 鲁棒全局指数稳定性分析
• 3.4 数值例子
• 3.5 本章小结
• 第四章 时滞分布依赖的离散型递归神经网络稳定性分析
• 4.1 引言
• 4.2 离散神经网络
• 4.2.1 时滞分布依赖的系统模型与预备知识
• 4.2.2 稳定性分析
• 4.2.3 数值例子
• 4.3 随机离散神经网络鲁棒稳定性
• 4.3.1 时滞分布依赖的模型描述
• 4.3.2 主要结果
• 4.3.3 数值例子
• 4.4 本章小结
• 第五章 时滞分布依赖的连续型递归神经网络稳定性分析
• 5.1 引言
• 5.2 时滞分布依赖的系统模型描述及预备知识
• 5.3 稳定性分析
• 5.4 数值例子
• 5.5 本章小结
• 第六章 随机递归神经网络的网络化同步控制
• 6.1 引言
• 6.2 网络化同步控制的系统模型和预备知识
• 6.2.1 驱动系统
• 6.2.2 基于网络的响应系统
• 6.2.3 误差系统
• 6.3 误差系统稳定性分析
• 6.4 控制器设计
• 6.5 数值例子与仿真
• 6.5.1 数值结果
• 6.5.2 基于 TureTime 的仿真
• 6.5.2.1 试验结构描述
• 6.5.2.2 基于 TrueTime 的平台构建
• 6.5.2.3 试验结果及分析
• 6.6 本章小结
• 第七章 网络 QoS 分布依赖的递归神经网络网络化同步控制
• 7.1 引言
• 7.2 网络化同步控制的系统模型及预备知识
• 7.2.1 驱动系统
• 7.2.2 基于网络的响应系统
• 7.2.3 误差系统
• 7.3 误差系统的稳定性分析
• 7.4 控制器设计
• 7.5 数值例子
• 7.6 本章小结
• 第八章 结论与展望
• 8.1 结论
• 8.2 展望
• 附录 A
• 参考文献
• 发表和接受文章目录
• 致谢