CN110879533B - 一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法 - Google Patents
一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法 Download PDFInfo
- Publication number
- CN110879533B CN110879533B CN201911283781.9A CN201911283781A CN110879533B CN 110879533 B CN110879533 B CN 110879533B CN 201911283781 A CN201911283781 A CN 201911283781A CN 110879533 B CN110879533 B CN 110879533B
- Authority
- CN
- China
- Prior art keywords
- formula
- error
- disturbance
- follows
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法,包括以下步骤:步骤S1:基于延迟忆阻神经网络,建立驱动系统和响应系统;步骤S2:根据步骤S1建立的驱动系统和响应系统,建立预定时间投影同步误差系统;步骤S3:设计干扰观测器用以估计外部未知扰动,补偿因未知扰动对系统同步所带来的误差影响;步骤S4:针对不同情况,设计不同的主动控制器,以进行预定时间投影同步误差系统的平衡控制。本发明可以实现具有抗未知扰动的延时忆阻神经网络的预定时间投影同步。
Description
技术领域
本发明涉及自动控制技术领域,特别是一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法。
背景技术
有限时间稳定性是指系统受到初始扰动后状态轨迹在相对于一个确定的时间区间内的稳定性。有限时间稳定性的系统稳定建立时间与初始状态息息相关,但是在一些实用的系统中,例如,机器人操作系统、车辆监控系统、电力系统以及航天器姿态动力学系统等,都很难获取系统的初始状态。这些初始信息的缺乏直接导致无法估计系统的稳定建立时间。因此,在2012年,Polyakov提出了一种特殊的有限时间稳定性,称之为固定时间稳定性。即使在不能知道系统的初始状态时,也能估算出系统的稳定建立时间,他只和系统的参数以及控制器的参数有关系。例如在文献“C.Chen,L.Li,H.Peng,Y.Yang,L.Mi,L.Wang,Anew fixed-time stability theorem and its application to the synchronizationcontrol of memristive neural networks,Neurocomputing 349(2019)290–300.”中作者提出了一种新的固定时间稳定理论,数值仿真结果表明此理论比已存在的其他固定时间稳定性理论估算的稳定时间上限更小,即估算值更接近真实值。事实上,研究驱动-响应系统的同步性等同于研究同步误差系统的稳定性。在应用固定时间稳定性来控制或观察任务时,很难找到系统增益与收敛时间上限之间的直接关系。并且,在实际应用中不可避免的会受到外部未知的干扰。
发明内容
有鉴于此,本发明的目的是提出一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法,可以实现具有抗未知扰动的延时忆阻神经网络的预定时间投影同步。
本发明采用以下方案实现:一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法,包括以下步骤:
步骤S1:基于延迟忆阻神经网络,建立驱动系统和响应系统;
步骤S2:根据步骤S1建立的驱动系统和响应系统,建立预定时间投影同步误差系统;
步骤S3:设计干扰观测器用以估计外部未知扰动,补偿因未知扰动对系统同步所带来的误差影响;
步骤S4:针对不同情况,设计不同的主动控制器,以进行预定时间投影同步误差系统的平衡控制。
进一步地,步骤S1具体为:
步骤S11:建立驱动系统的状态方程:
步骤S12:建立相应系统的状态方程:
式中,xi(t)与yi(t)表示第i个神经元的状态矢量,σi表示神经元的自我抑制,σi>0,gj(*)为激活函数,ui(t)表示主动控制器的输入,τ(t)表示离散的延时,0≤τ(t)≤τ,τ≥0,Di表示增益矩阵,ω(t)表示是外部未知扰动,并且满足δ>0;n表示节点个数;aij(xi(t))、bij(xi(t))、aij(yi(t))、bij(yi(t))表示忆阻连接的权重,其表示为:
式中,Γi>0,是忆阻切换信号,Γi、a′ij、a″ij、b′ij、b″ij均为已知常数,i,j=1,2,...,n。
进一步地,步骤S2具体包括以下步骤:
步骤S21:将驱动系统与响应系统的预定时间投影同步误差设定为:
ei(t)=yi(t)-xi(t); (3)
将上式进行求导,得到预定时间投影同步误差系统:
式中,ei(t)=(e1(t),e2(t),...,en(t))T,并且Gi(t)表达式如下:
进一步地,步骤S3具体包括以下步骤:
步骤S31:设计干扰观测器如下:
进一步地,步骤S4具体包括以下步骤:
步骤S41:设计一个在[0,+∞)上连续且无界的函数V(x),并且满足:
(2)Tc1,Tc2是用户定义的预定义的时间参数;
(3)对于任何V(x)>0,都存在常数b1,b2,c1,c2,Tc1,Tc2>0,p>0,q>1,由此:
其中,
对于任意的0<V≤1,稳定时间T(x0)的计算公式为:
由于
得到:
式中,T1(x0)表示0<V≤1的稳定时间;
步骤S42:在p≥1时,T1(x0)≤Tc1,当V>1,q>1时,T2(x0)≤Tc2,其中,T2(x0)表示V>1的稳定时间;因此预定时间投影同步误差系统的稳定时间满足以下关系:
T(x0)=T1(x0)+T2(x0)≤Tc1+Tc2=Tc.; (13)
步骤S43:根据预定时间稳定性理论和主动控制的方法,设计主动控制器为:
当0<V≤1时,设计主动控制器为:
当V>1时,设计主动控制器为:
式中,ki,wi,hij控制增益参数。
本发明基于Lyapunov稳定性理论,结合干扰观测器和主动控制器,对预定时间投影同步误差系统进行全局稳定性证明,具体如下:
设Lyapunov函数为:
当0<V<1,0<p<1时,将公式(14)带入到公式(4)中,并且公式(16)求导得:
式中,Mj,li表示正标量参数;
与本发明的假设相符,所以证明得到本发明的预定时间稳定理论是有效可行的。
与现有技术相比,本发明有以下有益效果:
1、在相同的系统参数和主动控制器参数下,与现有的方法相比,本发明估算的驱动-响应系统的投影同步时间更接近真实值;
2、本发明把外部未知扰动当作一种误差影响的因素,设计了一种干扰观测器用于补偿因外部未知扰动所带来的误差影响;
3、本发明与固定时间稳定性理论相比,其驱动-响应系统投影同步时间是可以根据需要进行预先设定,这样使得本发明能更好、更准确的预测投影同步时间。使本发明有更广泛的应用场景,提高系统的稳定性。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的驱动系统的混沌行为。
图3为本发明具体实施例1中,无控制器输入下投影同步误差的响应曲线。
图4(a)为本发明具体实施例1中,两种主动控制器输入下的投影同步误差响应曲线。其中(a)为主动控制器按照式(25)输入下投影同步误差响应曲线;(b)为主动控制器按照式(27)输入下投影同步误差响应曲线。
图5为本发明具体实施例1中,在主动控制器按照式(14)和(15)输入下投影同步误差响应曲线。
图6为本发明具体实施例2中主动控制器按照式(14)与(15)的输入下投影同步误差响应曲线。其中(a)为当Tc1=Tc2=0.5时,在主动控制器(14)和(15)的输入下投影同步误差响应曲线;(b)为当Tc1=Tc2=1.0时,在主动控制器(14)和(15)的输入下投影同步误差响应曲线。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法,包括以下步骤:
步骤S1:基于延迟忆阻神经网络,建立驱动系统和响应系统;
步骤S2:根据步骤S1建立的驱动系统和响应系统,建立预定时间投影同步误差系统;
步骤S3:设计干扰观测器用以估计外部未知扰动,补偿因未知扰动对系统同步所带来的误差影响;
步骤S4:针对不同情况,设计不同的主动控制器,以进行预定时间投影同步误差系统的平衡控制。
在本实施例中,步骤S1具体为:
步骤S11:建立驱动系统的状态方程:
步骤S12:建立相应系统的状态方程:
式中,xi(t)与yi(t)表示第i个神经元的状态矢量,σi表示神经元的自我抑制,σi>0,gj(*)为激活函数,ui(t)表示主动控制器的输入,τ(t)表示离散的延时,0≤τ(t)≤τ,τ≥0,Di表示增益矩阵,ω(t)表示是外部未知扰动,并且满足δ>0;n表示节点个数;aij(xi(t))、bij(xi(t))、aij(yi(t))、bij(yi(t))表示忆阻连接的权重,其表示为:
式中,Γi>0,是忆阻切换信号,Γi、a′ij、a″ij、b′ij、b″ij均为已知常数,i,j=1,2,...,n。
在本实施例中,步骤S2具体包括以下步骤:
步骤S21:将驱动系统与响应系统的预定时间投影同步误差设定为:
ei(t)=yi(t)-xi(t); (3)
将上式进行求导,得到预定时间投影同步误差系统:
式中,ei(t)=(e1(t),e2(t),...,en(t))T,并且Gi(t)表达式如下:
在本实施例中,步骤S3具体包括以下步骤:
步骤S31:设计干扰观测器如下:
在本实施例中,步骤S4具体包括以下步骤:
步骤S41:设计一个在[0,+∞)上连续且无界的函数V(x),并且满足:
(2)Tc1,Tc2是用户定义的预定义的时间参数;
(3)对于任何V(x)>0,都存在常数b1,b2,c1,c2,Tc1,Tc2>0,p>0,q>1,由此:
其中,
对于任意的0<V≤1,稳定时间T(x0)的计算公式为:
由于
得到:
式中,T1(x0)表示0<V≤1时的稳定时间;
步骤S42:在p≥1时,T1(x0)≤Tc1,当V>1,q>1时,T2(x0)≤Tc2,其中,T2(x0)表示V>1,q>1时的稳定时间;因此预定时间投影同步误差系统的稳定时间满足以下关系:
T(x0)=T1(x0)+T2(x0)≤Tc1+Tc2=Tc.; (13)
步骤S43:根据预定时间稳定性理论和主动控制的方法,设计主动控制器为:
当0<V≤1时,设计主动控制器为:
当V>1时,设计主动控制器为:
式中,ki,wi,hij表示控制增益参数。
本实施例基于Lyapunov稳定性理论,结合干扰观测器和主动控制器,对预定时间投影同步误差系统进行全局稳定性证明,具体如下:
设Lyapunov函数为:
当0<V<1,0<p<1时,将公式(14)带入到公式(4)中,并且公式(16)求导得:
式中,Mj,li表示正标量参数;
与本实施例的假设相符,所以证明得到本发明的预定时间稳定理论是有效可行的。同样可以得到在其他情况下,若控制增益参数满足一定条件时,使得当e(t)=0时,因此可以实现具有抗未知扰动的延时忆阻神经网络的预定时间投影同步。
特别的,为了更加直观的显示本发明提出的一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法的有效性和可行性,本发明使用MATLAB软件对此方法进行计算机仿真实验。
具体实施例1:
驱动系统的状态方程为:
其中,驱动系统为2维混沌系统,xi(t)的初始状态设置为[3,-2]T。图2表示为系统的混沌行为。
响应系统的状态方程为:
其中,响应系统为2维混沌系统,yi(t)的初始状态设置为[-1,1.5]T。以下是一些已知参数的设定:
驱动-响应系统的投影误差设定为:
ei(t)=yi(t)-xi(t); (23)
图3表示为在没有主动控制器的输入时,投影同步误差的响应曲线。
(1-1)假设外部没有未知的扰动,那么就不需要使用干扰观测器来补偿未知扰动带来的误差影响。此时,响应系统变为:
当本发明把预定时间参数去除掉时,则本发明变为一种固定时间投影同步法。
主动控制器变为:
此时,驱动-响应系统的投影同步时间为:
把固定时间稳定理论应用在同步控制上,其主动控制器设计为:
此时,其驱动-响应系统的投影同步时间为:
其中参数定义为,a=b1=10,b=b2=0.5,c=c1=c2=1。
根据增益控制参数的满足条件,其中增益控制参数设为k1=1,k2=0.5,w1=2,w2=1.5,h11=1.2,h12=0.4,h21=0.4,h22=1.5。控制参数如公式(22)所示,进行仿真实验。图4(a)是在主动控制器按照式(25)的输入下投影同步误差响应曲线。在图4(a)中,系统在0.262s处收敛到零。图4(b)是在主动控制器按照式(27)的输入下投影同步误差响应曲线。在图4(b)中,系统在0.135s处收敛到零。实验结果表明,本发明与现有技术的固定时间的投影同步时间相比,本发明估算的投影同步时间更接近真实值。
(1-2)在实际应用中,受到外部未知扰动的影响是难免的,因此本发明设计了一种干扰观测器用来补偿未知扰动对系统同步误差带来的影响。控制参数如前所示,进行仿真实验。图5是在主动控制器(14)和(15)的输入下投影同步误差响应曲线。在图5中,系统在0.287s处收敛到零。从仿真曲线可以直观的观察到本发明提供的方法能够实现在有外部未知扰动时,驱动-响应系统的投影同步控制。
具体实施例2:
驱动系统xi(t)的初始状态设置为[3,-0.5]T,响应系统yi(t)的初始状态设置为[-2,4]T。以下是一些已知参数的设定:
(2-1)设置Tc1=Tc2=0.5,根据步骤5中增益控制参数的满足条件,其中增益控制参数设为k1=3,k2=1,w1=11,w2=9,h11=2.2,h12=1.4,h21=1.4,h22=2.5。控制参数如公式(29)所示,进行仿真实验。图6(a)表示在主动控制器(14)和(15)的输入下预定时间投影同步误差响应曲线。在图6(a)中,系统在0.3759s处收敛到零。
(2-2)设置Tc1=Tc2=1.0,根据步骤5中增益控制参数的满足条件,其中增益控制参数设为k1=3,k2=1,w1=8,w2=6,h11=2.2,h12=1.4,h21=1.4,h22=2.5。控制参数如公式(29)所示,进行仿真实验。图6(a)表示在主动控制器按照式(14)和(15)的输入下预定时间投影同步误差响应曲线。在图6(b)中,系统在0.9072s处收敛到零。
根据实验结果,从图6(a)和图6(b)的仿真曲线中可以直观的观察到本发明提供的方法能够实现具有抗未知扰动的延迟忆阻神经网络的投影同步控制,并且投影同步时间可以通过设置预定时间参数来提前预测。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (1)
1.一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法,其特征在于,包括以下步骤:
步骤S1:基于延迟忆阻神经网络,建立驱动系统和响应系统;
步骤S2:根据步骤S1建立的驱动系统和响应系统,建立预定时间投影同步误差系统;
步骤S3:设计干扰观测器用以估计外部未知扰动,补偿因未知扰动对系统同步所带来的误差影响;
步骤S4:针对不同情况,设计不同的主动控制器,以进行预定时间投影同步误差系统的平衡控制;
步骤S1具体为:
步骤S11:建立驱动系统的状态方程:
步骤S12:建立响应系统的状态方程:
式中,xi(t)与yi(t)表示第i个神经元的状态矢量,σi表示神经元的自我抑制,σi>0,gj(*)为激活函数,ui(t)表示主动控制器的输入,τ(t)表示离散的延时,0≤τ(t)≤τ,τ≥0,Di表示增益矩阵,ω(t)表示是外部未知扰动,并且满足δ>0;n表示节点个数;aij(xi(t))、bij(xi(t))、aij(yi(t))、bij(yi(t))表示忆阻连接的权重,其表示为:
式中,Γi>0,是忆阻切换信号,Γi、a′ij、a″ij、b′ij、b″ij均为已知常数,i,j=1,2,...,n;
步骤S2具体包括以下步骤:
步骤S21:将驱动系统与响应系统的预定时间投影同步误差设定为:
ei(t)=yi(t)-xi(t);
将上式进行求导,得到预定时间投影同步误差系统:
式中,ei(t)=(e1(t),e2(t),...,en(t))T,并且Gi(t)表达式如下:
步骤S3具体包括以下步骤:
步骤S31:设计干扰观测器如下:
步骤S4具体包括以下步骤:
步骤S41:设计一个在[0,+∞)上连续且无界的函数V(x),并且满足:
(2)Tc1,Tc2是用户定义的预定义的时间参数;
(3)对于任何V(x)>0,都存在常数b1,b2,c1,c2,Tc1,Tc2>0,p>0,q>1,由此:
其中,
对于任意的0<V≤1,稳定时间T(x0)的计算公式为:
由于
得到:
式中,T1(x0)表示0<V≤1的稳定时间;
步骤S42:在p≥1时,T1(x0)≤Tc1,当V>1,q>1时,T2(x0)≤Tc2,其中,T2(x0)表示V>1时的稳定时间;因此预定时间投影同步误差系统的稳定时间满足以下关系:
T(x0)=T1(x0)+T2(x0)≤Tc1+Tc2=Tc;
步骤S43:设计主动控制器为:
当0<V≤1时,设计主动控制器为:
当V>1时,设计主动控制器为:
式中,ki,wi,hij表示控制增益参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911283781.9A CN110879533B (zh) | 2019-12-13 | 2019-12-13 | 一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911283781.9A CN110879533B (zh) | 2019-12-13 | 2019-12-13 | 一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110879533A CN110879533A (zh) | 2020-03-13 |
CN110879533B true CN110879533B (zh) | 2022-01-04 |
Family
ID=69731568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911283781.9A Active CN110879533B (zh) | 2019-12-13 | 2019-12-13 | 一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879533B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523648B (zh) * | 2020-04-27 | 2023-06-16 | 江南大学 | 含有聚类拓扑耦合的神经网络脉冲同步方法及系统 |
CN113095497B (zh) * | 2021-05-06 | 2023-04-07 | 安徽大学 | 一种分数阶四元忆阻神经网络的有限时间同步方法、装置 |
CN113971293A (zh) * | 2021-11-16 | 2022-01-25 | 集美大学 | 基于5D Hindmarsh Rose神经网络预定时间同步的多信息保密通讯方法 |
CN114074022A (zh) * | 2021-11-24 | 2022-02-22 | 内蒙古工业大学 | 一种基于时间投影的重介质选煤过程控制变量预测方法 |
CN114819081A (zh) * | 2022-04-20 | 2022-07-29 | 集美大学 | 一种忆阻神经网络预定时间同步能量消耗可调节的方法 |
CN115145156B (zh) * | 2022-07-28 | 2023-06-02 | 盐城工学院 | 一种惯性忆阻神经网络的自适应反同步方法 |
CN115935787B (zh) * | 2022-11-07 | 2023-09-01 | 哈尔滨理工大学 | 一种编码解码机制下的忆阻神经网络状态估计方法 |
CN115857349B (zh) * | 2022-12-08 | 2023-05-30 | 盐城工学院 | 一种忆阻神经网络的指数同步控制方法 |
CN115860075B (zh) * | 2022-12-08 | 2023-05-30 | 盐城工学院 | 一种分数阶忆阻神经网络的同步控制方法 |
CN116203838B (zh) * | 2022-12-08 | 2023-07-28 | 盐城工学院 | 一种分数阶忆阻神经网络的有限时间同步控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108833075A (zh) * | 2018-06-21 | 2018-11-16 | 东北大学 | 一种基于非奇异终端滑模控制器的二阶混沌投影同步方法 |
CN109799711A (zh) * | 2019-03-29 | 2019-05-24 | 东北大学 | 一种基于主动积分滑模的混沌全状态混合投影同步方法 |
CN110020405A (zh) * | 2019-04-12 | 2019-07-16 | 东北大学 | 一种不同维数混沌的函数矩阵投影同步方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10700638B2 (en) * | 2016-04-28 | 2020-06-30 | Hewlett Packard Enterprise Development Lp | Spike train generating circuit |
CN109613826B (zh) * | 2018-12-17 | 2021-07-27 | 重庆航天职业技术学院 | 一种分数阶拱形mems谐振器的反振荡自适应控制方法 |
-
2019
- 2019-12-13 CN CN201911283781.9A patent/CN110879533B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108833075A (zh) * | 2018-06-21 | 2018-11-16 | 东北大学 | 一种基于非奇异终端滑模控制器的二阶混沌投影同步方法 |
CN109799711A (zh) * | 2019-03-29 | 2019-05-24 | 东北大学 | 一种基于主动积分滑模的混沌全状态混合投影同步方法 |
CN110020405A (zh) * | 2019-04-12 | 2019-07-16 | 东北大学 | 一种不同维数混沌的函数矩阵投影同步方法 |
Non-Patent Citations (3)
Title |
---|
Model Reference Adaptive Control using Neural Networks for;Jaeho Baek等;《 2008 International Conference on Control, Automation and Systems》;20081017;第1290-1293页 * |
一类时滞混沌忆阻器神经网络的延迟反同步控制;楼旭阳等;《信息与控制》;20160815;第45卷(第04期);第437-443页 * |
忆阻器神经网络的动力学行为研究;段飞腾;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第02期);参见第15-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110879533A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110879533B (zh) | 一种具有抗未知扰动的延迟忆阻神经网络的预定时间投影同步方法 | |
CN114819081A (zh) | 一种忆阻神经网络预定时间同步能量消耗可调节的方法 | |
CN110221541B (zh) | 伺服系统中前馈控制器的前馈系数获取装置、方法 | |
Aghababa et al. | Synchronization of nonlinear chaotic electromechanical gyrostat systems with uncertainties | |
Morin et al. | Application of backstepping techniques to the time-varying exponential stabilisation of chained form systems | |
CN107065913B (zh) | 挠性航天器的滑模变结构姿态控制方法 | |
CN113534666A (zh) | 多目标约束下单关节机械臂系统的轨迹跟踪控制方法 | |
JP2009245420A (ja) | システムを制御するための装置および方法 | |
Shao et al. | Appointed-time guaranteed adaptive fault-tolerant attitude tracking for quadrotors with aperiodic data updating | |
CN110673619A (zh) | 一种飞行姿态的控制方法、装置、无人机和存储介质 | |
Dai et al. | Finite-time trajectory tracking for marine vessel by nonsingular backstepping controller with unknown external disturbance | |
CN109108964B (zh) | 一种基于自适应动态规划Nash博弈的空间机械臂协调控制方法 | |
Liu et al. | Antisaturation fixed-time attitude tracking control based low-computation learning for uncertain quadrotor UAVs with external disturbances | |
US20050231480A1 (en) | Method of stabilizing haptic interface and haptic system using the same | |
Park et al. | Approximation-free state-feedback backstepping controller for uncertain pure-feedback nonautonomous nonlinear systems based on time-derivative estimator | |
Peng et al. | Nonlinear inversion-based control with adaptive neural network compensation for uncertain MIMO systems | |
Lymperopoulos et al. | Adaptive control of networked distributed systems with unknown interconnections | |
Wang et al. | Event-triggered model-parameter-free trajectory tracking control for autonomous underwater vehicles | |
JP5581528B1 (ja) | 制御パラメータ決定装置、方法、及びプログラム、並びに、制御器及び最適化制御システム | |
CN109459926B (zh) | 针对于高阶柔性机电运动对象的位移跟踪控制方法及系统 | |
Ge et al. | A model-free predictor framework for tele-operated vehicles | |
CN109725639B (zh) | 巡航系统的线性控制方法及装置 | |
Liaquat et al. | Sampled data output regulation of n-link robotic manipulator using a realizable reconstruction filter | |
Li et al. | High precision position control of voice coil motor based on single neuron PID | |
CN112731801B (zh) | 一种对称死区非线性的自适应动态面输出反馈控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |