CN111523648B - 含有聚类拓扑耦合的神经网络脉冲同步方法及系统 - Google Patents
含有聚类拓扑耦合的神经网络脉冲同步方法及系统 Download PDFInfo
- Publication number
- CN111523648B CN111523648B CN202010344860.2A CN202010344860A CN111523648B CN 111523648 B CN111523648 B CN 111523648B CN 202010344860 A CN202010344860 A CN 202010344860A CN 111523648 B CN111523648 B CN 111523648B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- pulse
- matrix
- error
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种含有聚类拓扑耦合的神经网络脉冲同步方法及系统,包括:建立具有随机扰动的孤立神经网络模型以及有多个聚类的导数耦合神经网络模型;根据所述孤立神经网络模型以及导数耦合神经网络模型建立误差网络模型,并根据所述误差神经网络模型拓扑结构和脉冲信号设计脉冲牵制控制器;根据所述误差网络模型选择相应的函数,并结合所述脉冲牵制控制器实现导数耦合神经网络模型和孤立神经网络模型之间的聚类同步;搭建神经网络模型并利用所述神经网络模型进行数值仿真,验证所述导数耦合神经网络模型和孤立神经网络模型之间的聚类同步效果。本发明成本低,且有利于精确控制同步速率。
Description
技术领域
本发明涉及复杂网络同步的技术领域,尤其是指一种含有聚类拓扑耦合的神经网络脉冲同步方法及系统。
背景技术
在过去的二十年里,关于复杂系统和复杂动态网络的讨论已成为信息和网络科学研究的热点。其中,复杂网络的同步现象作为一种集群行为更是引起了诸多研究人员的关注。复杂网络的同步已应用于医疗,并行图像捕获和处理,科学索引网络,智能网格等许多领域。
实际上,只有少数复杂网络可以通过调整系统参数来实现同步,如耦合强度和耦合权重,然而在现实世界和人工社会中的大多数网络在没有任何输入强度的时候无法实现同步。因此,为复杂系统设计合适的控制器在网络科学中起着至关重要的作用。
对于工程中的一些特殊应用目的,只需要在网络的子群中而不是整个网络中的系统来实现同步。在这种情况下,完成复杂网络的完全同步将导致控制成本的浪费以及系统参数和控制强度在条件和要求上的保守性高。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中成本高,且保守性高的问题,从而提供一种成本低且降低保守性的含有聚类拓扑耦合的神经网络脉冲同步方法及系统。
为解决上述技术问题,本发明的一种含有聚类拓扑耦合的神经网络脉冲同步方法,包括:建立具有随机扰动的孤立神经网络模型以及有多个聚类的导数耦合神经网络模型;根据所述孤立神经网络模型以及导数耦合神经网络模型建立误差网络模型,并根据所述误差神经网络模型拓扑结构和脉冲信号设计脉冲牵制控制器;根据所述误差网络模型选择相应的函数,并结合所述脉冲牵制控制器实现导数耦合神经网络模型和孤立神经网络模型之间的聚类同步;搭建神经网络模型并利用所述神经网络模型进行数值仿真,验证所述导数耦合神经网络模型和孤立神经网络模型之间的聚类同步效果。
在本发明的一个实施例中,所述孤立神经网络模型的公式为:
其中/>是i个神经网络的状态向量,/> 是一个正定矩阵,其中/>表示当从其他神经细胞和外部输入中分离时,第j个神经细胞将其电位重置为静止状态的速率;/> 是常数矩阵,分别表示在时间t和t-τ1(t)时连通性强度;/>是外部输入向量;τ1(t)和τ2(t)是传输时间延迟;/>表示激活函数;正常数c1,c2,c3是复杂网络的耦合强度;含有元素ri≥0的矩阵/>代表内部耦合矩阵;/>和是由复杂网络拓扑结构决定的两个不同的外部耦合矩阵,满足条件每行元素之和都为零,且/>和/>其中如果第j个神经网络到第i个神经网络之间存在有向连接且i≠j,则gij≠gji>0(lij≠lji>0);/>是导数耦合矩阵,且是对称阵且满足每行元素之和都为零的条件,wij=wji>0当第i个神经网络和第j个神经网络有连接;/>表示一个m维的布朗运动;/>是满足条件的噪声强度矩阵,ui(t)表示脉冲牵制控制器。
在本发明的一个实施例中,所述脉冲牵制控制器的表达式为:ui(t)=u0,i(t)+u1,i(t),其中脉冲控制部分为: 牵制反馈控制部分u1,i(t)对于/> 否则,u1,i(t)=0,正常数di(i=1,2,…,N)是被导数耦合神经网络的模型适当选择的负反馈控制强度;μ和ρ是误差状态和延迟误差状态的脉冲效应;Θ是狄拉克脉冲函数,假设控制强度矩阵为D=diag{d1,d2,…,dN}。
在本发明的一个实施例中,所述脉冲牵制控制器中的牵制反馈控制部分u1,i(t)控制不同集群之间有直接连接的神经网络。
在本发明的一个实施例中,所述误差网络模型的公式为:其中τ=max{τ1(t),τ2(t),τ3(t)},函数/> 是当t∈[-τ,0]的误差神经网络的初值,假设δyi(t)在时刻t=tk,/>是右连续的,且
本发明还提供了一种含有聚类拓扑耦合的神经网络脉冲同步系统,其特征在于,包括:构建模块,用于建立具有随机扰动的孤立神经网络模型以及有多个聚类的导数耦合神经网络模型;设置模块,用于根据所述孤立神经网络模型以及导数耦合神经网络模型建立误差网络模型,并根据所述误差神经网络模型拓扑结构和脉冲信号设计脉冲牵制控制器;聚类同步模块,用于根据所述误差网络模型选择相应的函数,并结合所述脉冲牵制控制器实现导数耦合神经网络模型和孤立神经网络模型之间的聚类同步;验证模块,用于搭建神经网络模型并利用所述神经网络模型进行数值仿真,验证所述导数耦合神经网络模型和孤立神经网络模型之间的聚类同步效果。
本发明的上述技术方案相比现有技术具有以下优点:
为了反映耦合网络的真实情况,本发明考虑了具有三种不同耦合机制的耦合神经网络模型,包括一般状态耦合、延迟状态耦合、导数状态耦合。由此可以知道,第i神经网络的变化速度是由第i神经网络的动力学及其相邻神经网络的变化速率决定的,从而有利于精确控制同步速率;
在本发明中,无论脉冲效应是否有利于最终的同步,只要满足本发明所述的结论中的所有条件则可以实现耦合神经网络的集群同步,因此兼容性高;
在本发明中,所设计的脉冲牵制控制器,其中脉冲控制是一种优越的间断控制方式,可以用来节省控制成本,而用负反馈控制来抵消由于脉冲不足而产生的不利影响。
在本发明中通过引入平均脉冲间隔的概念,对脉冲间隔的评估可以有效地降低系统参数和控制强度在条件和要求上的保守性。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明含有聚类拓扑耦合的神经网络脉冲同步方法流程图;
图2是本发明第一个聚类中每个状态的演化曲线;
图3是本发明第一个聚类中误差状态的演化曲线;
图4是本发明第二个聚类中每个状态的演化曲线;
图5是本发明第二个聚类中误差状态的演化曲线。
具体实施方式
实施例一
如图1所示,本实施例提供一种含有聚类拓扑耦合的神经网络脉冲同步方法,包括如下步骤:步骤S1:建立具有随机扰动的孤立神经网络模型以及有多个聚类的导数耦合神经网络模型;步骤S2:根据所述孤立神经网络模型以及导数耦合神经网络模型建立误差网络模型,并根据所述误差神经网络模型拓扑结构和脉冲信号设计脉冲牵制控制器;步骤S3:根据所述误差网络模型选择相应的函数,并结合所述脉冲牵制控制器实现导数耦合神经网络模型和孤立神经网络模型之间的聚类同步;步骤S4:搭建神经网络模型并利用所述神经网络模型进行数值仿真,验证所述导数耦合神经网络模型和孤立神经网络模型之间的聚类同步效果。
本实施例所述含有聚类拓扑耦合的神经网络脉冲同步方法,所述步骤S1中,建立具有随机扰动的孤立神经网络模型以及有多个聚类的导数耦合神经网络模型,由于所述导数耦合神经网络模型包括一般状态耦合、延迟状态耦合、导数状态耦合,由此可以得到,第i神经网络的变化速度是由第i神经网络的动力学及其相邻神经网络的变化速率决定的,从而有利于精确控制同步速率;所述步骤S2中,根据所述孤立神经网络模型以及导数耦合神经网络模型建立误差网络模型,并根据所述误差神经网络模型拓扑结构和脉冲信号设计脉冲牵制控制器,由于脉冲控制是一种优越的间断控制方式,从而有利于用来节省控制成本,而所述脉冲牵制控制器中的负反馈控制可以抵消由于脉冲不足而产生的不利影响;所述步骤S3中,根据所述误差网络模型选择相应的函数,并结合所述脉冲牵制控制器实现导数耦合神经网络模型和孤立神经网络模型之间的聚类同步,有利于提高兼容性;所述步骤S4中,搭建神经网络模型并利用所述神经网络模型进行数值仿真,验证所述导数耦合神经网络模型和孤立神经网络模型之间的聚类同步效果,从而降低了系统参数和控制强度在条件和要求上的保守性。
其中是i个神经网络的状态向量,是一个正定矩阵,其中/>表示当从其他神经细胞和外部输入中分离时,第j个神经细胞将其电位重置为静止状态的速率;是常数矩阵,/>分别表示在时间t和t-τ1(t)时连通性强度;/>是外部输入向量;τ1(t)和τ2(t)是传输时间延迟;/>表示激活函数;正常数c1,c2,c3是复杂网络的耦合强度;含有元素ri≥0的矩阵代表内部耦合矩阵;/>和/>是由复杂网络拓扑结构决的两个不同的外部耦合矩阵,满足条件每行元素之和都为零,且和/>其中如果第j个神经网络到第i个神经网络之间存在有向连接且i≠j,则gij≠gji>0(lij≠lji>0);/>是导数耦合矩阵,且是对称矩阵且满足每行元素之和都为零的条件,wij=wji>0当第i个神经网络和第j个神经网络有连接;表示一个m维的布朗运动;/>是满足条件/>的噪声强度矩阵,ui(t)表示脉冲牵制控制器。具体地,使用/>表示在范围/>且维数为/>的所有连续函数,其中/>
另外,导数耦合矩阵如下:
和耦合强度c1=0.5,c2=0.2,c3=0.1,反馈控制强度d1=d2=d5=d6=0,d3=d4=0.5,耦合时变延迟τ2(t)=0.2sin(0.2t),然后通过技术可知:λmax=(I6-c3W)=1.5212。
所述孤立神经网络模型的公式为:
其中y(t)是状态向量,非线性函数τ1(t)是时变延迟,Ak、Bk、Ck、I(t)是系统矩阵,y表示集群的个数,/>是随机矩阵,ω(t)是一个二维布朗运动。具体地,所述状态向量/>时变延迟τ1(t)=1+0.1sin(0.1t),系统矩阵分别所述随机矩阵选择初始值y1(t)=0.2,y2(t)=0.3。
所述孤立神经网络模型(2)的解y(t)可以被看作是第y集群的领导者,那么对应的,在y集群中的所有神经网络都可以被认为是它的追随者。因此,导数耦合神经网络模型(1)与孤立神经网络模型(2)的集群同步问题就可以看作是每个集群中的领导-随从问题。对于i=1,2,…,N,通过定义误差向量设计了如下的脉冲牵制控制器。
本发明所述的脉冲牵制控制器的表达式为:
ui(t)=u0,i(t)+u1,i(t), (3)
其中脉冲控制部分为:牵制反馈控制部分u1,i(t)对于/> 否则,u1,i(t)=0,正常数di(i=1,2,…,N)是被导数耦合神经网络的模型适当选择的负反馈控制强度;μ和ρ是误差状态和延迟误差状态的脉冲效应;Θ是狄拉克脉冲函数,假设控制强度矩阵为D=diag{d1,d2,…,dN}。
所述脉冲牵制控制器在设计时需要考虑:所述脉冲牵制控制器中的牵制反馈控制部分u1,i(t)控制不同集群之间有直接连接的神经网络,而脉冲控制对所有的神经网络都有控制;两个脉冲效应μ和ρ足以实现同步网络,则控制器ui(t)中的反馈控制增益可以是设置为很小的数甚至是零,从而构成了新的组合控制器;脉冲效应μ和ρ阻碍了最终同步,此时认为控制器μ和ρ受扰动后构成噪声,且脉冲信号对同步起到消极作用,可以看作是额外扰动,与原扰动一同对复杂网络同步构成干扰。
所述步骤S2中的误差网络模型的公式为:
则导数耦合神经网络模型(1)与导数耦合神经网络模型(2)实现全局同步。
下来讨论具有导数耦合和随机扰动的误差网络模型(4)的集群同步条件。所有的证明过程基于根据比较原理和平均脉冲间隔的概念,本发明将通过所设计的脉冲牵制控制器(3)实现导数耦合神经网络模型(1)和导数耦合神经网络模型(2)之间同步的充分条件。
证明方法如下:选取具有导数耦合矩阵为W的函数,具体地,所述步骤S3中,所述函数为李雅普诺夫函数,表达式为:
由于λmax(IN-c3W)≥λmin(IN-c3W)=1,从而可以得到下式:
经过计算,可以将原式化简为:
通过线性化方法,公式(9)可以被继续简化为
对于t∈[tk-1,tk],由已知可以得到:
为了证明(12)的有效性,本发明将采用数学归纳法来予以证明。首先对于t∈[t0,t1)和一个正常数q,那么可以从不等式(10)中得出:
其次假设不等式(12)对于s>0成立,依据数学归纳法证明s+1时不等式(11)也成立。当k=s,对于不等式(12)可以得出:
最后,当k=s+1,即t∈[ts,ts+1),从而可以得到
因此,不等式(12)对于任意t∈[tk-1,tk)都成立。
由于在公式(12)中q是一个正常数,因此,接下来本发明将基于常数q>0的选择和平均脉冲间隔的概念来讨论导数耦合神经网络模型的指数群聚同步。
情况1:如果正常数q∈(0,1)和t∈[tk-1,tk),可以得到下式:
情况2:如果正常数q∈(1,+∞]和t∈[tk-1,tk),从而可以得到:
情况3:当q=1,然后对于t∈[tk-1,tk),这下面的公式可以被得到:
首先,通过讨论正常数q的三种情况,得到了与最终同步状态相关的三个不等式(13)、(14)和(15)。因此,对于任何在本发明中有两个正常数λ和λ满足公式(5)。此外,考虑到特殊构造的Lyapunov函数(15),因此可以得到下式:
构造上述不等式的数学期望,可以得到:
在本发明中,由于和平均脉冲间隔的概念,通过所设计的脉冲牵制控制器(3),导数耦合神经网络模型(1)与导数耦合神经网络模型(2)实现了集群同步,证明完毕。
因此可以得到如下结论:
(i)矩阵不等式成立:
(ii)对于正常数q,下式成立:
max{a+beλτ,beλτ}≤q (19)
其中τ=max{τ1,τ2,τ3}和0≤τj≤τj(j=1,2,3),a=λmax(IN-c3W)(1+μ)(1+μ+ρ),b=λmax(IN-c3W)ρ(1+μ+ρ)和λ是正常数,它是下面参数方程的唯一解
λ-α+ηeλτ=0
(iii)指数收敛速度满足下式:
最终可以得到:误差网络模型(4)的解是指数稳定的,也即通过所设计的脉冲牵制控制器(3)使得导数耦合神经网络模型(1)与导数耦合神经网络模型(2)之间最终达到指数集群同步。
本实施例中,使用线性矩阵不等式工具箱通过式(18)-(20)计算出满足此神经网络模型的具体参数;并利用所述神经网络模型来搭建Simulink模型,得到仿真结果,通过图2-图5可知,在每个聚类内耦合神经网络是同步的并且求出了同步的指数收敛速度为
实施例二
基于同一发明构思,本实施例提供了一种含有聚类拓扑耦合的神经网络脉冲同步系统,其解决问题的原理与所述含有聚类拓扑耦合的神经网络脉冲同步方法类似,重复之处不再赘述。
本实施例提供一种含有聚类拓扑耦合的神经网络脉冲同步系统,包括:
构建模块,用于建立具有随机扰动的孤立神经网络模型以及有多个聚类的导数耦合神经网络模型;
设置模块,用于根据所述孤立神经网络模型以及导数耦合神经网络模型建立误差网络模型,并根据所述误差神经网络模型拓扑结构和脉冲信号设计脉冲牵制控制器;
聚类同步模块,用于根据所述误差网络模型选择相应的函数,并结合所述脉冲牵制控制器实现导数耦合神经网络模型和孤立神经网络模型之间的聚类同步;
验证模块,用于搭建神经网络模型并利用所述神经网络模型进行数值仿真,验证所述导数耦合神经网络模型和孤立神经网络模型之间的聚类同步效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (6)
1.一种含有聚类拓扑耦合的神经网络脉冲同步方法,其特征在于,包括如下步骤:
步骤S1:建立具有随机扰动的孤立神经网络模型以及有多个聚类的导数耦合神经网络模型;
步骤S2:根据所述孤立神经网络模型以及导数耦合神经网络模型建立误差网络模型,并根据所述误差神经网络模型拓扑结构和脉冲信号设计脉冲牵制控制器,所述孤立神经网络模型的公式为:
所述导数耦合神经网络模型的公式为:
其中是i个神经网络的状态向量,/>是一个正定矩阵,其中/>表示当从其他神经细胞和外部输入中分离时,第j个神经细胞将其电位重置为静止状态的速率;/>是常数矩阵,分别表示在时间t和t-τ1(t)时连通性强度;/>是外部输入向量;τ1(t)和τ2(t)是传输时间延迟;/>表示激活函数;正常数c1,c2,c3是复杂网络的耦合强度;含有元素ri≥0的矩阵/>代表内部耦合矩阵;/>和是由复杂网络拓扑结构决定的两个不同的外部耦合矩阵,满足条件每行元素之和都为零,且/>和/>其中如果第j个神经网络到第i个神经网络之间存在有向连接且i≠j,则gij≠gji>0(lij≠lji>0);/>是导数耦合矩阵,且是对称阵且满足每行元素之和都为零的条件,wij=wji>0当第i个神经网络和第j个神经网络有连接;/>表示一个m维的布朗运动;/>是满足条件的噪声强度矩阵,ui(t)表示脉冲牵制控制器;
所述脉冲牵制控制器的表达式为:ui(t)=u0,i(t)+u1,i(t),其中脉冲控制部分为:牵制反馈控制部分u1,i(t)对于否则,u1,i(t)=0,正常数di(i=1,2,…,N)是被导数耦合神经网络的模型适当选择的负反馈控制强度;μ和ρ是误差状态和延迟误差状态的脉冲效应;θ是狄拉克脉冲函数,假设控制强度矩阵为D=diag{d1,d2,…,dN};
其中所述误差网络模型的公式为:
步骤S3:根据所述误差网络模型选择相应的函数,并结合所述脉冲牵制控制器实现导数耦合神经网络模型和孤立神经网络模型之间的聚类同步;
步骤S4:搭建神经网络模型并利用所述神经网络模型进行数值仿真,验证所述导数耦合神经网络模型和孤立神经网络模型之间的聚类同步效果。
3.根据权利要求1所述的含有聚类拓扑耦合的神经网络脉冲同步方法,其特征在于:所述脉冲牵制控制器中的牵制反馈控制部分u1,i(t)控制不同集群之间有直接连接的神经网络。
6.一种含有聚类拓扑耦合的神经网络脉冲同步系统,用于实现如权利要求1-5中任意一项所述的方法,其特征在于,包括:
构建模块,用于建立具有随机扰动的孤立神经网络模型以及有多个聚类的导数耦合神经网络模型;
设置模块,用于根据所述孤立神经网络模型以及导数耦合神经网络模型建立误差网络模型,并根据所述误差神经网络模型拓扑结构和脉冲信号设计脉冲牵制控制器;其中所述孤立神经网络模型的公式为:
所述导数耦合神经网络模型的公式为:
其中是i个神经网络的状态向量,是一个正定矩阵,其中/>表示当从其他神经细胞和外部输入中分离时,第j个神经细胞将其电位重置为静止状态的速率;是常数矩阵,/>分别表示在时间t和t-τ1(t)时连通性强度;/>是外部输入向量;τ1(t)和τ2(t)是传输时间延迟;/>表示激活函数;正常数c1,c2,c3是复杂网络的耦合强度;含有元素ri≥0的矩阵代表内部耦合矩阵;/>和/>是由复杂网络拓扑结构决定的两个不同的外部耦合矩阵,满足条件每行元素之和都为零,且和/>其中如果第j个神经网络到第i个神经网络之间存在有向连接且i≠j,则gij≠gji>0(lij≠lji>0);/>是导数耦合矩阵,且是对称阵且满足每行元素之和都为零的条件,wij=wji>0当第i个神经网络和第j个神经网络有连接;表示一个m维的布朗运动;/>是满足条件/>的噪声强度矩阵,ui(t)表示脉冲牵制控制器;
所述脉冲牵制控制器的表达式为:ui(t)=u0,i(t)+u1,i(t),其中脉冲控制部分为:牵制反馈控制部分u1,i(t)对于否则,u1,i(t)=0,正常数di(i=1,2,…,N)是被导数耦合神经网络的模型适当选择的负反馈控制强度;μ和ρ是误差状态和延迟误差状态的脉冲效应;Θ是狄拉克脉冲函数,假设控制强度矩阵为D=diag{d1,d2,…,dN};
其中所述误差网络模型的公式为:
聚类同步模块,用于根据所述误差网络模型选择相应的函数,并结合所述脉冲牵制控制器实现导数耦合神经网络模型和孤立神经网络模型之间的聚类同步;
验证模块,用于搭建神经网络模型并利用所述神经网络模型进行数值仿真,验证所述导数耦合神经网络模型和孤立神经网络模型之间的聚类同步效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344860.2A CN111523648B (zh) | 2020-04-27 | 2020-04-27 | 含有聚类拓扑耦合的神经网络脉冲同步方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344860.2A CN111523648B (zh) | 2020-04-27 | 2020-04-27 | 含有聚类拓扑耦合的神经网络脉冲同步方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523648A CN111523648A (zh) | 2020-08-11 |
CN111523648B true CN111523648B (zh) | 2023-06-16 |
Family
ID=71906293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010344860.2A Active CN111523648B (zh) | 2020-04-27 | 2020-04-27 | 含有聚类拓扑耦合的神经网络脉冲同步方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523648B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131693B (zh) * | 2020-09-21 | 2023-08-22 | 江南大学 | 基于脉冲牵制自适应控制的Lur`e网络聚类同步方法 |
CN113064348B (zh) * | 2021-03-17 | 2023-01-31 | 郑州轻工业大学 | 具有脉冲效应的输出耦合神经网络固定时间输出同步方法 |
CN112884136B (zh) * | 2021-04-21 | 2022-05-13 | 江南大学 | 耦合神经网络有界聚类投影同步调节控制方法及系统 |
CN113792858B (zh) * | 2021-09-13 | 2024-03-01 | 江南大学 | 耦合神经网络有界同步及其分布式控制方法 |
CN115378565B (zh) * | 2022-08-19 | 2024-01-19 | 曲阜师范大学 | 一种用于双层耦合网络准同步的事件触发控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106452718A (zh) * | 2016-07-04 | 2017-02-22 | 陕西师范大学 | 一种噪声环境下耦合网络之间随机滞后同步的方法 |
CN108762067A (zh) * | 2018-04-28 | 2018-11-06 | 南京理工大学 | 一种忆阻神经网络的网络化同步控制设备和获取方法 |
CN110879533B (zh) * | 2019-12-13 | 2022-01-04 | 福州大学 | 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 |
-
2020
- 2020-04-27 CN CN202010344860.2A patent/CN111523648B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111523648A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523648B (zh) | 含有聚类拓扑耦合的神经网络脉冲同步方法及系统 | |
Wang et al. | Pinning control for synchronization of coupled reaction-diffusion neural networks with directed topologies | |
Feng et al. | Cluster synchronization for nonlinearly time-varying delayed coupling complex networks with stochastic perturbation via periodically intermittent pinning control | |
CN112884136B (zh) | 耦合神经网络有界聚类投影同步调节控制方法及系统 | |
Chen et al. | Intermittent synchronization of reaction–diffusion neural networks with mixed delays via Razumikhin technique | |
Li et al. | On robust synchronization of drive-response Boolean control networks with disturbances | |
Zhao et al. | Fixed-time synchronization of multi-links complex network | |
Xinsong et al. | Adaptive pinning synchronization of coupled neural networks with mixed delays and vector-form stochastic perturbations | |
Wang et al. | H∞ control for nonlinear stochastic Markov systems with time-delay and multiplicative noise | |
Hu et al. | Design of recurrent neural networks for solving constrained least absolute deviation problems | |
Liu et al. | Impulsive H∞ synchronization for reaction–diffusion neural networks with mixed delays | |
Yi et al. | Pinning synchronization for reaction-diffusion neural networks with delays by mixed impulsive control | |
Li et al. | Reduction and analysis of Boolean control networks by bisimulation | |
De Tommasi et al. | AL 2‐gain robust PID‐like protocol for time‐varying output formation‐containment of multi‐agent systems with external disturbance and communication delays | |
Chen et al. | Observer-based event-triggered consensus of leader-following linear multi-agent systems with input saturation and switching topologies | |
Liu et al. | Event-triggered control for multi-agent systems: event mechanisms for information transmission and controller update | |
Zhang et al. | Decentralized optimal control for the mean field LQG problem of multi-agent systems | |
CN112131693B (zh) | 基于脉冲牵制自适应控制的Lur`e网络聚类同步方法 | |
Wang et al. | Mean square exponential synchronization for two classes of Markovian switching complex networks under feedback control from synchronization control cost viewpoint | |
Tang et al. | Adaptive cluster synchronization for nondelayed and delayed coupling complex networks with nonidentical nodes | |
Song et al. | Distributed MPC-based adaptive control for linear systems with unknown parameters | |
Wang et al. | Output synchronization of wide-area multi-agent systems via an event-triggered hybrid control approach | |
Meng et al. | Leader–follower sliding mode formation control of fractional-order multi-agent systems: a dynamic event-triggered mechanism | |
Wang et al. | Cluster synchronization of time-varying delays coupled complex networks with nonidentical dynamical nodes | |
Yang et al. | Consensus of delayed multi-agent dynamical systems with stochastic perturbation via impulsive approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
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 |