CN113219836A - 一种分数阶复值忆阻神经网络的投影同步方法及其应用 - Google Patents
一种分数阶复值忆阻神经网络的投影同步方法及其应用 Download PDFInfo
- Publication number
- CN113219836A CN113219836A CN202110545298.4A CN202110545298A CN113219836A CN 113219836 A CN113219836 A CN 113219836A CN 202110545298 A CN202110545298 A CN 202110545298A CN 113219836 A CN113219836 A CN 113219836A
- Authority
- CN
- China
- Prior art keywords
- network
- fractional order
- error
- imaginary
- neural network
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000003044 adaptive effect Effects 0.000 claims abstract description 103
- 230000004044 response Effects 0.000 claims abstract description 101
- 230000001360 synchronised effect Effects 0.000 claims abstract description 66
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 66
- 238000000926 separation method Methods 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000001934 delay Effects 0.000 description 4
- 238000004904 shortening Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 125000004432 carbon atom Chemical group C* 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
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
本发明属于信息与通讯科学领域,具体涉及一种分数阶复值忆阻神经网络的投影同步方法及其应用。该方法用于实现分数阶复值忆阻神经网络系统的投影同步,包括如下步骤:步骤S1:设计同步控制器,同步控制器的设计方法包括步骤:步骤S11:定义系统的同步误差;步骤S12:将同步误差分成实部误差和虚部误差;步骤S13:根据分离后的实部误差和虚部误差;把同步控制器通过两部分进行设计:实部自适应控制器和虚部自适应控制器。步骤S2:将实部自适应控制器引入到表征响应网络的实部部分的模型中;将虚部自适应控制器引入到表征响应网络的虚部部分的模型中。本发明解决现有技术下具有时变延迟的改进型分数阶复值忆阻神经网络难以实现投影同步的问题。
Description
技术领域
本发明属于信息与通讯科学领域,具体涉及一种分数阶复值忆阻神经网络的投影同步方法,一种分数阶复值忆阻神经网络系统的构建方法,一种分数阶复值忆阻神经网络的投影同步装置,一种分数阶复值忆阻神经网络的投影同步终端,以及一种分数阶复值忆阻神经网络的投影同步方法的应用。
背景技术
忆阻器是第四种电气元件,忆阻器的电气特性包括:紧密的磁滞回线缩小到原点;激励频率与磁滞旁瓣面积呈负相关;当激励频率趋于无穷大时,紧密的磁滞回线将缩小为单值函数。由于这些特殊的属性,忆阻器逐渐应用于模拟人脑的突触;这使MNN(忆阻神经网络)的动态行为更加真实和丰富。目前,学者们致力于MNN的理论研究或MNN的电路实现并已获得多项成果。分数阶微积分被认为是积分微积分到任意阶数的扩展;由于具有无限记忆和多个自由度的独特特征,它被广泛应用于生物学,地震分析和控制系统。将分数演算与MNN结合起来,可以用于分析复杂而丰富的动态行为,例如网络的稳定性,分叉性和同步性。
常规在MNN稳定性分析局限于实值域内,除了实值域之外,复值域也是分析MNN稳定性的重要维度之一。复值域分析具有更复杂的属性和更丰富的分析方法,这使得MNN的研究兴趣从传统的实值神经网络转移到了复杂值神经网络。另外,它还可以用于解决对称检测和异或排除的问题,而实值方法无法解决它。因此,将复数值概念引入FMNN(分数阶忆阻神经网络)中非常重要。由于神经元之间存在不同的通信延迟;因此,我们在研究FMNN时也应该考虑模型中的时间延迟;例如离散延迟,时变延迟等等。在这一方面,由于FCVMNNs(分数阶复值忆阻神经网络)的研究更接近于实际情况,因此其已成为一个新的研究热点。
同步作为动态系统中的一种基本现象,由于其在图像加密,安全通信,密码系统等各个方面的实际应用,现已成为长期以来的研究重点。关于神经网络的同步方案的研究多种多样,例如Mittag-Leffler同步,指数同步,完全同步,自适应同步,准同步等。与上述同步相比,投影同步通过调整比例因子在复杂同步和反同步之间起着特殊的作用,也具有更广泛的应用前景。但是对于具有时变延迟特性的分数阶复值忆阻神经网络的投影同步问题,目前还没有很好的技术方案来实现。
此外,在实际应用中,有限时间同步比无限时间同步更为流行和合理。由于更好的抗干扰能力和更快的收敛速度,有限时间同步引起了学者和研究者的越来越多的关注。一些技术方案通过选择不同的反馈控制器解决了有限时间投影同步的问题,这些控制器的分析通常基于整数阶域。此外,还有学者通过一个简单的线性控制器研究了有限时间内的投影同步。但是,对于具有时变时延的FCVMNNs的有限时间投影同步的问题,目前也并未得到解决,这仍然是一个具有挑战性的问题。
此外,实现分数阶复值忆阻神经网络在有限时间投影同步,对于提升保密通信的复杂性和加密效果将产生明显效果。
发明内容
为了解决现有技术下具有时变延迟的改进型分数阶复值忆阻神经网络难以在有限时间内实现投影同步的问题,本发明提供一种分数阶复值忆阻神经网络的投影同步及其应用。
本发明采用以下技术方案实现:
一种分数阶复值忆阻神经网络的投影同步方法,该方法用于实现分数阶复值忆阻神经网络系统的驱动网络和响应网络在有限时间内达到投影同步,该投影同步方法包括如下步骤:
步骤S1:设计同步控制器ui(t),同步控制器ui(t)的设计方法包括步骤:
步骤S11:定义系统的同步误差ei(t),表征同步误差ei(t)的函数为:
ei(t)=yi(t)-νxi(t)
其中,xi(t)表示驱动网络的状态变量;yi(t)表示响应网络的状态变量;ν表示投影因子,反映的是驱动网络与响应网络之间的同步比例关系。
步骤S2:将实部自适应控制器引入到表征响应网络的实部部分的模型中;将虚部自适应控制器引入到表征响应网络的虚部部分的模型中。
进一步的,分数阶复值忆阻神经网络系统的驱动网络的模型为:
其中,表示对t求α次分数阶导数的标记,α表示分数阶的阶次,0<α<1;xi(t)表示驱动网络的状态变量;τ(t)表示时变延迟函数,能够在t∈[0,T]上可导并且满足 是一个常数;fj(xj(t))和gj(xj(t-τ(t)))表示复值的激活函数;Ii表示外部输入;aij(xj(t))和bij(xj(t))表示复值的忆阻连接权重;di(xi(t))表示神经元的自反馈函数,其状态与忆阻连接权重aij(xj(t))和bij(xj(t))有关,并且满足:
其中,Ri表示电阻;Wfij和Wgij分别表示有关于忆阻器的忆阻参数。
进一步的,分数阶复值忆阻神经网络系统的响应网络的模型为:
其中,表示t求α次分数阶导数的标记;α表示分数阶的阶次,0<α<1;yi(t)表示响应网络的状态变量;τ(t)表示时变延迟函数,能够在t∈[0,T]上可导并且满足 是一个常数;fj(yj(t))和gj(yj(t-τ(t)))表示复值的激活函数;Ii表示外部输入;ui(t)表示有待设计的同步控制器;aij(yj(t))和bij(yj(t))表示复值的忆阻连接权重;di(yi(t))表示神经元的自反馈函数,其状态与忆阻连接权重aij(yj(t))和bij(yj(t))有关,并且满足:
其中,Ri表示电阻;Wfij和Wgij分别表示有关于忆阻器的忆阻参数。
进一步的,复值的忆阻连接权重aij(yj(t))和bij(yj(t))满足如下条件:
其中,Ci表示电容,signij表示符号函数。
进一步的,步骤S2的实部自适应控制器和虚部自适应控制器的引入过程中,分数阶复值忆阻神经网络系统的驱动网络被采用分离方法分为实部和虚部两个部分;分数阶复值忆阻神经网络系统的响应网络也被采用分离方法分为实部和虚部两个部分。
本发明还包括一种分数阶复值忆阻神经网络系统的构建方法,该分数阶复值忆阻神经网络系统包括驱动网络和响应网络,该构建方法在构建分数阶复值忆阻神经网络系统时,为了实现驱动网络和响应网络在有限时间内达到投影同步,包括如下步骤:
步骤S1:设计同步控制器ui(t),同步控制器ui(t)的设计方法包括步骤:
步骤S11:定义系统的同步误差ei(t),表征同步误差ei(t)的函数为:
ei(t)=yi(t)-νxi(t)
其中,xi(t)表示驱动网络的状态变量;yi(t)表示响应网络的状态变量;ν表示投影因子,反映的是驱动网络与响应网络之间的同步比例关系。
步骤S2:将实部自适应控制器引入到表征响应网络的模型的实部部分中;将虚部自适应控制器引入到表征响应网络的模型的虚部部分中。
进一步的,对于构建的分数阶复值忆阻神经网络系统,系统的投影同步时间t的范围通过如下公式计算:
本发明还包括一种分数阶复值忆阻神经网络的投影同步装置,该装置用于实现分数阶复值忆阻神经网络系统的驱动网络和响应网络在有限时间内达到投影同步,该投影同步装置包括:同步误差定义模块、同步误差分离模块、同步控制器、投影同步时间计算模块以及修正模块。
其中,同步误差定义模块用于定义分数阶复值忆阻神经网络系统的驱动网络和响应网络间的同步误差ei(t);表征同步误差ei(t)的函数为:
ei(t)=yi(t)-νxi(t)
其中,xi(t)表示驱动网络的状态变量;yi(t)表示响应网络的状态变量;ν表示投影因子,反映的是驱动网络与所述响应网络之间的同步比例关系。
修正模块,其用于将实部自适应控制器和虚部自适应控制器分别引入到表征响应网络的实部部分的模型和虚部部分的模型中
投影同步时间计算模块用于对分数阶复值忆阻神经网络系统达到投影同步的时间进行计算,系统的投影同步时间t的范围通过如下公式计算:
本发明还包括一种分数阶复值忆阻神经网络的投影同步终端,该终端包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述程序时实现如前述的分数阶复值忆阻神经网络的投影同步方法的步骤。
本发明还包括一种分数阶复值忆阻神经网络的投影同步方法的应用,采用如前述的分数阶复值忆阻神经网络的投影同步方法,可以实现分数阶复值忆阻神经网络系统的驱动网络和响应网络在有限时间内达到投影同步;应用达到投影同步状态的分数阶复值忆阻神经网络系统中的驱动网络和响应网络可以实现保密通信。
在一个具有信号发送端、信号接收端和信道的通信系统中,应用分数阶复值忆阻神经网络系统实现保密通信的方法如下:
(1)信号发送端通过分数阶复值忆阻神经网络系统的驱动网络产生加密信号;并将包含有用信息的待发送的明文信号与加密信号进行加密运算得到密文信号。
(2)信号发送端通过信号发送密文信号,信号接收端通过信道接收密文信号。
(3)信号接收端通过分数阶复值忆阻神经网络系统的响应网络产生解密信号;并将密文信号与解密信号进行解密运算得到包含有用信息的明文信号。
其中,加密信号和解密信号为完全同步的混沌信号;解密运算为加密运算的逆运算。
本发明提供的技术方案,具有如下有益效果:
1、为了解决具有时变延迟特性的分数阶复值忆阻神经网络的投影同步问题,本发明将改进的分数阶复值忆阻神经网络转换为两个等效的实值系统,然后针对实值系统分别设计相应的实部自适应控制器和虚部自适应控制器;利用这两个自适应控制器作为同步控制器,分别对分离后的系统的驱动网络和响应网络进行处理,从而实现了分数阶复值忆阻神经网络系统的投影同步。本发明的技术方案可以更方便、系统地分析和考虑的复值系统的稳定性,并改善分数阶复值忆阻神经网络实现投影同步的现有标准。
2、本发明的技术方案还考虑到有限时间同步在抗干扰能力和收敛速度方面的优越性,因此在同步控制器的设计之初就将投影同步时间控制纳入到研究目标中。最终得到的同步控制器能够在有限时间实现系统达到投影同步状态,同时,系统的投影同步时间还可以通过同步控制器中的相关参数进行计算。
3、本发明在分数阶复值忆阻神经网络模型的选择上,根据忆阻器电路的特性,特别引入了一个更复杂的网络模型。该模型与传统的具有状态相关参数不匹配和时变时延的简化参数模型相比,结果更准确,也更符合实际需求;这也使得本发明的投影同步方法和投影同步装置具有更强的实用性。尤其是在保密通信领域,本发明的方法解决了具有时变时延的分数阶复值忆阻神经网络的有限时间投影同步问题之后,可以将该神经网络应用于在保密通信系统中,显著提升保密通信系统的复杂性和破解难度。
附图说明
图1为本发明实施例1中一种分数阶复值忆阻神经网络的投影同步方法的流程图;
图2为本发明实施例3中,投影因子v=1时,二维分数阶复值忆阻神经网络系统中驱动网络和响应网络的轨迹对照图(图中左上、右上、左下、右下四个部分的曲线分别为:第一维度的实部部分、第一维度的虚部部分、第二维度的实部部分、第二维度的虚部部分);
图3为本发明实施例3中;投影因子v=1时,二维分数阶复值忆阻神经网络的中同步误差的变化曲线(图中上下两个部分分别为实部误差和虚部误差的变化曲线);
图4为本发明实施例3中;投影因子v=1时,二维分数阶复值忆阻神经网络系统中同步控制器反馈增益的变化曲线(图中上下两个部分分别为实部自适应控制器的反馈增益和虚部自适应控制器的反馈增益);
图5为本发明实施例3中,投影因子v=-1时,二维分数阶复值忆阻神经网络系统中驱动网络和响应网络的轨迹对照图(图中左上、右上、左下、右下四个部分的曲线分别为:第一维度的实部部分、第一维度的虚部部分、第二维度的实部部分、第二维度的虚部部分);
图6为本发明实施例3中;投影因子v=-1时,二维分数阶复值忆阻神经网络的中同步误差的变化曲线(图中上下两个部分分别为实部误差和虚部误差的变化曲线);
图7为本发明实施例3中;投影因子v=-1时,二维分数阶复值忆阻神经网络系统中同步控制器反馈增益的变化曲线(图中上下两个部分分别为实部自适应控制器的反馈增益和虚部自适应控制器的反馈增益);
图8为本发明实施例3中,投影因子v=1.7时,二维分数阶复值忆阻神经网络系统中驱动网络和响应网络的轨迹对照图(图中左上、右上、左下、右下四个部分的曲线分别为:第一维度的实部部分、第一维度的虚部部分、第二维度的实部部分、第二维度的虚部部分);
图9为本发明实施例3中,投影因子v=1.7时,二维分数阶复值忆阻神经网络的中同步误差的变化曲线(图中上下两个部分分别为实部误差和虚部误差的变化曲线);
图10为本发明实施例3中;投影因子v=1.7时,二维分数阶复值忆阻神经网络系统中同步控制器反馈增益的变化曲线(图中上下两个部分分别为实部自适应控制器的反馈增益和虚部自适应控制器的反馈增益);
图11为本发明实施例4中一种分数阶复值忆阻神经网络的投影同步装置的模块示意图;
图12为本发明实施例6中,采用达到投影同步的分数阶复值忆阻神经网络系统的驱动网络和响应网络实现保密通信的方法的逻辑示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,本实施例提供一种分数阶复值忆阻神经网络的投影同步方法,该方法用于实现分数阶复值忆阻神经网络系统的驱动网络和响应网络在有限时间内达到投影同步,该投影同步方法包括如下步骤:
步骤S1:设计同步控制器ui(t),同步控制器ui(t)的设计方法包括步骤:
步骤S11:定义系统的同步误差ei(t),表征同步误差ei(t)的函数为:
ei(t)=yi(t)-νxi(t)
其中,xi(t)表示驱动网络的状态变量;yi(t)表示响应网络的状态变量;ν表示投影因子,反映的是驱动网络与响应网络之间的同步比例关系。
步骤S2:将实部自适应控制器引入到表征响应网络的实部部分的模型中;将虚部自适应控制器引入到表征响应网络的虚部部分的模型中。
本实施例中,分数阶复值忆阻神经网络系统的驱动网络的模型为:
其中,表示t求α次分数阶导数的标记;α表示分数阶的阶次,0<α<1;xi(t)表示驱动网络的状态变量;τ(t)表示时变延迟函数,能够在t∈[0,T]上可导并且满足 是一个常数;fj(xj(t))和gj(xj(t-τ(t)))表示复值的激活函数;Ii表示外部输入;aij(xj(t))和bij(xj(t))表示复值的忆阻连接权重;di(xi(t))表示神经元的自反馈函数,其状态与忆阻连接权重aij(xj(t))和bij(xj(t))有关,并且满足:
其中,Ri表示电阻;Wfij和Wgij分别表示有关于忆阻器的忆阻参数。
本实施例中,分数阶复值忆阻神经网络系统的响应网络的模型为:
其中,表示对t求α次分数阶导数的标记,α表示分数阶的阶次,0<α<1;yi(t)表示响应网络的状态变量;τ(t)表示时变延迟函数,能够在t∈[0,T]上可导并且满足fj(yj(t))和gj(yj(t-τ(t)))表示复值的激活函数;Ii表示外部输入;ui(t)表示有待设计的同步控制器;aij(yj(t))和bij(yj(t))表示复值的忆阻连接权重;di(yi(t))表示神经元的自反馈函数,其状态与忆阻连接权重aij(yj(t))和bij(yj(t))有关,并且满足:
其中,Ri表示电阻;Wfij和Wgij分别表示有关于忆阻器的忆阻参数。
其中,复值的忆阻连接权重aij(yj(t))和bij(yj(t))满足如下条件:
其中,Ci表示电容,signij表示符号函数。
在本实施例中,步骤S2的实部自适应控制器和虚部自适应控制器的引入过程中,分数阶复值忆阻神经网络系统的驱动网络被采用分离方法分为实部和虚部两个部分;分数阶复值忆阻神经网络系统的响应网络也被采用分离方法分为实部和虚部两个部分。
分离后的驱动网络的实部部分的模型为:
分离后的驱动网络的虚部部分的模型为:
同时,驱动网络分离后的实部部分的模型和虚部部分的模型,与分离前的复值网络模型相比:分离后的模型中,所有的带有上标R的量均为分离前的复值网络模型中对应量的实部部分;所有的带有上标I的量均为分离前的复值网络模型中对应量的虚部部分;
分离后的响应网络的实部部分的模型为:
分离后的响应网络的虚部部分的模型为:
以上两式中,驱动网络分离后的实部部分的模型和虚部部分的模型,与分离前的复值网络模型相比:分离后的模型中,所有的带有上标R的量均为分离前的复值网络模型中对应量的实部部分;所有的带有上标I的量均为分离前的复值网络模型中对应量的虚部部分。
实施例2
在实施例1的基础上,本实施例提供一种分数阶复值忆阻神经网络系统的构建方法,其中,分数阶复值忆阻神经网络系统包括驱动网络和响应网络,该构建方法在构建分数阶复值忆阻神经网络系统时,为了实现驱动网络和响应网络在有限时间内达到投影同步,包括如下步骤:
步骤S1:设计同步控制器ui(t),同步控制器ui(t)的设计方法包括步骤:
步骤S11:定义系统的同步误差ei(t),表征同步误差ei(t)的函数为:
ei(t)=yi(t)-νxi(t)
其中,xi(t)表示驱动网络的状态变量;yi(t)表示响应网络的状态变量;ν表示投影因子,反映的是驱动网络与响应网络之间的同步比例关系。
步骤S2:将实部自适应控制器引入到表征响应网络的模型的实部部分中;将虚部自适应控制器引入到表征响应网络的模型的虚部部分中。
对于本实施例构建的分数阶复值忆阻神经网络系统而言,采用实施例1中设计的自适应控制器作为同步控制器后,根据设计的同步控制器的参数,可以采用如下公式对本实施例中系统的投影同步时间t进行计算:
投影同步时间t计算公式的推导过程如下:
若要实现有限时间的投影同步,则根据:
假设存在一个函数F(t)≥0,则有:
对上式进行两边求分数阶积分,有
其中,
并且
经过整理可得
利用上式可以求得时间t为:
实施例3
本实施例中主要包括两部分内容:
其一是对实施例1的提供分数阶复值忆阻神经网络的投影同步方法中,设计出的同步控制器的有效性进行理论证明。
其二是通过数值仿真的方法针对实施例2中构建的分数阶复值忆阻神经网络系统,验证驱动网络和响应网络在有限时间内达到投影同步的性能。
(理论证明和仿真实验均不用于限定本发明,在其它实施例中可以不进行仿真实验,也可以采用其他实验方案进行试验,对该神经网络系统的性能进行验证。)
一、理论证明
1、条件假设:首先,在不失一般性的前提下,有两种方法可以解决神经网络系统中的复值问题。一种是将复值系统分成两个等效的实值系统进行分析,另一种是直接分析复数域中的所有参数。为了进行更有条理和系统的分析,本实施例采用分离方法。分离后的分数阶复值忆阻神经网络系统的驱动网络和响应网络的模型分别如实施例1所述。
其中,所有带有上标R的量均为分离前原始的复值网络模型中相应量的实部部分,所有带有上标I的量均为分离前原始的复值网络模型中相应量的虚部部分。
其中,所有带有上标R的量均为分离前原始的复值网络模型中相应量的实部部分,所有带有上标I的量均为分离前原始的复值网络模型中相应量的虚部部分; 和分别是经过微分包含和极值映射后的结果。“·”为一种为缩短公式长度而创建的宏定义标志,公式内各函数中的“·”具体表示为“··”为一种为缩短公式长度而创建的宏定义标志,公式内各函数中的“··”具体表示为
则有:
并满足:
其中,Tj表示切换跳跃时间,Tj>0。
对于任意系统的驱动网络和响应网络,如果需要通过设计的自适应控制器达到有限时间投影同步,则需要满足条件:
θ-ω≥ε>0,
2、求解和证明:
构造李雅普诺夫函数为:
V(t)=V1(t)+V2(t),
而
进一步有:
根据假设:
那么,
考虑到同步误差中的每个解都满足Razumikhin条件,因此根据Razumikhin理论,则有:
即,得出
V1(t)≤(V1(t0)+V2(t0))Eα[-ε(t-t0)α]
≤V1(t0)Eα[-ε(t-t0)α]。
||e(t)||≤||e(t0)||Eα[-ε(t-t0)α]。
解出:
由于解出的同步误差的确实现了归零,因此可以得出结论:本实施例提供的同步方法可以实现分数阶复值忆阻神经网络的投影同步。
二、数值仿真
在本实施例中,以二维具有时变时滞的分数阶复值忆阻神经网络系统为例,确定神经网络系统的驱动网络的模型为:
复值的忆阻连接权重满足:
同时,对应的二维具有时变时滞的分数阶复值忆阻神经网络系统的响应网络的模型为:
其中,部分参数的取值为ξ1=0.5,ξ2=0.6,η=γ=25;其余参数的取值与驱动网络中一致。本实施例中分别设计投影因子v=1、-1和1.7三种情况下的驱动-响应网络的同步试验。
其中,如图2、图5、图8分别显示v=1、-1和1.7三种情况下,驱动网络和响应网络的轨迹曲线;而图3、图6和图9则分别显示v=1、-1和1.7三种情况下,驱动网络和响应网络的同步误差的变化曲线,图4、图7和图10分别显示显示v=1、-1和1.7三种情况下,实部自适应控制器和虚部自适应控制器的反馈增益的变化曲线。
综合上述仿真实验得到的仿真结果中曲线的变化趋势可以发现:本实施例提供的一种分数阶复值忆阻神经网络在采用不同投影因子的状态下,均可以在有限时间内实现系统的投影同步。
实施例4
如图9所示,本实施例提供了一种分数阶复值忆阻神经网络的投影同步装置,该装置用于采用实施例1中的方法实现分数阶复值忆阻神经网络系统的驱动网络和响应网络在有限时间内达到投影同步,该投影同步装置包括:同步误差定义模块、同步误差分离模块、同步控制器、投影同步时间计算模块以及修正模块。
其中,同步误差定义模块用于定义分数阶复值忆阻神经网络系统的驱动网络和响应网络间的同步误差ei(t);表征同步误差ei(t)的函数为:
ei(t)=yi(t)-νxi(t)
其中,xi(t)表示驱动网络的状态变量;yi(t)表示响应网络的状态变量;ν表示投影因子,反映的是驱动网络与所述响应网络之间的同步比例关系。
修正模块,其用于将实部自适应控制器和虚部自适应控制器分别引入到表征响应网络的实部部分的模型和虚部部分的模型中;
投影同步时间计算模块用于对分数阶复值忆阻神经网络系统达到投影同步的时间进行计算,系统的投影同步时间t的范围通过如下公式计算:
实施例5
本实施例提供一种分数阶复值忆阻神经网络的投影同步终端,该终端包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述程序时实现如实施例1的分数阶复值忆阻神经网络的投影同步方法的步骤。
实施例6
本实施例提供一种分数阶复值忆阻神经网络的投影同步方法的应用,采用如实施例1的分数阶复值忆阻神经网络的投影同步方法,可以实现分数阶复值忆阻神经网络系统的驱动网络和响应网络在有限时间内达到投影同步;应用达到投影同步状态的分数阶复值忆阻神经网络系统中的驱动网络和响应网络可以实现保密通信。
如图12所示,在一个具有信号发送端、信号接收端和信道的通信系统中,应用分数阶复值忆阻神经网络系统实现保密通信的方法如下:
(1)信号发送端通过分数阶复值忆阻神经网络系统的驱动网络产生加密信号;并将包含有用信息的待发送的明文信号与加密信号进行加密运算得到密文信号。
(2)信号发送端通过信号发送密文信号,信号接收端通过信道接收密文信号。
(3)信号接收端通过分数阶复值忆阻神经网络系统的响应网络产生解密信号;并将密文信号与解密信号进行解密运算得到包含有用信息的明文信号。
其中,加密信号和解密信号为完全同步的混沌信号;解密运算为加密运算的逆运算。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种分数阶复值忆阻神经网络的投影同步方法,其用于实现所述分数阶复值忆阻神经网络系统的驱动网络和响应网络在有限时间内达到投影同步,其特征在于,所述投影同步方法包括如下步骤:
步骤S1:设计同步控制器ui(t),所述同步控制器ui(t)的设计方法包括步骤:
步骤S11:定义系统的同步误差ei(t),表征所述同步误差ei(t)的函数为:
ei(t)=yi(t)-νxi(t)
其中,xi(t)表示所述驱动网络的状态变量;yi(t)表示所述响应网络的状态变量;ν表示投影因子,反映的是所述驱动网络与所述响应网络之间的同步比例关系;
其中,ξi是跟第i个神经元相关的反馈系数;ki(t)表示实部自适应控制器的反馈增益,
步骤S2:将所述实部自适应控制器引入到表征所述响应网络的实部部分的模型中;将所述虚部自适应控制器引入到表征所述响应网络的虚部部分的模型中。
2.如权利要求1所述的分数阶复值忆阻神经网络的投影同步方法,其特征在于:
所述驱动网络的模型为:
其中,表示对t求α次分数阶导数的标记,α表示分数阶的阶次,0<α<1;xi(t)表示所述驱动网络的状态变量;τ(t)表示时变延迟函数,能够在t∈[0,T]上可导并且满足fj(xj(t))和gj(xj(t-τ(t)))表示复值的激活函数;Ii表示外部输入;aij(xj(t))和bij(xj(t))表示复值的忆阻连接权重;di(xi(t))表示神经元的自反馈函数,其状态与忆阻连接权重aij(xj(t))和bij(xj(t))有关,并且满足:
其中,Ri表示的是电阻;Wfij和Wgij分别是有关于忆阻器的忆阻参数。
3.如权利要求1所述的分数阶复值忆阻神经网络的投影同步方法,其特征在于:所述响应网络的模型为:
其中,表示对t求α次分数阶导数的标记,α表示分数阶的阶次,0<α<1;yi(t)表示所述响应网络的状态变量;τ(t)表示时变延迟函数,能够在t∈[0,T]上可导并且满足 是一个常数;fj(yj(t))和gj(yj(t-τ(t)))表示复值的激活函数;Ii表示外部输入;ui(t)表示有待设计的同步控制器;aij(yj(t))和bij(yj(t))表示复值的忆阻连接权重;di(yi(t))表示神经元的自反馈函数,其状态与忆阻连接权重aij(yj(t))和bij(yj(t))有关,并且满足:
其中,Ri表示电阻;Wfij和Wgij分别表示有关于忆阻器的忆阻参数。
5.如权利要求1所述的分数阶复值忆阻神经网络的投影同步方法,其特征在于:所述步骤S2的实部自适应控制器和虚部自适应控制器的引入过程中,分数阶复值忆阻神经网络系统的驱动网络被采用分离方法分为实部和虚部两个部分;分数阶复值忆阻神经网络系统的响应网络也被采用分离方法分为实部和虚部两个部分。
6.一种分数阶复值忆阻神经网络系统的构建方法,所述分数阶复值忆阻神经网络系统包括驱动网络和响应网络,其特征在于,所述构建方法在构建所述分数阶复值忆阻神经网络系统时,为了实现所述驱动网络和所述响应网络在有限时间内达到投影同步,包括步骤:
步骤S1:设计同步控制器ui(t),所述同步控制器ui(t)的设计方法包括步骤:
步骤S11:定义系统的同步误差ei(t),表征所述同步误差ei(t)的函数为:
ei(t)=yi(t)-νxi(t)
其中,xi(t)表示所述驱动网络的状态变量;yi(t)表示所述响应网络的状态变量;ν表示投影因子,反映的是所述驱动网络与所述响应网络之间的同步比例关系;
步骤S2:将所述实部自适应控制器引入到表征所述响应网络的模型的实部部分中;将所述虚部自适应控制器引入到表征所述响应网络的模型的虚部部分中。
8.一种分数阶复值忆阻神经网络的投影同步装置,其用于实现所述分数阶复值忆阻神经网络系统的驱动网络和响应网络在有限时间内达到投影同步,其特征在于,所述投影同步装置包括:
同步误差定义模块,其用于定义所述分数阶复值忆阻神经网络系统的驱动网络和响应网络间的同步误差ei(t);表征同步误差ei(t)的函数为:
ei(t)=yi(t)-νxi(t)
其中,xi(t)表示所述驱动网络的状态变量;yi(t)表示所述响应网络的状态变量;ν表示投影因子,反映的是所述驱动网络与所述响应网络之间的同步比例关系;
修正模块,其用于将所述实部自适应控制器和所述虚部自适应控制器分别引入到表征所述响应网络的实部部分的模型和虚部部分的模型中;以及
投影同步时间计算模块,其用于对所述分数阶复值忆阻神经网络系统达到投影同步的时间进行计算,所述系统的投影同步时间t的范围通过如下公式计算:
9.一种分数阶复值忆阻神经网络的投影同步终端,其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5中任意一项所述的分数阶复值忆阻神经网络的投影同步方法的步骤。
10.一种分数阶复值忆阻神经网络的投影同步方法的应用,其特征在于,采用如权利要求1至5中任意一项所述的分数阶复值忆阻神经网络的投影同步方法,可以实现所述分数阶复值忆阻神经网络系统的驱动网络和响应网络在有限时间内达到投影同步;应用达到投影同步状态的所述分数阶复值忆阻神经网络系统中的所述驱动网络和所述响应网络可以实现保密通信;
在一个具有信号发送端、信号接收端和信道的通信系统中,应用所述分数阶复值忆阻神经网络系统实现保密通信的方法如下:
(1)所述信号发送端通过所述分数阶复值忆阻神经网络系统的驱动网络产生加密信号;并将包含有用信息的待发送的明文信号与所述加密信号进行加密运算得到密文信号;
(2)所述信号发送端通过信号发送所述密文信号,所述信号接收端通过所述信道接收所述密文信号;
(3)所述信号接收端通过所述分数阶复值忆阻神经网络系统的响应网络产生解密信号;并将密文信号与所述解密信号进行解密运算得到包含有用信息的所述明文信号;
其中,所述加密信号和所述解密信号为完全同步的混沌信号;所述解密运算为所述加密运算的逆运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110545298.4A CN113219836B (zh) | 2021-05-19 | 2021-05-19 | 一种分数阶复值忆阻神经网络的投影同步方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110545298.4A CN113219836B (zh) | 2021-05-19 | 2021-05-19 | 一种分数阶复值忆阻神经网络的投影同步方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113219836A true CN113219836A (zh) | 2021-08-06 |
CN113219836B CN113219836B (zh) | 2022-04-08 |
Family
ID=77093025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110545298.4A Active CN113219836B (zh) | 2021-05-19 | 2021-05-19 | 一种分数阶复值忆阻神经网络的投影同步方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113219836B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114280941A (zh) * | 2021-12-30 | 2022-04-05 | 山东星通易航通信科技有限公司 | 一种基于分数阶多时滞忆阻神经网络的vdes通信方法 |
CN115037438A (zh) * | 2022-06-06 | 2022-09-09 | 济南大学 | 基于神经网络预定义时间同步控制的安全通信方法及系统 |
CN115169539A (zh) * | 2022-07-28 | 2022-10-11 | 盐城工学院 | 一种基于惯性复值忆阻神经网络的保密通信方法 |
CN115755621A (zh) * | 2022-12-08 | 2023-03-07 | 盐城工学院 | 一种忆阻递归神经网络的有限时间自适应同步控制方法 |
CN115860075A (zh) * | 2022-12-08 | 2023-03-28 | 盐城工学院 | 一种分数阶忆阻神经网络的同步控制方法 |
CN115903511A (zh) * | 2022-12-08 | 2023-04-04 | 盐城工学院 | 一种随机忆阻神经网络的自适应指数同步控制方法 |
CN116203838A (zh) * | 2022-12-08 | 2023-06-02 | 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 |
CN116430715A (zh) * | 2022-12-08 | 2023-07-14 | 盐城工学院 | 一种时变时滞忆阻递归神经网络的有限时间同步控制方法 |
CN116520692A (zh) * | 2023-04-07 | 2023-08-01 | 盐城工学院 | 一种基于间歇控制的复值神经网络的指数同步控制方法 |
CN116800508A (zh) * | 2023-07-03 | 2023-09-22 | 盐城工学院 | 一种具有反应扩散项的复值忆阻神经网络保密通信方法 |
CN117201687A (zh) * | 2023-07-03 | 2023-12-08 | 盐城工学院 | 基于惯性忆阻神经网络投影同步的图像加密方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130015295A1 (en) * | 2011-07-13 | 2013-01-17 | Robert Neil Campbell | Traveling wave augmented railgun |
CN107479377A (zh) * | 2017-08-03 | 2017-12-15 | 淮阴工学院 | 分数阶弧形微机电系统的自适应同步控制方法 |
CN108847922A (zh) * | 2018-06-01 | 2018-11-20 | 安徽大学 | 一种基于分数阶忆阻器的时滞混沌电路 |
CN109143871A (zh) * | 2018-10-31 | 2019-01-04 | 东北大学 | 基于改进极点配置的三阶严反馈混沌比例投影同步方法 |
CN109688076A (zh) * | 2018-04-19 | 2019-04-26 | 南京邮电大学 | 基于离散多电平迟滞的噪声混沌神经网络的盲检测方法 |
CN109901399A (zh) * | 2019-03-29 | 2019-06-18 | 东北大学 | 一种不同维数混沌的有限时间全状态混合投影同步方法 |
CN111077776A (zh) * | 2019-12-16 | 2020-04-28 | 重庆航天职业技术学院 | 耦合分数阶混沌机电装置的最优同步控制方法 |
CN112731800A (zh) * | 2020-12-10 | 2021-04-30 | 中国科学院深圳先进技术研究院 | 分数阶混沌系统的预定时间自适应同步方法及系统 |
-
2021
- 2021-05-19 CN CN202110545298.4A patent/CN113219836B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130015295A1 (en) * | 2011-07-13 | 2013-01-17 | Robert Neil Campbell | Traveling wave augmented railgun |
CN107479377A (zh) * | 2017-08-03 | 2017-12-15 | 淮阴工学院 | 分数阶弧形微机电系统的自适应同步控制方法 |
CN109688076A (zh) * | 2018-04-19 | 2019-04-26 | 南京邮电大学 | 基于离散多电平迟滞的噪声混沌神经网络的盲检测方法 |
CN108847922A (zh) * | 2018-06-01 | 2018-11-20 | 安徽大学 | 一种基于分数阶忆阻器的时滞混沌电路 |
CN109143871A (zh) * | 2018-10-31 | 2019-01-04 | 东北大学 | 基于改进极点配置的三阶严反馈混沌比例投影同步方法 |
CN109901399A (zh) * | 2019-03-29 | 2019-06-18 | 东北大学 | 一种不同维数混沌的有限时间全状态混合投影同步方法 |
CN111077776A (zh) * | 2019-12-16 | 2020-04-28 | 重庆航天职业技术学院 | 耦合分数阶混沌机电装置的最优同步控制方法 |
CN112731800A (zh) * | 2020-12-10 | 2021-04-30 | 中国科学院深圳先进技术研究院 | 分数阶混沌系统的预定时间自适应同步方法及系统 |
Non-Patent Citations (1)
Title |
---|
王匀: "分数阶时滞忆阻混沌电路的动力学分析及电路仿真", 《舰船电子工程》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114280941A (zh) * | 2021-12-30 | 2022-04-05 | 山东星通易航通信科技有限公司 | 一种基于分数阶多时滞忆阻神经网络的vdes通信方法 |
CN115037438A (zh) * | 2022-06-06 | 2022-09-09 | 济南大学 | 基于神经网络预定义时间同步控制的安全通信方法及系统 |
CN115169539B (zh) * | 2022-07-28 | 2023-06-02 | 盐城工学院 | 一种基于惯性复值忆阻神经网络的保密通信方法 |
CN115169539A (zh) * | 2022-07-28 | 2022-10-11 | 盐城工学院 | 一种基于惯性复值忆阻神经网络的保密通信方法 |
CN116203838A (zh) * | 2022-12-08 | 2023-06-02 | 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 |
CN115903511A (zh) * | 2022-12-08 | 2023-04-04 | 盐城工学院 | 一种随机忆阻神经网络的自适应指数同步控制方法 |
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 |
CN115860075A (zh) * | 2022-12-08 | 2023-03-28 | 盐城工学院 | 一种分数阶忆阻神经网络的同步控制方法 |
CN115755621A (zh) * | 2022-12-08 | 2023-03-07 | 盐城工学院 | 一种忆阻递归神经网络的有限时间自适应同步控制方法 |
CN116430715A (zh) * | 2022-12-08 | 2023-07-14 | 盐城工学院 | 一种时变时滞忆阻递归神经网络的有限时间同步控制方法 |
CN116430715B (zh) * | 2022-12-08 | 2023-11-03 | 盐城工学院 | 一种时变时滞忆阻递归神经网络的有限时间同步控制方法 |
CN116520692A (zh) * | 2023-04-07 | 2023-08-01 | 盐城工学院 | 一种基于间歇控制的复值神经网络的指数同步控制方法 |
CN116520692B (zh) * | 2023-04-07 | 2023-12-29 | 盐城工学院 | 一种基于间歇控制的复值神经网络的指数同步控制方法 |
CN116800508A (zh) * | 2023-07-03 | 2023-09-22 | 盐城工学院 | 一种具有反应扩散项的复值忆阻神经网络保密通信方法 |
CN117201687A (zh) * | 2023-07-03 | 2023-12-08 | 盐城工学院 | 基于惯性忆阻神经网络投影同步的图像加密方法及系统 |
CN116800508B (zh) * | 2023-07-03 | 2024-01-09 | 盐城工学院 | 一种具有反应扩散项的复值忆阻神经网络保密通信方法 |
CN117201687B (zh) * | 2023-07-03 | 2024-05-28 | 盐城工学院 | 基于惯性忆阻神经网络投影同步的图像加密方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113219836B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113219836B (zh) | 一种分数阶复值忆阻神经网络的投影同步方法及其应用 | |
Dong et al. | Global exponential synchronization of discrete-time high-order switched neural networks and its application to multi-channel audio encryption | |
Yang et al. | A parallel decomposition method for nonconvex stochastic multi-agent optimization problems | |
Zhang et al. | A complex-valued projection neural network for constrained optimization of real functions in complex variables | |
Sun et al. | A memristive chaotic system with hypermultistability and its application in image encryption | |
Jiang et al. | Tighter security proofs for generic key encapsulation mechanism in the quantum random oracle model | |
Caines et al. | $\epsilon $-Nash Equilibria for Partially Observed LQG Mean Field Games With a Major Player | |
Alallayah et al. | Applying neural networks for simplified data encryption standard (SDES) cipher system cryptanalysis. | |
Deng et al. | Chaotic dynamical system of Hopfield neural network influenced by neuron activation threshold and its image encryption | |
Austrin et al. | On the impossibility of key agreements from quantum random oracles | |
Paul et al. | Study of the convergence behavior of the complex kernel least mean square algorithm | |
Shi et al. | The alternating between complete synchronization and hybrid synchronization of hyperchaotic Lorenz system with time delay | |
Leppäjärvi et al. | Postprocessing of quantum instruments | |
Gauthier et al. | Personalized graph federated learning with differential privacy | |
Charalambous et al. | Totally asynchronous distributed estimation of eigenvector centrality in digraphs with application to the PageRank problem | |
Damgård et al. | Commodity-based 2PC for arithmetic circuits | |
Mi et al. | Fixed-time synchronization analysis for complex-valued neural networks via a new fixed-time stability theorem | |
Lin | Predefined-time synchronization of 5D Hindmarsh–Rose neuron networks via backstepping design and application in secure communication | |
Ding et al. | Pinning impulsive synchronization of complex networks with multiple sizes of delays via adaptive impulsive intervals | |
Goldberg et al. | Logarithmic query complexity for approximate Nash computation in large games | |
Badertscher et al. | A composable security treatment of ECVRF and batch verifications | |
Kalamian et al. | Design of adaptive state-dependent impulsive observer for nonlinear time-delay systems | |
Castro-Garcia | Structured nonlinear system identification using kernel-based methods | |
Jiang et al. | Differentially Private Federated Learning with Heterogeneous Group Privacy | |
Zhao et al. | Distributed Simulation of Encrypted Dynamics via Functional Mockup Units |
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 |