在动态事件触发机制下对人工神经网络进行基于zonotope的分布式集合成员融合估计
IEEE transactions on neural networks and learning systems
|November 15, 2023
概括
本研究介绍了使用动态事件触发机制 (ETM) 的人工神经网络 (ANN) 的分布式集合成员融合估计算法. 该方法确保有界估计错误,提高准确性和性能,同时节约资源.
科学领域:
- 控制系统工程 控制系统工程
- 人工智能的人工智能
- 估计理论 估计理论
背景情况:
- 分布式估计对于人工神经网络 (ANN) 等复杂系统至关重要.
- 事件触发机制 (ETM) 通过减少数据传输来优化资源使用.
- 集合成员估计提供了对估计错误的保证限制.
研究的目的:
- 为ANN设计一个分布式集合成员的融合估计算法.
- 为了确保全球估计误差包含在一个半径有限的区域内.
- 为了提高估计准确性和性能,同时最大限度地减少资源消耗.
主要方法:
- 使用区域特征和线性矩阵不等式 (LMI) 技术.
- 开发一个动态事件触发机制 (ETM) 传感器到估计器通信.
- 应用顺序减小技术和解决估计参数导数的双线矩阵不等式.
主要成果:
- 计算出预测错误的zonotope,提高预测准确度.
- 获得了局部估计误差的zonotope,提高了估计性能.
- 对于局部估计误差zonotope半径的终极边界性建立了一个足够的条件.
结论:
- 拟议的基于zonotope的分布式聚变估计器有效地将全球估计误差半径的上限降至最低.
- 该方法在ANN中显示了更好的估计性能和资源效率.
- 数字示例验证了开发的分布式聚变估计方法的有效性.


