模糊的时空事件触发控制,用于同步IT2 T-S模糊的CVRDNN与迷你批量机器学习监督
Shuoting Wang1, Kaibo Shi2, Jinde Cao3
1School of Computer, Chengdu University, Chengdu 610106, China; Key Laboratory of Digital Innovation of Tianfu Culture, Sichuan Provincial Department of Culture and Tourism, Chengdu 610106, China.
概括
这项研究引入了一个基于模糊记忆的时空事件触发机制 (FMSETM) 来同步复杂值反应扩散神经网络 (CVRDNNs). 机器学习提高了同步效率和融合速度.
科学领域:
- 复杂的系统和神经网络
- 控制理论和系统工程 控制理论和系统工程
- 机器学习和人工智能的人工智能
背景情况:
- 复杂值反应扩散神经网络 (CVRDNNs) 与实值网络相比,提供了更高的处理能力.
- 对于高级计算任务来说,CVRDNN的同步是至关重要的.
- 现有的同步方法可能缺乏效率或需要复杂的约束.
研究的目的:
- 开发一种新的基于模糊记忆的时空事件触发机制 (FMSETM),用于同步间隔类型-2 (IT2) Takagi-Sugeno (T-S) 模糊CVRDNNs.
- 通过机器学习提高CVRDNN的同步效率和融合速度.
- 在同步分析中放松传统矩阵约束.
主要方法:
- 构建一个一般IT2TS模糊神经网络模型,具有复杂值参数和反应-扩散项.
- 关于微批次半随机机器学习技术的建议,以优化FMSETM内的最大采样期.
- 开发一个不对称的赖普诺夫函数 (LF),依赖于成员函数 (MF),以消除对称的正确定义约束.
- 使用线性矩阵不等式 (LMIs) 推导同步标准.
主要成果:
- 拟议的FMSETM有效地同步IT2 T-S模糊的CVRDNNs.
- 机器学习技术的整合显著提高了同步融合效率.
- 非对称的LF方法成功地消除了某些矩阵约束,简化了分析.
结论:
- 开发的FMSETM为CVRDNN同步提供了一种可行和高效的方法.
- 机器学习集成是优化复杂神经网络同步的有希望的策略.
- 该研究表明IT2 T-S模糊模型和CVRDNN应用中的先进控制机制的潜力.
