在输入和下进行神经网络局部稳定的数据驱动控制:一种记忆类型事件触发方法

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
• 计算神经科学是一种神经科学.

背景情况:

• 离散时间神经网络 (DNN) 在各种应用中至关重要,但在输入和方面面临挑战.
• 稳定DNN通常需要精确的系统模型,这些模型在实践中很难获得.
• 事件触发控制机制旨在减少通信负载,但可能导致多余的触发.

研究的目的:

• 开发一种数据驱动的控制方法,用于在输入和下对DNN进行局部异常稳定.
• 设计一种存储器类型的事件触发机制 (MEM),以减轻通信负载.
• 建立稳定性标准并使用仅可访问的数据确定估计的吸引力区域 (ERA).

主要方法:

• 一个内存类型的事件触发机制 (MEM) 旨在减少通信负载.
• 一个依赖于内存的利亚普诺夫函数 (MLF) 被构建,以结合MEM的内存项.
• 使用MEM,MLF和基于数据的系统表示,开发了一个基于数据的稳定标准.
• 使用混合优化方案,将线性目标最小化和粒子群优化 (PSO) 结合起来,以最大限度地提高ERA.

主要成果:

• 开发了一个基于数据的稳定标准,仅依靠可访问的数据,消除了对完整系统矩阵知识的需求.
• 确定了吸引力的预计区域 (ERA),并使用混合优化方法最大化其大小.
• 反增益和触发矩阵是共同设计的,以确保闭环系统的稳定性.
• 数字模拟验证了优化算法的有效性和MEM的优势.

结论:

• 拟议的数据驱动控制方法有效地稳定了在输入和下使用可访问数据的离散时间神经网络.
• 记忆类型事件触发机制可显著降低通信负载,同时保持系统稳定性.
• 这种方法适用于现实世界的应用程序,其中精确的系统建模具有挑战性.