检索结果-内蒙古大学图书馆

浙江大学学报（工学版） 2003年第1期37卷 19-23页

作者：刘妹琴张森林浙江大学电气工程学院浙江杭州310027

离散递归神经网络的稳定性分析是目前研究的薄弱环节.通过状态空间扩展法,将一类活化函数满足扇区条件和单调性的离散递归神经网络(即递归多层感知器RMLP)转化为线性微分包含(LDI)形式,而LDI的稳定性分析可转化为一组线性矩阵不等式(LMI... 详细信息

离散递归神经网络的稳定性分析是目前研究的薄弱环节.通过状态空间扩展法,将一类活化函数满足扇区条件和单调性的离散递归神经网络(即递归多层感知器RMLP)转化为线性微分包含(LDI)形式,而LDI的稳定性分析可转化为一组线性矩阵不等式(LMI)的求解,利用MATLAB/LMITOOLBOX求解LMI,从而判定RMLP的Lyapunov稳定性.该方法也适用于其他类型的递归神经网络(RNN)的稳定性分析.

关键词：离散递归神经网络稳定性分析 LMI方法线性矩阵不等式递归多层感知器状态空间扩展法

来源：评论

学校读者我要写书评

暂无评论

离散递归神经网络平衡点控制及稳定性分析

引用

绍兴文理学院学报 2007年第8期27卷 18-26页

作者：柯云泉绍兴文理学院数学系浙江绍兴312000

通过将离散递归神经网络的状态空间分割为若干个子区域,控制其输出反馈权值、输入项及阈值等,分析在每一个子区域上平衡点的存在、唯一性问题,给出了其判定条件.并进一步讨论了平衡点渐近稳定、指数稳定性.通过举例说明给定的结果简明... 详细信息

通过将离散递归神经网络的状态空间分割为若干个子区域,控制其输出反馈权值、输入项及阈值等,分析在每一个子区域上平衡点的存在、唯一性问题,给出了其判定条件.并进一步讨论了平衡点渐近稳定、指数稳定性.通过举例说明给定的结果简明又容易验证.

关键词：离散递归神经网络状态空间平衡点稳定性

来源：评论

学校读者我要写书评

暂无评论

具时滞离散递归神经网络的全局指数稳定性

引用

昆明理工大学学报（自然科学版） 2011年第1期36卷 67-71,78页

作者：丁丹军连云港师范高等专科学校数学与应用数学系江苏连云港222006

研究了一类具时滞离散递归神经网络平衡点的全局指数稳定性问题.对连续有界激活函数做扇形非线性条件假定,用Lyapunov-Krasovskii稳定性理论和线性矩阵不等式方法,得到了具时滞离散递归神经网络模型在平衡点全局指数稳定的一些充分条件... 详细信息

研究了一类具时滞离散递归神经网络平衡点的全局指数稳定性问题.对连续有界激活函数做扇形非线性条件假定,用Lyapunov-Krasovskii稳定性理论和线性矩阵不等式方法,得到了具时滞离散递归神经网络模型在平衡点全局指数稳定的一些充分条件.数值例子说明了本文结果的有效性.

关键词：离散递归神经网络时滞全局指数稳定性 Lyapunov-Krasovskii函数线性矩阵不等式

来源：评论

学校读者我要写书评

暂无评论

时滞离散递归神经网络稳定性及同步控制研究

时滞离散递归神经网络稳定性及同步控制研究

引用

作者：林德辉浙江大学

学位级别：博士

在过去的数十年中,人工神经网络在模式识别、信号处理、联想记忆、静态图像处理以及组合优化方面得到了广泛应用从而吸引了众多科研人员进行研究。众所周知,稳定是前面所述工程应用的前提条件,而时滞,不确定性和随机干扰是导致神经网络... 详细信息

在过去的数十年中,人工神经网络在模式识别、信号处理、联想记忆、静态图像处理以及组合优化方面得到了广泛应用从而吸引了众多科研人员进行研究。众所周知,稳定是前面所述工程应用的前提条件,而时滞,不确定性和随机干扰是导致神经网络不稳定的三大主要原因。在利用大规模集成电路实现人工神经网络的过程中由于有限的信息处理速度和电子元器件参数的波动自然会引入时滞和不确定性。另外,随机干扰是无处不在的。因此,带有时滞和不确定性的随机神经网络稳定性分析具有重要意义。过去的十年中,时滞神经网络的主-从同步问题由于其在化学、生物学、密码学以及保密通信方面的潜在应用引起人们广泛的兴趣。到目前为止,许多方法被用于时滞神经网络主从同步,例如模糊控制、脉冲控制、自适应控制、时滞反馈控制、数据采样控制等等。现有大多数文献的研究对象是连续时间神经网络主-从系统模型。在当今数字化时代,在神经网络的实现和应用方面,由于数字计算机的广泛应用,研究离散时间神经网络的同步问题有着更现实的意义和重要性。本文主要研究的是时变时滞离散递归神经网络的稳定性和同步控制。同步控制器的设计采用的是时滞反馈的设计方法。具体的研究成果及创新点如下:(1)针对时变时滞随机离散递归神经网络,通过建立Lyapunov-Krasovskii函数,使用线性矩阵不等式(Linear Matrix Inequality,LMI)和Jensen不等式,得出系统均方渐近稳定的充分条件。在系统带有不确定性的情况下也给出系统均方渐近稳定的充分条件。计算结果表明在不带有干扰和不确定性情况下,获得了比现有文献保守性更弱的结论。同时,由于变量的减少从而使计算复杂性降低;(2)针对带有约束干扰和丢包情况下的时滞离散递归神经网络,给出了主-从系统同步的控制器设计方法。与其他文献不同的是,系统误差模型中考虑了干扰的约束条件。神经网络之间的不可靠通信建模为符合伯努利分布的随机丢包事件。通过建立Lyapunov函数,利用矩阵不等式方法给出了主-从系统误差渐近稳定的充分条件。主-从系统误差均方意义渐近稳定,从而主-从系统同步。在系统存在不确定性的情况下,同样给出了同步控制器的设计方法以及结果;(3)针对时滞离散递归神经网络,研究了使主-从系统同步的控制器设计方法。在设计的过程中考虑了控制器的非线性特性,从而更贴近实际应用。在系统存在不确定性情况下,也同样进行了讨论;(4)第三章控制器设计的过程中,当θ(k)=0时,u(k)=0,某些情况下可能导致u(k)的剧烈变化。基于此,采用一种重用策略设计控制器,避免了u(k)的大幅波动。设计出来的控制器保证了带有不确定性的主-从系统渐近同步。求取控制器的过程使用了遗传算法。

关键词：离散递归神经网络均方渐近稳定性同步控制器设计 Lyapunov-Krasovskii函数线性矩阵不等式时变时滞不确定性

来源：评论

学校读者我要写书评

暂无评论

基于离散递归神经网络的并联机械平台跟踪控制方法研究

基于离散递归神经网络的并联机械平台跟踪控制方法研究

引用

作者：王杰扬州大学

学位级别：硕士

近年来,许多工程问题已逐渐演变为离散形式的时变问题。研究表明,使用递归神经网络(recurrent neural network,RNN)在离散时间环境中解决上述离散形式时变问题具有优越的性能,因此,离散递归神经网络(discrete-time recurrent neural net... 详细信息

近年来,许多工程问题已逐渐演变为离散形式的时变问题。研究表明,使用递归神经网络(recurrent neural network,RNN)在离散时间环境中解决上述离散形式时变问题具有优越的性能,因此,离散递归神经网络(discrete-time recurrent neural network,DTRNN)模型得到了越来越多的关注,包括处理Stewart平台的应用,这充分得益于离散递归神经网络,不仅在解决实时计算问题方面具有优势,而且具有并行处理和非线性处理的特点。特别是当下随着社会文明的不断提升与进步,以人为本的思想越来越显著,各行各业的发展也始终体现着这种发展理念。用机器人代替人去做一些任务已经成为一种趋势。本文首先根据传统的Euclid除法,提出了连续形式时变复数除法,并建立和转换了相应的离散形式时变复数除法模型。通过数值实验研究了在采样间隙相同,选择参数值不同的条件下,离散递归神经网络模型实时跟踪控制精度的变化情况。在工程应用中,模型的精度始终是实时跟踪控制的重要一环,为此,本论文提出更高精度的离散递归神经网络模型,并应用到Stewart平台中,以处理Stewart平台的实时跟踪控制问题,以广义五点离散化(five-instantdiscretization,FID)公式的截断误差主导项证明为基础进行保持精度条件的理论分析并通过数值实验进行验证。最为重要的是,为了探索拓展离散递归神经网络的应用领域,本论文运用新的快速离散方法建立了相应的快速离散递归神经网络(immediate discretization discrete-time recurrent neural network,ID-DTRNN)模型,将其作为驱动,应用到本文自主搭建的缆索驱动平面机械平台中。值的指出的是,快速离散递归神经网络彻底摆脱了连续环境的理论基础和推导过程,促进了离散递归神经网络的进一步完善和发展。创新性地通过物理实验,充分验证了快速离散递归神经网络模型用于缆索驱动平面机械平台进行实时跟踪控制的可行性、有效性和物理可靠性,拓宽了该模型在工业工程中的应用范围。

关键词：离散递归神经网络并联机械平台离散化方法物理实验离散时变

来源：评论

学校读者我要写书评

暂无评论

具时滞离散递归神经网络稳定性分析的一种延迟剖分方法

引用

江南大学学报（自然科学版） 2012年第5期11卷 609-613页

作者：段建敏胡满峰江南大学理学院江苏无锡214122

运用延迟剖分的方法,研究了一类具有时滞的非线性离散递归神经网络平衡点的渐进稳定性问题。结合Laypunov-Krasovskii稳定性理论和线性矩阵不等式方法,得到了具时滞非线性离散递归神经网络模型在平衡点渐进稳定的条件;考虑了延迟下界为... 详细信息

运用延迟剖分的方法,研究了一类具有时滞的非线性离散递归神经网络平衡点的渐进稳定性问题。结合Laypunov-Krasovskii稳定性理论和线性矩阵不等式方法,得到了具时滞非线性离散递归神经网络模型在平衡点渐进稳定的条件;考虑了延迟下界为零时的神经网络在平衡点的稳定性条件。数值仿真验证了结果的有效性。

关键词：离散递归神经网络延迟剖分稳定性 Laypunov-Krasovskii函数

来源：评论

学校读者我要写书评

暂无评论

不同约束条件下的优化问题递归神经网络求解研究与应用

不同约束条件下的优化问题递归神经网络求解研究与应用

引用

作者：盛王荣扬州大学

学位级别：硕士

离散时变非线性优化问题在科学研究和工程应用领域中普遍存在。为了解决离散时变非线性优化问题,目前已经有许多离散递归神经网络算法被提出并得到广泛应用。然而,这些传统的算法目前采用了一种间接的技术路线,其中离散时间推导过程需... 详细信息

离散时变非线性优化问题在科学研究和工程应用领域中普遍存在。为了解决离散时变非线性优化问题,目前已经有许多离散递归神经网络算法被提出并得到广泛应用。然而,这些传统的算法目前采用了一种间接的技术路线,其中离散时间推导过程需要与连续时间推导过程相互转换。为了突破这种传统的研究方法,本文基于启发性的直接离散化技术,开发了直接离散递归神经网络算法,以更简洁有效地解决离散时变非线性优化问题。本文的主要工作分为以下几个方面: 一、利用直接离散递归神经网络算法求解无约束离散时变非线性优化问题。具体来说,首先,考虑到机器人机械臂离散时间跟踪控制中出现的离散时变非线性优化问题,进一步抽象和总结了离散时变非线性优化问题的数学定义,并定义了相应的误差函数。其次,基于二阶Taylor展开,可以获得直接用于求解离散时变非线性优化问题的直接离散递归神经网络算法,该方法不再需要在连续时间环境中的推导过程。然后,对所提出的算法进行了深入的理论分析,成功证明了其收敛性。接着,通过一系列的数值实验证实了该算法在解决离散时变非线性优化问题时的有效性和优越性。此外,还进行了机器人机械臂应用实验,进一步证明了直接离散递归神经网络算法的优越性能。二、利用直接离散递归神经网络算法求解带等式约束的离散时变非线性优化问题。具体来说,首先,为了解决带等式约束的离散时变非线性优化问题,拉格朗日乘子法成为了主要的解决方法。该方法的核心思想在于构造拉格朗日函数,将目标函数和等式约束集成到一个离散时变非线性系统中。接着,定义了相应的误差函数,通过直接离散化技术可以得到相应的求解带等式约束的离散时变非线性优化问题的新的直接离散递归神经网络算法。此外,通过理论分析,证实了这种新的直接离散递归神经网络算法的收敛性。最后,通过数值实验和五关节机械臂应用实验进一步验证了新的直接离散递归神经网络算法的有效性和优越性。三、利用直接离散递归神经网络算法求解带不等式约束的离散时变非线性优化问题。具体地说,首先,为了解决带不等式约束的离散时变非线性优化问题,通过引入拉格朗日乘子来构造拉格朗日函数。然后,对于这个带不等式约束的离散时变非线性优化问题,引入了一般的Karush-Kuhn-Tucker(KKT)条件和非线性互补问题(NCP)函数,将不等式约束和目标函数集成到一个离散时变非线性系统中。紧接着基于二阶Taylor展开的直接离散化技术,建立相应的直接离散递归神经网络算法,用于处理带不等式约束的离散时变非线性优化问题。此外,本文还对所提出的新算法进行了理论分析,结果证明了其收敛性和有效性。最后,通过数值实验和六关节机械臂应用实验进一步验证了所提出的新的直接离散递归神经网络算法的实用性和优越性。

关键词：离散时变非线性优化离散递归神经网络直接离散化技术数值实验机械臂应用实验

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：