一种忆阻神经网络的网络化同步控制设备和获取方法与流程

本发明属于网络控制系统领域，涉及一种忆阻神经网络的网络化同步控制设备和获取方法。

背景技术

随着计算机技术和通信网络的发展，传统控制系统的结构正朝着网络化、分布式的方向发展。而且，在现实中的同步控制系统中，有时需要通过一般的通信网络来传输信号。两个或多个忆阻神经网络之间通过公共网络协同工作，传递信息的同步系统称之为忆阻神经网络的网络化同步系统。忆阻神经网络在不同工程领域中发挥关键作用,比如保密通信、模式识别、信号处理、机器人列队和生物工程等。忆阻神经网络的网络化同步控制系统存在着很多潜在的应用。比如，在无线网络中的保密通信问题。由于无线网络在传输通信信号的过程中，信号很容易被截获，并且存在网络随机时滞、误码、数据包丢失以及受到外界干扰，因此现有的基于混沌同步的传统保密技术无法在无线网络中得以应用，而无线网络的保密通信问题一直困扰着众多的研究者。此外，像实现恶劣环境下机器人的协同工作，多机器人分布式队列控制，产生和谐振荡，远程保密通信等都会用到忆阻神经网络的网络化同步控制。因此，对基于通信网络的忆阻神经网络同步控制的研究具有一定的理论意义和实际应用价值。

技术实现要素：

本发明的目的在于提供一种使忆阻神经网络达到网络化同步的控制设备和获取方法。

实现本发明的技术解决方案为：考虑忆阻神经网络的网络化同步控制结构，包括驱动系统、响应系统、传感器、控制器和缓冲器。其中所述驱动系统和响应系统为相应的忆阻神经网络；所述传感器1采样驱动系统的状态向量，然后通过一般的通信网络将信号传输给控制器；所述传感器2采样响应系统的状态向量并存入高速缓存；所述控制器根据接收到数据包的信息，从缓冲器中寻找合适的状态向量并计算出相应的控制信号作为响应系统的输入。在控制器的作用下，使响应系统和驱动系统的状态实现指数均方同步。

一种使忆阻神经网络达到网络化同步的控制获取方法为：

步骤1：建立驱动系统(2)的时变时滞忆阻神经网络模型；

步骤2：建立响应系统(2)的模型；

步骤3：根据驱动系统(1)和响应系统(9)之间的误差关系e(t)＝y(t)-x(t)，建立误差系统模型；

步骤4：在步骤3中所述的误差系统模型中加入控制器，建立新模型；

步骤5：对数据包具有网络特性，建立三个数量条件；

步骤6：分析得出定理1；

步骤7：分析得出定理2；结合定理1，得到控制器增益的计算方法。

本发明与现有技术相比，其显著优点在于：(1)对于忆阻神经网络的同步研究加入了网络化控制；(2)误差系统建模时考虑到了网络的特性，包括存在的网络诱导时滞、数据包丢失以及外部随机干扰特性，更切合实际，具有一般性。

附图说明

图1是网络化同步控制结构示意图。

图2是基于truetime的仿真模型。

图3是网络性能指标η随时间变化图。

图4是响应系统和驱动系统第一个节点的轨迹图。

图5是响应系统和驱动系统第二个节点的轨迹。

图6误差系统状态轨迹图。

具体实施方式

本发明给出了一种忆阻神经网络的网络化同步控制方法，考虑如图1所示的网络化同步控制结构示意图，包括驱动系统、响应系统、传感器、控制器和缓冲器。其中驱动系统和响应系统为相应的忆阻神经网络；传感器1采样驱动系统的状态向量，通过一般的通信网络将数据传输给控制器；传感器2采样响应系统的状态向量并高速存入缓冲器；控制器根据接收到数据包的信息，从缓冲器中寻找合适的状态向量并计算出相应的控制信号作为响应系统的输入。由于数据经过网络传输，需要考虑网络中存在的网络诱导时滞、数据包丢失以及外部随机干扰特性。本发明就是在此基础上构造了一个合适的控制器，使响应系统和驱动系统的状态实现指数均方同步。

进一步地，所述驱动系统采用如下的时变时滞忆阻神经网络模型：

其中，是神经元的状态向量，d＝diag{d1,d2,…dn}是状态反馈系数矩阵，a(x(t))＝(aij(xi(t)))n×n,b(x(t))＝(bij(xi(t)))n×n分别是连接权值矩阵和延迟连接权值矩阵，f(x(t))＝[f1(x1(t)),f2(x2(t)),…,fn(xn(t))]^t为神经元激励函数，i＝diag{i1,i2,…,in}为外部控制输入，d(t)为时变时滞且满足0≤d(t)≤d,表示驱动系统的初始条件。并且

在filippov解的意义下，采用微分包含和集值映射的理论，存在使得

其中，a＝(aij)n×n，b＝(bij)n×n，

进一步地，所述响应系统采用如下的微分方程描述：

其中，是响应系统的状态向量，d,a(y(t)),b(y(t)),f(y(t)),i与驱动系统(1)有相同的定义。表示响应系统的初始条件。u(t)为将要设计的控制输入。

同理，存在使得(3)变为如下形式：

进一步地，响应系统通过一般的通信网络得到驱动系统的状态信息，则数据包的传输将会具有网络的特性。对通信网络作如下假设：

(1)网络中的传感器1和2均同步采样,采用相同的系统时钟；

(2)数据包是单包传输并且带有时间标签；

(3)网络中数据包的传输过程只存在网络诱导时滞、网络丢包和错序和随机扰动现象。

进一步地，令e(t)＝y(t)-x(t)表示驱动系统和响应系统之间的状态误差。误差系统的模型建立要考虑网络中存在的网络诱导时滞、数据包丢失以及外部随机干扰特性。我们将基于网络的误差系统建模如下：

其中，ω(t)＝(ω1(t),ω2(t),…,ωn(t))为定义在完备概率空间上的n-维brownian运动，且满足e{dω(t)}＝0，e{dω²(t)}＝dt；是噪声强度函数矩阵。这种类型的随机扰动可以看作是网络通信通道中随机不确定性出现的结果。h为传感器采样周期，ik(k＝1,2,...)为一系列整数，满足{i1,i2,...}∈{0,1,2...}。τk为系统中数据包的时滞，表示了自传感器从驱动采样的时刻ikh起，到控制器根据该数据包信息计算出控制增益并传输到响应系统止所经历的时间段。显然

进一步地，所速控制器设计为如下的线性保持器

u(t⁺)＝ke(ikh),t∈{ikh+τk},k＝1,2,3...(6)

令τ(t)＝t-ikh，则控制器变为

u(t⁺)＝ke(t-τ(t))(7)

将式(7)带入误差系统(5)中可以得到

进一步地，为进行误差稳定性分析，作出如下假设：

(1)对于任意的i∈{1,2,…,n}，神经元的激励函数fi(·)为连续函数，且满足如下条件

其中，为已知常数。

(2)假设函数σ(·)是局部lipschitz连续的，且满足线性增加条件和如下条件

trace[σ^t(t,e(ikh))σ(t,e(ikh))]≤||m0e(ikh)||²

其中m0是适当维数的给定矩阵。

(3)定义η为网络性能指标，其反应了数据包在网络传输过程中时滞和丢包对系统的综合影响，假设(ik+1-ik)h+τk+1≤η。

进一步地，对误差系统稳定性进行分析，得到如下定理。

定理1：对于给定的d＞0、0＜μ＜1、η，以及给定的控制器增益k，驱动系统(1)和响应系统(2)达到指数均方同步，如果存在正定对称矩阵p，qj，r，t，zj，正定对角矩阵λj(j＝1,2)，一个标量α＞0，适当维数矩阵si(i＝1,2,...,6)，使得下列lmis成立：

p≤αi

其中，

且s＝col{s1,s2,…,s6}，

证明：构造如下李亚普诺夫函数

其中，

进一步地，基于定理1，得到控制器增益的计算方法。

定理2：对于给定的d＞0、0＜μ＜1、η，以及ρi(i＝2,3,…,6)，如果存在正定对称矩阵p，qj，r，t，zj，正定对角矩阵λj(j＝1,2)，一个标量α＞0，非奇异矩阵n，适当维数矩阵y，使得下列lmis成立：

那么当控制器增益k＝n^-1y时，驱动系统(1)和响应系统(2)达到指数均方同步。

证明：在定理1中令s＝[nρ2nρ3nρ4nρ5nρ6n]以及y＝nk，结论很显然能得到。

下面结合实施例来进一步说明本发明的有效性。

实施例1

结合图1所示的网络化控制系统示意图。本实施例中，考虑式(1)作为驱动系统，配置参数如下：

fi(xi(t))＝tanh(xi(t)),d(t)＝0.05(1-sint),ii＝0.5且

考虑式(2)作为驱动系统，且m0＝0.1i。在定理2中，令ρ2＝0.01，ρ3＝-0.01，ρ3＝0.3，ρ5＝0.5，ρ6＝0.1以及η＝0.065。运用matlab中lim工具箱可以得到定理2中线性不等式是可解的，其中控制器增益k的解为：

结合图2所示的基于truetime的仿真模型，利用truetime2.0试验平台，在simulink中搭建仿真模型，验证在控制增益k的作用下，响应系统和驱动系统的同步过程。传感器的采样周期为0.02s，将仿真模型在matlab中运行10秒，可以得到如图3-6所示的仿真结果。

结合图3所示，图3显示了网络性能指标随η随时间变化的情况，其最大值为0.063.

结合图4所示，图4显示了驱动系统和响应系统中第一个节点随时间变化的状态轨迹，在6s左右，两状态趋于同步。

结合图5所示，图5显示了驱动系统和响应系统中第二个节点随时间变化的状态轨迹，在7s左右，两状态趋于同步。

结合图6所示，图6显示了误差系统的误差状态随时间变化的状态轨迹，在7s左右，误差状态趋于零值。