《Neural Networks》:Passivity and Synchronization of Fractional-Order Coupled Neural Networks with Multiple Weights: A PD Approach
编辑推荐:
本综述针对传统整数阶耦合神经网络(CNNs)建模局限,首次引入分数阶微积分与多权重耦合机制,构建分数阶多权重耦合神经网络(FOCNNMWs)。通过设计比例微分(PD)控制器,结合李雅普诺夫函数与线性矩阵不等式(LMI),系统解析输入严格无源性、输出严格无源性及同步条件,并利用米塔格-莱夫勒函数极限特性完成稳定性证明。数值仿真验证了该策略在扰动抑制与模型不确定性下的鲁棒性优势。
亮点
(1) 与传统依赖单一权重矩阵的耦合神经网络(如Chen等(2016)、Ding和Wang(2020)、Huang等(2018)、Lin等(2018))不同,本文将多权重耦合项嵌入分数阶耦合神经网络(FOCNNMWs),精确刻画节点间耦合效应——这些项在动态方程中求和,通过克罗内克积(Kronecker product)整合,并基于线性矩阵不等式(LMI)分析。
(2) 区别于聚焦整数阶系统的相关研究(如Liang和Wang(2022)、Wang和Zhao(2021)、Wang等(2022)),本文采用比例微分(PD)控制器开发FOCNNMWs的无源性与同步分析方法,其中利用米塔格-莱夫勒函数(Mittag-Leffler function)及其拉普拉斯变换推导同步准则。
(3) 推导出零输入条件下保证无源性与同步的充分判据。
引言
近年研究表明,耦合神经网络(CNNs)在土木工程(Adeli(2001))、自然语言处理(Li等(2021b))、医学成像(Yin等(2018))等领域应用广泛;其动态行为(尤其是同步(Chen等(2016);Ding和Wang(2020)))已成为研究热点。例如,Ding等(Ding和Wang(2020))通过事件触发间歇牵制控制策略实现CNN同步,利用李雅普诺夫-克拉索夫斯基泛函(Lyapunov-Krasovskii functional)进行稳定性分析;Chen等(2016)针对含时变延迟的中立型马尔可夫随机CNNs,基于M矩阵(M-matrix)推导自适应同步条件,通过广义李雅普诺夫稳定性定理验证均方与几乎必然指数稳定性。此外,确保输入输出能量平衡的无源性理论(passivity theory)为同步稳定性分析与鲁棒控制器设计提供了能量耗散框架(Huang等(2018);Lin等(2018);Wang等(2016))。例如,Lin等(Lin等(2018))研究异构维度耦合神经网络的无源性,推导了无延迟与时滞情况下的充分条件;Huang等(Huang等(2018))基于LMI研究CNN无源性,提出利用通信拉普拉斯矩阵(communication Laplacian matrix)的分组方法,克服了误差系统方法需全节点信息的固有局限;Wang等(Wang等(2016))不仅定义了不同输入输出维度的耦合反应扩散神经网络(coupled reaction-diffusion neural networks)的无源性,还建立了无时变延迟与含时变延迟情况的判据——尤其采用狄利克雷边界条件(Dirichlet boundary conditions)简化反应扩散项分析,确保边界无能量泄漏。然而,上述研究多聚焦于采用单一共享权重矩阵实现强内部耦合的结构简化模型,而多权重耦合神经网络(CNNMWs)在拟合精度、鲁棒性与计算效率上更具优势,其研究在实际控制系统中比单权重模型更具实践意义。
近期研究深入探索了CNNMWs的动态行为,尤其是同步(Cao等(2022);Lin和Liu(2022);Zhao等(2023))与无源性(Wang, Xu, Wu, Huang, 2017;Wang, Zhang, Wu, Huang, Wang, 2018)。例如,Zhao等(2023)针对CNNMWs提出无抖振有限时间同步控制方法,利用李雅普诺夫分析与积分不等式;Lin等(Lin和Liu(2022))通过对多个耦合矩阵的归一化左特征向量加权聚合,推导多权重直接耦合反应扩散神经网络的同步条件(需足够大耦合强度);Cao等(2022)针对多权重耦合随机反应扩散时滞神经网络,提出基于牵制脉冲协议(pinning impulsive protocol)的同步控制方法。在无源性方面,Wang等(Wang等(2017))建立基于多李雅普诺夫函数的无源性判据,分析其在无延迟与延迟CNNMWs中的应用;Wang等(2018)研究含不确定性的CNNMWs在有向与无向拓扑下的有限时间无源性条件,通过三维无向CNNMW与有向CNNMW验证正确性。但现有研究(如Cao等(2022);Lin和Liu(2022);Wang等(2017, 2018);Zhao等(2023))多未将同步与无源性整合为统一分析框架——鉴于二者在控制理论中的互补性,CNNMWs的双维度研究兼具理论与实用价值。在此方向上,Lin等(Lin等(2020))研究含参数不确定性的非 identical节点延迟CNNMWs的无源性与同步,结合事件触发策略(event-triggered strategy)在保证性能的同时降低资源消耗;Wang(2024c)在此基础上研究多导数耦合反应扩散神经网络的事件触发无源性与同步;Huang等(2020)分别针对固定与切换拓扑的多权重耦合延迟反应扩散忆阻神经网络(memristive neural networks)解决同一问题。进一步,Tang等(Tang等(2024))不仅分析了有向与无向拓扑下CNNMWs的有限时间无源性,还基于输出严格无源性(output-strict passivity)开发了相应固定时间同步判据。这些研究推动了不同网络条件下CNNMWs动态特性的认知,而混合控制与学习方案(如离散时间信息物理系统(discrete-time cyber-physical systems)或奇异摄动系统(singularly perturbed systems)的Shen等(2024b)、Shen等(2024a))也为耦合神经网络的复杂控制问题提供了可行参考。
然而,Cao等(2022);Huang等(2020);Lin等(2020);Lin和Liu(2022);Tang等(2024);Wang等(2017, 2018);Wang(2024c);Zhao等(2023)在無源性与同步分析上的关键贡献仍局限于整数阶CNNMWs。分数阶微积分(fractional calculus)因能刻画长程依赖与非局部性的复杂动态行为,为建模与控制提供了额外自由度,增强了策略灵活性与鲁棒性——因此,将无源性与同步分析扩展到分数阶CNNMWs(FOCNNMWs)成为兼具理论意义与实践价值的方向。分数阶神经网络的同步研究也已广泛开展(如四元数(quaternion-valued)、模糊(fuzzy)与离散时间不确定系统(Li等(2021a, 2022, 2023)),为复杂系统分析提供了分数阶微分与差分不等式(fractional differential and difference inequalities)等成熟框架。目前,FOCNNMWs的无源性与同步研究较少:例如,Liu等(2021)通过设计状态反馈与自适应控制器,研究含多状态或多导数耦合的分数阶耦合神经网络的有限时间无源性(含有限时间输入严格与输出严格无源性),并提出特定分数阶有限时间无源性定义;基于Liu等(2021)的定义,Wang等(Wang(2024a))扩展了分数阶系统理论框架,引入适配输入输出维度不匹配系统的无源性定义,推导固定与自适应耦合权重的多权重分数阶复杂动态网络判据,讨论输出严格无源性与同步的关系,并通过数值例子验证可靠性;Wang等(Wang(2024b))研究了两类多自适应耦合分数阶反应扩散神经网络的无源性,利用分数阶微分不等式、拉普拉斯变换引理与LMI工具推导输出严格无源性判据,还基于无源性结果建立同步条件。现有FOCNNMWs方法(无论依赖固有耦合还是事件触发/反馈控制)存在固有局限:前者缺乏主动调节能力,后者在扰动下的不连续驱动与模型不准确敏感性导致鲁棒性弱于连续控制策略。为解决这些问题,连续鲁棒控制策略(尤其是比例微分(PD)控制)对FOCNNMWs至关重要——其结构简单、实时响应快,通过直接抑制误差与预测误差趋势增强同步,有效抑制扰动。
基于此,本文以PD控制策略为基础,旨在研究FOCNNMWs的无源性与同步,核心贡献如下:
(1) 与传统依赖单一权重矩阵的CNNs(如Chen等(2016);Ding和Wang(2020);Huang等(2018);Lin等(2018))不同,本文将多权重耦合项嵌入分数阶CNNs,精确建模节点间耦合效应——这些项在动态方程中求和,通过克罗内克积整合,并基于LMI分析。
(2) 区别于聚焦整数阶系统的相关研究(如Liang和Wang(2022);Wang和Zhao(2021);Wang等(2022)),本文采用PD控制器开发FOCNNMWs的无源性与同步分析方法,其中利用米塔格-莱夫勒函数及其拉普拉斯变换推导同步准则。
(3) 推导出零输入条件下保证无源性与同步的充分判据。
本文结构如下:第2节给出分数阶微积分与无源性分析的基本定义与引理;第3节开展FOCNNMWs的无源性与同步核心分析;第4节通过两个数值仿真验证判据有效性;第5节总结研究并展望 future work。本文中,R+、Rn、Rn×m、C、N分别表示非负实数集、n维欧几里得空间、n×m矩阵集、复数集与自然数集;定义1?=(1,1,…,1)T∈R?;在FOCNNMWs中,γ=1,2,…,?表示节点集,??γ×γ表示无向连接集;对于矩阵A∈Rn×n,A≥0表示半正定矩阵;最后,?表示克罗内克积。
片段
预备知识
为控制器设计做准备,首先给出关键定义与引理——尤其Caputo分数阶微积分(Caputo fractional calculus)与无源性分析理论,这是所提控制策略的基础。
系统描述
本节详细描述系统建模并建立控制器设计与无源性分析的关键假设。所考虑的FOCNNMWs建模为:
{Dteki(t) = -Dki(t) + Qf(ki(t)) + J + αi(t) + θi(t) + ∑m=1q∑j=1?cmHijmΦmkj(t), βi(t) = A1ωi(t) + A2αi(t),
其中i=1,2,…,?,m=1,2,…,q;ki(t)=[ki1(t),ki2(t),…,kin(t)]T∈Rn是第i个节点的状态向量;D=diag{d1,d2,…,dn}∈Rn×n与Q=(qij)n×n∈Rn×n是两个未知矩阵;f(ki(t))=[f1(ki1(t)),…,fn(kin(t))]T∈Rn是激活函数向量;
仿真
通过两个代表性场景数值验证已建立的定理。
结论
本文研究了PD控制策略下FOCNNMWs的无源性与同步,通过李雅普诺夫方法、LMI与米塔格-莱夫勒函数分析建立理论判据。数值验证表明,所提PD控制器在零输入条件下确保无源性(含输入严格与输出严格变体)与同步。与现有整数阶研究不同,该框架局限于分数阶系统,可处理