惯性神经网络的预定时间集群滞后同步:动态事件触发控制策略研究

《Neural Networks》:Predefined-time Cluster Lag synchronization of Inertial Neural Networks: A Dynamic Event-Triggered Control

【字体: 大 中 小 】 时间:2026年04月06日 来源:Neural Networks 6.3

编辑推荐:

  本综述提出了一种结合时间相关指数缩放函数的动态事件触发控制方案,用于解决惯性神经网络(INNs)的预定时间集群滞后同步问题。文中建立了确保在预定时间内实现集群滞后同步的充分条件,这些条件以与系统维度一致的低维线性矩阵不等式(LMIs)形式给出,便于验证。相较于传统方法,该方法避免了高维LMIs带来的复杂性,并额外推导了排除闭环系统中Zeno行为的约束条件。数值仿真验证了所提控制策略的有效性和理论推导的正确性。

  
要点与模型描述
在整篇论文中,令 R、Z+和 RP×n分别表示实数集、正整数集和 P × n 维矩阵的集合。符号 ? 表示克罗内克积,而 ‖K?‖ > 0 代表欧几里得范数。定义 In为具有元素 {1, …, 1} ∈ Rn×n的对角矩阵,0n为向量 (0, …, 0)T∈ Rn,On:= diag{0, …, 0} ∈ Rn×n。λmax(K?) 表示 K? > 0 的最大特征值。
主要结果
本节介绍了一种动态事件触发控制方案。建立了确保惯性神经网络(INNs)实现预定时间集群滞后同步的充分条件,并对Zeno行为进行了分析,证实了其可被消除。
数值示例
作为数值示例,我们使用孤立的惯性神经网络(INNs)(3),其中 A = diag(2.07, 0.37, 0.702),Z = diag(0.97, 1.2, 2.21),g(·) = tanh (·),Iv1= Iv2= Iv3= (0,0,0)T,以及 F = [[1.35, -2.12, 3.29], [-2.02, -0.069, 2.2], [-2.382, -2.16, 1.267]]。在三种不同初始条件下,孤立惯性神经网络(INNs)(3)的相图绘制于图1-3。
考虑一个有向图 G?,由9个惯性神经网络(INNs)(1)和三个领导者组成,如图4所示。显然,G? 被划分为三个集群,即 Δ1= {1,2,3}, Δ2= {4,5,6} 和 Δ3= {7,8,9}。
结论
本文探讨了惯性神经网络(INNs)的预定时间集群滞后同步问题。利用动态事件触发控制,获得了确保惯性神经网络以这种预定时间集群滞后方式同步的充分条件。此外,在控制过程中成功排除了Zeno行为。考虑到工程应用中的实际挑战,如时变耦合强度、时变延迟和拒绝服务攻击,未来的工作可以重点关注这些方面。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号