事件触发与轮询协议下的离散随机忆阻神经网络比例积分观测器设计及其在状态估计中的应用

《Neurocomputing》:Event-triggered proportional-integral observer design for delayed stochastic memristive neural networks with round-robin protocol

【字体: 大 中 小 】 时间:2026年04月06日 来源:Neurocomputing 6.5

编辑推荐:

  本文聚焦于一类在事件触发机制(ETM)和轮询协议(RR)下的离散时间随机忆阻神经网络(DSMNNs)状态估计问题。作者创新性地设计了比例-积分观测器(PIO),旨在降低通信负载的同时,保证估计误差动态的均方指数稳定性。通过结合Lyapunov-Krasovskii泛函和随机分析技术,论文推导了观测器存在的充分条件,并最终通过求解一组线性矩阵不等式(LMIs)得到观测器增益,仿真结果验证了所提方法的有效性。该研究为具有时变延迟、不确定性和随机扰动的神经网络在资源受限网络环境下的可靠状态估计提供了一个统一的框架。

  
亮点
本文针对一类离散时间随机忆阻神经网络(DSMNNs),在事件触发机制(ETM)和轮询协议(RR)下,研究其基于比例-积分观测器(PIO)的状态估计问题。引入事件触发机制旨在减少不必要的通信,而RR协议则以预定的循环顺序调度传感器数据传输。主要目标是确保PIO的误差动态在均方意义上保持指数稳定。通过综合随机分析技术与李雅普诺夫-克拉索夫斯基(Lyapunov-Krasovskii)泛函方法,推导了保证观测器存在的充分条件。观测器增益通过求解一组线性矩阵不等式(LMIs)获得。仿真结果验证了所提方法的有效性。
引言
数十年来,大量的研究工作致力于各种神经模型的学习范式和动力学分析[1]–[7]。在各种神经网络实现中,忆阻器件因其在非易失性存储器和自组织神经形态系统中的部署潜力而备受关注[8],[9]。在神经网络建模中,忆阻器能以更自然的方式捕捉突触可塑性和历史依赖性,这推动了对忆阻神经网络(MNNs)的广泛研究,特别是稳定性、同步和状态估计等动力学分析问题[10]–[13]。然而,先前的研究主要是在连续时间背景下展开的。在具有离散时间输入的实际应用中,特别是在数字信号处理、时序数据评估和分布式控制系统[14]–[16]领域,MNNs通常在延迟信息下运行,并且不可避免地面临模型不确定性和随机扰动。因此,在不确定和随机扰动下,对离散时间延迟MNNs的状态估计值得进一步研究。
在实际的大规模MNNs实现中,减少不必要的传输对于减轻网络负载,同时仍满足所需的估计性能至关重要。近年来,事件触发机制(ETMs)因其在节省通信和计算资源方面的独特优势而受到越来越多的研究关注[17]–[19]。与标准周期性采样不同,ETM被设计为仅当预设条件被违反时才触发数据传输,从而显著减轻通信网络负载。因此,ETMs已被广泛采用于从无线传感器网络、多智能体框架到通用网络控制架构的广泛网络化场景[20]–[23]。然而,尽管其在节能实现方面的潜力很明显,但ETM下离散时间MNNs的状态估计尚未得到充分研究。当系统涉及同时存在延迟、参数不确定性和随机扰动的离散时间演化时,这一挑战进一步加剧。
尽管MNNs的状态估计已取得重大进展,但需要强调的是,实际中的观测器很少能在每个采样时刻获取完全更新的测量向量[24],[25]。相反,可用的输出信息通常呈现“采样-保持”结构:只有一部分测量分量被间歇性更新,而其余分量则保持在最近一次可用的值,这实际上将历史信息融入了估计过程[26]–[28]。在此设置下,ETM主要规定何时应激活刷新,但它并不表征观测器端更新不同测量分量所依据的结构规则。为了形式化这种结构化更新,人们研究了各种协议引导的更新规则,包括随机通信协议[29]、一试即弃(TOD)协议[30]和轮询(RR)协议[31]。其中,RR协议强制测量分量按确定性循环顺序更新,从而为估计器引入了结构良好的最新可用测量模型,为分析和实现提供了便利的基础[32]。同样值得注意的是,除了通信效率,网络化系统中数据传输的安全性也日益受到研究关注,代表性的工作致力于针对窃听者的基于加密-解密的状态估计[33]以及窃听攻击下的加密有限时域峰值能量估计[34],突显了设计可靠网络化估计器所面临的更广泛挑战。其在通信系统、负载均衡和服务器资源分配[35]–[37]等领域的广泛应用也证明了其相关性。因此,将RR引导的最新可用测量与ETM驱动的刷新时刻相结合,为MNNs状态估计提供了一个自然且具有实际意义的框架。
比例-积分观测器(PIO)是通过在传统Luenberger观测器的基础上增加一个估计误差积分项而构建的一类观测器。在具有RR调度共享信道的事件触发机制下,测量更新变得间歇性且可能异步到达,这可能会加剧稳态估计偏差,并在存在不确定性和随机扰动时降低鲁棒性。自从文献[38]的开创性工作以来,PIO已成功应用于各种实际场景,包括制造过程、网络通信系统、电力电子电路和经济系统[39]–[42]。与传统Luenberger观测器相比,PIO能有效抑制稳态估计偏差,提高对不确定性的鲁棒性,这对于具有时变忆阻非线性的MNNs尤为重要。具体来说,当输出信息在ETM和RR协议下间歇性更新时,仅基于比例新息的传统观测器可能更容易受到异步刷新测量引起的残留估计失配的影响。相比之下,PIO中额外的积分通道能够累积历史输出残差并提供偏置补偿能力,这已被认为是提高不确定和网络化系统鲁棒性和估计性能的有效方法[43]。PIO的设计已逐渐发展成为一个公认的研究主题,并产生了大量成果[44]–[47]。具体而言,为MNNs构建一个结构良好的PIO并建立一个可验证的稳定性和性能分析框架仍然并非易事。
鉴于上述讨论,本文重点研究在ETM和RR协议下,基于PIO对离散时间随机忆阻神经网络(DSMNNs)的状态估计问题。本文的贡献有三点:1) 研究了针对一类DSMNNs的PIO设计问题;2) 针对DSMNNs,解决了ETM下带有RR协议的状态估计问题;3) 建立了一个统一的框架,以捕捉事件触发更新、基于RR的测量更新、时变延迟以及确定性和随机扰动之间的相互作用。
问题阐述
具有n个神经元的DSMNNs动态模型表述如下:
x(k+1) = A(k, x(k))x(k) + B(k, x(k))f(x(k)) + D(k, x(k))g(x(k-τ(k))) + σ(k, x(k), x(k-τ(k)))w(k)
其中,x(k) ∈ Rn表示时刻k的神经元状态向量,其第i个分量为xi(k)。依赖于状态的自反馈由具有严格正元素ai的对角矩阵A(k, x(k))给出。B(k, x(k)) 表示连接权重矩阵,D(k, x(k)) 表示延迟连接权重矩阵。f(·) 和 g(·) 是非线性神经元激活函数。变量 τ(k) 表示时变传输延迟,受区间约束:τm≤ τ(k) ≤ τM,其中正整数 τm和 τM分别是已知的下界和上界。
主要结果
以下定理为在参数摄动、RR调度和事件触发传输的综合影响下,增广误差系统(23)的均方指数稳定性提供了充分条件,其中观测器增益 LP, LI, F 被假定为预先指定的。
定理 1. 给定常数矩阵 LP, LI, F。那么,在假设1下,对于任何满足 τm≤ τ(k) ≤ τM的时变延迟 τ(k),如果存在正定矩阵 P, Q, R 和正标量 ε1, ε2使得以下线性矩阵不等式成立,则增广系统(23)是均方指数稳定的:[此处省略具体的LMI矩阵不等式,因其为技术性数学表达,不改变核心信息]。
说明性示例
为验证所设计的PIO在ETM和RR协议下对DSMNNs的有效性,本节给出一个数值示例。
设DSMNNs (1)的参数为:
A(k, x(k)) = diag{0.8, 0.85, 0.9}
B(k, x(k)) = [[0.1, 0.2, 0.1]; [0.1, 0.1, 0.3]; [0.2, 0.1, 0.2]]
D(k, x(k)) = [[0.1, 0.1, 0.1]; [0.2, 0.1, 0.1]; [0.1, 0.1, 0.2]]
噪声强度矩阵 σ(k, x(k), x(k-τ(k))) 取为 0.1 * I3。
激活函数 f(·) 和 g(·) 选择为:
f(s) = 0.1 * (|s+1| - |s-1|)
g(s) = tanh(s)
其满足约束(4), (5),其中:
F1= 0.1, F2= 0.1, G1= 0, G2= 1。
在此示例中,时变延迟选择为 τ(k) = 2 + sin(kπ/2)。由此可得 τm= 1, τM= 3。常数标量 α = 0.2, β = 0.3。仿真中,触发参数选择为 δ = 0.05。该值通过初步数值测试选取,以确保令人满意的触发性能和估计精度。
结论
本文研究了在ETM和RR协议下,针对一类DSMNNs的状态估计问题。通过将事件触发传输与RR协议相结合,在有限带宽下实现了多传感器测量数据的有序和公平利用。提出了基于LMIs的充分稳定性判据,并通过凸规划计算了观测器增益。仿真结果验证了所提方法的有效性。同时,所提方法存在一些局限性,例如对网络攻击的鲁棒性未加考虑,这为未来研究指明了方向。
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