一种编码解码机制下的忆阻神经网络状态估计方法

本发明涉及一种忆阻神经网络状态估计方法，具体涉及一种编码解码机制下具有h∞性能约束及方差受限的忆阻神经网络的状态估计方法。

背景技术：

1、神经网络的特点是由大量相互连接的动态网络构成。在现实的许多网络中，应用在模式识别、优化问题和联想记忆等实际系统建模和分析方面。

2、忆阻器是继电阻、电容、电感三个基本电路元件之后的第四个新型无源纳米信息器件。与现有器件相比，该忆阻器具有能耗低、不易挥发、体积小等优点。事实上，忆阻和生物突触在结构和功能上非常相似。因此，越来越多的研究者选择用忆阻器替代人工神经网络中的突触。

3、在许多工程实践中，特别是在当今网络环境下，由于机器故障、通信信道拥堵等原因，信息传输过程中不可避免地会出现延迟及带宽受限等现象。因此，设计同时适用于编码解码机制下具有h∞性能约束及方差受限的忆阻神经网络的状态估计方法是十分有必要的，尤其是当同时考虑h∞性能约束及方差受限的情形。

4、目前已有的状态估计方法不能同时处理编码解码机制下具有h∞性能约束及方差受限的忆阻神经网络的状态估计问题，从而导致估计性能准确率低。

技术实现思路

1、本发明的目的是提供一种编码解码机制下的忆阻神经网络状态估计方法，该方法解决了现有状态估计方法不能同时处理编码解码机制下具有h∞性能约束及方差受限的忆阻神经网络的状态估计问题，从而导致估计精度准确率低，以及在编码解码机制下存在信息无法接收到其他时刻信息的情况下，导致估计性能准确率低的问题，可用于忆阻神经网络状态估计领域。

2、本发明的目的是通过以下技术方案实现的：

3、一种编码解码机制下的忆阻神经网络状态估计方法，包括如下步骤：

4、步骤一、建立在编码解码机制下具有h∞性能约束及传感器能量收割的忆阻神经网络动态模型；

5、步骤二、在编码解码机制下对步骤一建立的忆阻神经网络动态模型进行状态估计；

6、步骤三、给定h∞性能指标γ、半正定矩阵一号、半正定矩阵二号及初始条件x0和，计算忆阻神经网络的误差协方差矩阵上界及h∞性能约束条件；

7、步骤四、利用随机分析方法，并通过解一系列线性矩阵不等式求解出估计器增益矩阵kk的解，实现对在编码解码机制下具有h∞性能约束以及传感器能量收割的忆阻神经网络进行状态估计；判断k+1是否达到总时长n，若k+1＜n，则执行步骤二，反之结束。

8、本发明中，所述神经网络可以为质点弹簧构成的网络、车辆悬挂构成的网络、非线性卡车拖车模型、航天器构成的网络或雷达构成的网络。

9、相比于现有技术，本发明具有如下优点：

10、1、本发明提出一种编码解码机制下具有h∞性能约束及方差受限的忆阻神经网络的状态估计方法，同时考虑了编码解码机制下具有h∞性能约束、传感器能量收割及方差受限对状态估计性能的影响，利用随机分析方法以及不等式处理技术，全面考虑了估计误差协方差矩阵的有效信息，与现有的时滞神经网络状态估计方法相比，本发明的忆阻神经网络状态估计方法同时考虑在编码解码机制下具有h∞性能约束及方差受限的忆阻神经网络的状态估计问题，得到了误差系统同时满足估计误差协方差有上界和给定的h∞性能要求的忆阻神经网络状态估计方法，达到了同时抑制扰动，并且提高了估计精度的目的。

11、2、本发明利用随机分析方法，首先，分别考虑估计误差系统满足h∞性能约束条件及误差协方差有上界的充分条件；然后，再同时得到估计误差系统满足h∞性能约束及误差协方差有上界的判别条件；最后，通过求解一系列线性矩阵不等式得到估计器增益矩阵的值，实现了编码解码机制下具有h∞性能约束以及方差受限同时发生的情况下性能估计不受影响，从而提高了估计准确率。

12、3、本发明解决了现有状态估计方法不能同时处理编码解码机制下具有h∞性能约束及方差受限忆阻神经网络的状态估计导致的估计性能准确率低的问题，从而提高了估计性能的准确率。从仿真图可以看出，λ越大，忆阻神经网络的状态估计性能逐渐降低，估计误差相对较大，这也进一步验证了本发明所提出的状态估计方法的可行性和有效性。

技术特征：

1.一种编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述方法包括如下步骤：

2.根据权利要求1所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述神经网络为生物特征识别网络、质点弹簧构成的网络、车辆悬挂构成的网络、非线性卡车拖车模型、航天器构成的网络或雷达构成的网络。

3.根据权利要求1所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述步骤一中，在编码解码机制下具有h∞性能约束及传感器能量收割的忆阻神经网络动态模型的状态空间形式为：

4.根据权利要求3所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述状态依赖矩阵参数ai(xi,k)、aij,d(xi,k)和bij(xi,k)满足：

5.根据权利要求1所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述步骤二的具体步骤如下：

6.根据权利要求5所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述hk的概率分布如下：

7.根据权利要求5所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述均匀量化器描述为如下形式：

8.根据权利要求1所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述步骤三的具体步骤如下：

9.根据权利要求1所述的编码解码机制下的忆阻神经网络状态估计方法，其特征在于所述步骤是中，通过求解下面一系列递推线性矩阵不等式，给出估计误差系统同时满足h∞性能要求和误差协方差有上界的充分条件，即可计算出估计器增益矩阵的值：

技术总结
本发明公开了一种编码解码机制下的忆阻神经网络状态估计方法，所述方法包括如下步骤：步骤一、建立具有H<subgt;∞</subgt;性能约束及传感器能量收割的忆阻神经网络动态模型；步骤二、在编码解码机制下对忆阻神经网络动态模型进行状态估计；步骤三、计算忆阻神经网络的误差协方差矩阵上界及H<subgt;∞</subgt;性能约束条件；步骤四、利用随机分析方法，并通过解一系列线性矩阵不等式求解出估计器增益矩阵K<subgt;k</subgt;的解，实现对忆阻神经网络进行状态估计；判断k+1是否达到总时长N，若k+1＜N，则执行步骤二，反之结束。本发明解决了现有状态估计方法不能同时处理编码解码机制下具有H<subgt;∞</subgt;性能约束及方差受限忆阻神经网络的状态估计导致的估计性能准确率低的问题，从而提高了估计性能的准确率。

技术研发人员：胡军,高岩,于浍,贾朝清,班立群,孙若姿,雷冰欣,郑凯文
受保护的技术使用者：哈尔滨理工大学
技术研发日：
技术公布日：2024/1/13