本发明涉及人工智能,尤其涉及一种时滞复值忆阻神经网络的可达集估计方法。
背景技术:
1、忆阻器作为除电阻、电容、电感外的第四种电路基本器件,可以根据流入的电流(或电压)改变其自身的电阻值并进行记忆。它与生物神经元在刺激下的变化极为相似,是目前最接近生物神经元的人工神经元器件。忆阻器作为一种新颖的纳米级器件,拥有低功耗、高效率等优点,为实现复杂任务提供了一种更为有效的方法,并在人工智能领域有巨大潜力。
2、忆阻神经网络利用忆阻器件作为神经元之间的连接权重,通过调整忆阻器件的电阻值来实现信息传递和存储。相较传统计算机硬件实现的神经网络而言,忆阻神经网络在存储和处理大规模数据时具有更低的能量消耗和更高的计算效率。忆阻神经网络的出现无疑将为人工智能领域带来新的发展机遇。复值忆阻神经网络是忆阻神经网络下的一个分支。与传统的神经网络模型不同,复值忆阻神经网络的状态变量、连接权重和激活函数均是复函数。在一般情况下,复值忆阻神经网络相较于实值忆阻神经网络而言更为复杂,由其得出的理论结果与实际结果的吻合度更加精准,因此在图像处理、远程传感等领域更加具有潜在的应用价值。
3、可达集是系统在有外界干扰的情况下,让系统状态界定在安全范围的集合。如果逾过了可达集边界,系统将有被损坏的可能。因此为了保证系统的安全性,为了不断优化系统的性能,改善系统的稳定性,研究系统的可达集估计问题十分必要。现有的根据李雅普诺夫函数研究可达集估计问题时,对矩阵的要求较高,导致现有的可达集估计方法实现难度较高。
技术实现思路
1、本发明的主要目的在于提供一种时滞复值忆阻神经网络的可达集估计方法,旨在解决现有技术中根据李雅普诺夫函数研究可达集估计问题时,对矩阵的要求较高,导致现有的可达集估计方法实现难度较高的技术问题。
2、为实现上述目的,本发明提供一种时滞复值忆阻神经网络的可达集估计方法,所述方法包括以下步骤:
3、根据微分包含理论将具有有界输入的时滞复值忆阻神经网络模型转化为矩阵形式的系统;
4、基于线性矩阵不等式技术构建预设线性矩阵不等式;
5、根据李雅普诺夫函数验证在所述矩阵形式的系统满足所述预设线性矩阵不等式时,所述时滞复值忆阻神经网络模型界定在预设椭球可达集内。
6、可选地,所述根据微分包含理论将具有有界输入的时滞复值忆阻神经网络模型转化为矩阵形式的系统,包括:
7、将具有有界输入的时滞复值忆阻神经网络模型划分为实部系统和虚部系统,所述实部系统为只具有实部的系统,所述虚部系统为只具有虚部的系统;
8、根据集值映射和微分包含理论将所述实部系统和所述虚部系统转换为矩阵形式的系统。所述根据李雅普诺夫函数验证在所述矩阵形式的系统满足所述预设线性矩阵不等式时,所述时滞复值忆阻神经网络模型界定在预设椭球可达集内之前,还包括:
9、确定所述矩阵形式的系统在预设有界干扰条件的作用下的可达集;
10、根据所述可达集确定预设正定矩阵对应的预设椭球可达集,所述预设椭球可达集的边界为所述可达集。
11、可选地,所述根据李雅普诺夫函数验证在所述矩阵形式的系统满足所述预设线性矩阵不等式时,所述时滞复值忆阻神经网络模型界定在预设椭球可达集内,包括:
12、根据所述矩阵形式的系统和预设线性矩阵不等式构建李雅普诺夫函数;
13、根据李雅普诺夫函数验证在所述矩阵形式的系统满足所述预设线性矩阵不等式时,所述时滞复值忆阻神经网络模型界定在预设椭球可达集内。
14、可选地,所述根据李雅普诺夫函数验证在所述矩阵形式的系统满足所述预设线性矩阵不等式时,所述时滞复值忆阻神经网络模型界定在预设椭球可达集内,包括:
15、对所述李雅普诺夫函数放缩,获得所述李雅普诺夫函数的下界;
16、根据所述矩阵形式的系统对所述李雅普诺夫函数的各项进行求导,获得所述李雅普诺夫函数在预设有界干扰条件的作用下与所述矩阵形式的系统的比较关系;
17、根据所述预设线性矩阵不等式和所述下界对所述比较关系进行变换,获得所述时滞复值忆阻神经网络模型与所述预设椭球可达集的包含关系,所述包含关系为所述预设椭球可达集包含所述时滞复值忆阻神经网络模型。
18、此外,为实现上述目的,本发明还提出一种时滞复值忆阻神经网络的可达集估计装置,所述时滞复值忆阻神经网络的可达集估计装置包括:
19、矩阵转化模块,用于根据微分包含理论将具有有界输入的时滞复值忆阻神经网络模型转化为矩阵形式的系统;
20、不等式构建模块,用于基于线性矩阵不等式技术构建预设线性矩阵不等式;
21、结果验证模块,用于根据李雅普诺夫函数验证在所述矩阵形式的系统满足所述预设线性矩阵不等式时,所述时滞复值忆阻神经网络模型界定在预设椭球可达集内。
22、此外,为实现上述目的,本发明还提出一种时滞复值忆阻神经网络的可达集估计设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的时滞复值忆阻神经网络的可达集估计程序,所述时滞复值忆阻神经网络的可达集估计程序配置为实现如上文所述的时滞复值忆阻神经网络的可达集估计方法的步骤。
23、此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有时滞复值忆阻神经网络的可达集估计程序,所述时滞复值忆阻神经网络的可达集估计程序被处理器执行时实现如上文所述的时滞复值忆阻神经网络的可达集估计方法的步骤。
24、在本发明中,公开了根据微分包含理论将具有有界输入的时滞复值忆阻神经网络模型转化为矩阵形式的系统,基于线性矩阵不等式技术构建预设线性矩阵不等式,根据李雅普诺夫函数验证在矩阵形式的系统满足预设线性矩阵不等式时,时滞复值忆阻神经网络模型界定在预设椭球可达集内。由于本发明利用微分包含理论将复值忆阻神经网络转化为矩阵形式,基于松弛李雅普诺夫泛函研究可达集估计问题,基于线性矩阵不等式技术构建了一个充分条件来保证复值忆阻神经网络的状态界定在椭球可达集内,放宽了李雅普诺夫函数中对矩阵的要求,即不要求所有的矩阵都是正定的,从而该方法更易于实现,适用范围更广。
1.一种时滞复值忆阻神经网络的可达集估计方法,其特征在于,所述时滞复值忆阻神经网络的可达集估计方法包括:
2.如权利要求1所述的时滞复值忆阻神经网络的可达集估计方法,其特征在于,所述根据微分包含理论将具有有界输入的时滞复值忆阻神经网络模型转化为矩阵形式的系统,包括:
3.如权利要求2所述的时滞复值忆阻神经网络的可达集估计方法,其特征在于,所述根据李雅普诺夫函数验证在所述矩阵形式的系统满足所述预设线性矩阵不等式时,所述时滞复值忆阻神经网络模型界定在预设椭球可达集内之前,还包括:
4.如权利要求3所述的时滞复值忆阻神经网络的可达集估计方法,其特征在于,所述根据李雅普诺夫函数验证在所述矩阵形式的系统满足所述预设线性矩阵不等式时,所述时滞复值忆阻神经网络模型界定在预设椭球可达集内,包括:
5.如权利要求4所述的时滞复值忆阻神经网络的可达集估计方法,其特征在于,所述根据李雅普诺夫函数验证在所述矩阵形式的系统满足所述预设线性矩阵不等式时,所述时滞复值忆阻神经网络模型界定在预设椭球可达集内,包括:
6.一种时滞复值忆阻神经网络的可达集估计装置,其特征在于,所述时滞复值忆阻神经网络的可达集估计装置包括:
7.一种时滞复值忆阻神经网络的可达集估计设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的时滞复值忆阻神经网络的可达集估计程序,所述时滞复值忆阻神经网络的可达集估计程序配置为实现如权利要求1至5中任一项所述的时滞复值忆阻神经网络的可达集估计方法的步骤。
8.一种存储介质,其特征在于,所述存储介质上存储有时滞复值忆阻神经网络的可达集估计程序,所述时滞复值忆阻神经网络的可达集估计程序被处理器执行时实现如权利要求1至5任一项所述的时滞复值忆阻神经网络的可达集估计方法的步骤。