基于模糊控制的容噪零化神经网络模型设计及方法技术

本公开实施例中提供了一种基于模糊控制的容噪零化神经网络模型设计及方法，属于计算技术领域，具体包括：步骤1，设计模糊控制，其中，所述模糊控制包括模糊化接口、规则库、数据库、模糊决策单元和退模糊化接口；步骤2，根据所述模糊控制和传统零化神经网络的演化公式，得到模糊容噪零化神经网络演化公式；步骤3，将与时变问题相关的误差矩阵的具体形式代入所述模糊容噪零神经网络演化公式，得到求解该时变问题的模糊容噪零化神经网络模型。通过本公开的方案，能设计出结构简单、容噪性、全局稳定性和有限时间收敛性更强的容噪零化神经网络模型。模型。模型。

【技术实现步骤摘要】
基于模糊控制的容噪零化神经网络模型设计及方法


[0001]本公开实施例涉及计算
，尤其涉及一种基于模糊控制的容噪零化神经网络模型设计及方法。

技术介绍

[0002]目前，作为一种具有反馈结构的人工神经网络，递归神经网络在蛋白质结构预测、机械臂协同控制、图像标题生成、被动定位等领域具有十分广泛的应用。递归神经网络的研究可以追溯到1982年J.J.Hopfield提出的Hopfield神经网络，其首次阐明了神经网络与动力学之间的关系。值得一提的是，具有神经动力学行为的递归神经网络已被深度研究，其中梯度神经网和零化神经网络是广为人知的两种递归神经网络。特别地，由于零化神经网络在解决时变问题上的明显优势，其在无线传感器网络、动态定位、混沌传感器系统、图像目标检测等领域应用广泛。
[0003]收敛性和鲁棒性是评价零化神经网络解决时变问题有效性的两个重要指标，目前研究者们已从多方面对这两种特性进行了研究。例如，通过引入常数标量、模糊标量和动态标量等设计参数，可以提高零化神经网络的收敛速度；零化神经网络的收敛类型通常可以采用线性或非线性激活函数实现。如双极Sigmoid和幂激活函数可以使零化神经网络实现指数收敛和超指数收敛；Sign
‑
bi
‑
power函数激活的零化神经网络具有有限时间收敛性。有限时间收敛的零化神经网络能在有限时间内达到稳定状态，其稳定时间与初始值有关。当研究者们应用一些非线性激活函数时，进一步地发展了零化神经网络的固定时间收敛和预定义时间收敛。以往的研究表明，固定时间收敛和预定义时间收敛的优点主要体现在沉降时间与初值无关，比有限时间收敛有很大的优越性。此外，与固定时间收敛相比，预定义时间收敛的收敛时间只由一个或多个参数决定，因此可以很容易地预先确定。总之，这些不同类型的收敛性研究对零化神经网络的发展具有重要的意义，并由此产生了更多的实际应用。除了对收敛性的研究，研究人员还对零化神经网络的鲁棒性进行了深入的研究。例如，张等人讨论了零化神经网络的鲁棒性，并计算了残差的上界；李等人提出的两种非线性激活函数不仅可以提高零化神经网络的收敛性，而且可以容忍各种噪声，包括较大的常量噪声和动态噪声；金和张等人提出了一个积分设计公式，用于推导出抗噪声零化神经网络，这意味着零化神经网络具有固有的抗噪声能力；在此基础上，肖等人提出了一种具有有限时间收敛性和固有噪声容忍性的零化神经网络算法，其中该算法主要通过改进的积分设计公式实现。然而，上述对零化神经网络在收敛性和鲁棒性方面研究存在一定的不足：由积分设计公式导出的零化神经网络模型形式过于复杂，难以实现；零化神经网络可以抵抗的噪声类型有限；零化神经网络不能在有限时间内容忍噪声。
[0004]可见，亟需一种能设计出结构简单、容噪性、全局稳定性和有限时间收敛性更强的容噪零化神经网络模型。

技术实现思路

[0005]有鉴于此，本公开实施例提供一种基于模糊控制的容噪零化神经网络模型设计及方法，至少部分解决现有技术中存在的部分问题。
[0006]本公开实施例提供了一种基于模糊控制的容噪零化神经网络模型设计及方法，包括：
[0007]步骤1，设计模糊控制，其中，所述模糊控制包括模糊化接口、规则库、数据库、模糊决策单元和退模糊化接口；
[0008]步骤2，根据所述模糊控制和传统零化神经网络的演化公式，得到模糊容噪零化神经网络演化公式；
[0009]步骤3，将与时变问题相关的误差矩阵的具体形式代入所述模糊容噪零神经网络演化公式，得到求解该时变问题的模糊容噪零化神经网络模型。
[0010]根据本公开实施例的一种具体实现方式，所述步骤1具体包括：
[0011]步骤1.1，设计包含两个清晰输入的模糊化接口；
[0012]步骤1.2，建立多条if
‑
then规则，形成所述规则库；
[0013]步骤1.3，设计两个输入及输出对应的隶属函数，形成所述数据库；
[0014]步骤1.4，设计所述模糊决策单元的处理流程；
[0015]步骤1.5，设计所述退模糊化接口的退模糊化方法得到清晰的输出。
[0016]根据本公开实施例的一种具体实现方式，所述模糊容噪零化神经网络演化公式为其中，p(t)＝vec(P(t))，e(t)＝vec(E(t))，v＝vec(V)，P(t)为误差矩阵，η为设计参数用于控制零化神经网络的的收敛速率，E(t)为外部噪声，V为模糊控制。
[0017]根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
[0018]步骤3.1，获取时变Sylvester矩阵方程；
[0019]步骤3.2，定义所述误差矩阵；
[0020]步骤3.3，将所述误差矩阵代入所述模糊容噪零化神经网络演化公式中，得到所述模糊容噪零化神经网络模型并进行向量化。
[0021]本公开实施例中的基于模糊控制的容噪零化神经网络模型设计方案，包括：步骤1，设计模糊控制，其中，所述模糊控制包括模糊化接口、规则库、数据库、模糊决策单元和退模糊化接口；步骤2，根据所述模糊控制和传统零化神经网络的演化公式，得到模糊容噪零化神经网络演化公式；步骤3，将与时变问题相关的误差矩阵的具体形式代入所述模糊容噪零神经网络演化公式，得到求解该时变问题的模糊容噪零化神经网络模型。
[0022]本公开实施例的有益效果为：通过本公开的方案，1)通过将一种新的模糊控制方法引入零化神经网络中，提出了一种结构简单、性能优越的模糊容噪零化神经网络；2)该模糊控制方法是基于零化神经网络的两种误差变化来设计的，其中产生的模糊控制具有固有的抗噪声能力；3)尽管有噪声干扰，模糊容噪零化神经网络仍然具有全局稳定性和有限(或固定)时间收敛性；4)模糊容噪零化神经网络有效地解决了时变Sylvester矩阵方程问题。
附图说明
[0023]为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附
图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0024]图1为本公开实施例提供的一种基于模糊控制的容噪零化神经网络模型设计方法的流程示意图；
[0025]图2为输入p
i
(t)的隶属函数；
[0026]图3为输入的隶属函数；
[0027]图4为模糊容噪零化神经网络的实现框图；
[0028]图5为传统零化神经网络和模糊容噪零化神经网络的元素误差图；
[0029]图6为模糊容噪零化神经网络在简单非线性激活函数作用下的解的轨迹；
[0030]图7为传统零化神经网络和模糊容噪零化神经网络的残差图，其中，(a)为关于传统零化神经网络和模糊容噪零化神经网络，(b)为模糊容噪零化神经网络，其中TZNN表示传统零化神经网络，INT
‑
ZNN表示模糊容噪零化神经网络；
...

【技术保护点】

【技术特征摘要】
1.一种基于模糊控制的容噪零化神经网络模型设计方法，其特征在于，包括：步骤1，设计模糊控制，其中，所述模糊控制包括模糊化接口、规则库、数据库、模糊决策单元和退模糊化接口；步骤2，根据所述模糊控制和传统零化神经网络的演化公式，得到模糊容噪零化神经网络演化公式；步骤3，将与时变问题相关的误差矩阵的具体形式代入所述模糊容噪零神经网络演化公式，得到求解该时变问题的模糊容噪零化神经网络模型。2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：步骤1.1，设计包含两个清晰输入的模糊化接口；步骤1.2，建立多条if
‑
then规则，形成所述规则库；步骤1.3，设计两个输入及输出对应的隶属函数，形成所述数据...

【专利技术属性】
技术研发人员：肖林，贾蕾，代建华，唐文胜，綦朝晖，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：