T-S模糊Markov跳变时滞神经网络的事件触发状态估计

In order to improve the utilization rate of resources, event-triggered mechanism is gradually arising and has become a hot topic in the field of networked systems. The state estimation of T-S fuzzy Markov jump neural networks with time delays, which is an essential problem of neural networks theory, plays a significant role in their practical applications. Within the networked frame, this project will study the problem of state estimation for delayed T-S fuzzy Markov jump neural networks based on event-triggered mechanism. 1) By designing novel adaptive event-triggered conditions and constructing non-fragile asynchronous state estimators with randomly occurring gain fluctuations, the gain matrix of state estimator will be obtained, also, the intrinsic relationship among the event-triggered frequency, fuzzy rules and system modes will be uncovered. 2) The extended dissipative state estimation will be investigated from a new event-triggered perspective by constructing integral-based event-triggered condition. 3) Considering the phenomena of network-induced delays and data packet dropouts, suitable modeling method and compensation scheme will be proposed by combining the event-triggered conditions in 1) and 2), and then the results of event-triggered state estimation in the case of network-induced delays and data packet dropouts will be derived. The accomplishment of this research will enrich the state estimation theory of T-S fuzzy Markov jump neural networks with time delays, which can provide theoretical guidance and scientific basis for their applications in artificial intelligence, engineering and other research fields.

在网络化系统中，为了提高资源利用率，事件触发机制逐渐兴起并发展为该领域的研究热点。T-S模糊Markov跳变时滞神经网络的状态估计在其应用过程中具有重要支撑作用，是神经网络理论的一个基本问题。本项目在网络化框架下，基于事件触发机制，针对T-S模糊Markov跳变时滞神经网络的状态估计问题展开研究：1)设计新的自适应事件触发条件，构造带有随机增益波动的非脆弱异步状态估计器，获得状态估计器增益矩阵，揭示事件触发频率与模糊规则、系统模态之间的内在关系；2)构造积分型事件触发条件，从新的事件触发角度得到广义耗散状态估计结论；3)针对网络诱发时延与数据包丢失现象，结合1)与2)中的事件触发条件，提出建模方法与补偿方案，获得网络诱发时延与数据包丢失情形下的事件触发状态估计结果。预期成果将丰富T-S模糊Markov跳变时滞神经网络的状态估计理论，为其在人工智能、工程等领域中的应用提供理论指导和科学依据。

在网络化系统中，为了提高资源利用率，事件触发机制逐渐兴起并发展为该领域的研究热点。T-S模糊Markov跳变时滞神经网络的状态估计在其应用过程中具有重要支撑作用，是神经网络理论的一个重要问题。本项目基于不同类型的事件触发条件对T-S模糊Markov跳变时滞神经网络的状态估计进行了研究。此外，本项目对离散时滞神经网络的稳定性与状态估计以及分数阶时滞神经网络的稳定性与控制问题也进行了讨论。主要结果如下：1) 通过构造模态相关的自适应事件触发条件，利用服从伯努利分布的随机变量刻画随机发生的状态估计增益波动，讨论了一类T-S模糊Markov跳变时滞神经网络的非脆弱状态估计问题；2) 通过构造适当的动态事件触发条件，研究了一类T-S模糊Markov跳变时滞神经网络的广义耗散状态估计问题；3) 通过引入服从伯努利分布的随机变量刻画数据包丢失现象，设计补偿方案，结合1)中的事件触发条件，考虑了网络诱发时延与数据包丢失情形下T-S模糊Markov跳变时滞神经网络的状态估计问题。4) 通过建立双重求和不等式，讨论了一类离散神经网络的稳定性问题。5) 通过构造一类基于激励函数的零等式，研究了离散时滞神经网络的状态估计问题。6) 通过构造含有激励函数增广项的Lyapunov-Krasovskii泛函与两类依赖于激励函数的零等式，研究了一类离散时滞神经网络的非脆弱状态估计问题。7) 通过证明新的Lyapunov稳定性定理，研究了一类分数阶时滞神经网络的稳定性问题。8) 通过构造Mittag-Leffler型事件触发条件，讨论了一类分数阶时滞神经网络的稳定性与事件触发控制问题。本项目的实施能够丰富T-S模糊Markov跳变神经网络、离散神经网络与分数阶神经网络的稳定性、状态估计与控制理论，为其在人工智能、工程等领域中的应用提供理论指导和科学依据。