复杂受限神经网络的同步与状态估计研究

The synchronization and state estimation for the neural networks are hot and difficult topics in the intelligent area. With the scale expansion of the neural networks, the constraints of the coupling structure and the measurements become unavoidable, which make most of the existing results cannot be used to deal with the synchronization and state estimation of the complex constraint neural networks. This project will study these issues from the following four aspects...Firstly, using the outliers decision method to design a more hidden multi-level attack model, based on the unreliable information of the master neural networks, we study the synchronization method for the master-slave neural networks. Then using a Markov chain to describe the neural networks with the time-varying coupling structure, and design the multi-density quantizer based on it, we study the local coupling dependent synchronization algorithm for the neural networks. Furthermore, using the Markov chain to model the jumping strength of the coupling structure, and applying the Kronecker symbol function to describe multiple communication induced uncertainties, we study the asynchronous coupling strength dependent state estimation algorithm. Finally, the methods and main results of this project will be verified by the numerical simulations and experiments.

神经网络的同步与状态估计是智能领域的热点和难点问题。随着神经网络规模的不断扩大，耦合结构、测量等信息受限的情况越来越显著，导致现有大多数研究结果不能直接应用于复杂受限神经网络的同步与状态估计。针对该问题本项目开展以下四个方面的研究。..首先，利用离群值判别方法设计更具隐藏性的多层信息攻击模型，基于所得的不可靠主系统信息，研究主从同步控制器设计方法。其次，采用Markov链描述耦合结构时变的神经网络组，同时基于耦合结构设计多密度量化器，研究耦合结构局部依赖的神经网络组同步控制算法。再次，基于Markov链描述耦合强度跳变的神经网络组，利用Kronecker符号函数整合多种网络诱导不可靠性，研究耦合强度异步依赖的状态估计算法。最后，进行数值仿真和实验验证。

在国家自然科学基金面上项目“复杂受限神经网络的同步与状态估计研究”支持下，项目负责人将理论探索与实验研究相结合，展开了深入且具有原创性的研究，建立受限神经网络的同步与状态估计研究方法，并搭建了系统化的实验平台。取得成果包括：针对具有时变时滞的周期系统，构造了周期时滞相关的Lyapunov函数，提出了一种周期调度策略，极大地降低了估计器的保守性，提高了估计器的H∞性能；针对参数不匹配的主从神经网络，结合间歇控制策略设计了传输相关控制器，有效地提高通信信道和控制器的效率；针对参数和周期不匹配的周期神经网络，提出了一种次优迭代算法来缩小自动控制系统的拟同步范围，并设计了相应的控制器，很好地克服了通信容量有限的问题；针对具有能量有界噪声的耦合神经网络，设计了一种非脆弱控制器，成功地提高了随机不确定性下控制器的鲁棒性，并大大缩短了主从神经网络之间的通信时间。这些成果有效地解决了复杂受限神经网络同步与估计的研究难题，拓宽了复杂耦合神经网络理论体系，增强了我国在智能控制领域的科研实力和国际影响力。