Un acelerado doble-integral ZNN con ruido lineal resistente para la resolución de ecuaciones dinámicas de Sylvester y su aplicación al control del sistema caótico SFM
Autores: Han, Luyang; He, Yongjun; Liao, Bolin; Hua, Cheng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un acelerado doble-integral ZNN con ruido lineal resistente para la resolución de ecuaciones dinámicas de Sylvester y su aplicación al control del sistema caótico SFM
Categoría
Matemáticas
Subcategoría
Análisis matemático
Palabras clave
Dinámico
Ecuación de Sylvester
Red neuronal de anulación
Ruido
Convergencia
Aceleración
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
La ecuación Sylvester dinámica (DSE) se encuentra con frecuencia en campos de ingeniería y matemáticas. El original zeroing neural network (OZNN) puede funcionar bien para manejar DSE en un entorno sin ruido, pero puede no funcionar en presencia de ruido. Aunque se puede emplear un integral-enhanced zeroing neural network (IEZNN) para resolver el DSE bajo múltiple ruido, puede fallar bajo ruido lineal y su velocidad de convergencia es insatisfactoria. Por lo tanto, se propone un accelerated double-integral zeroing neural network (ADIZNN) basado en una fórmula de diseño innovadora para resistir el ruido lineal y acelerar la convergencia. Además, pruebas teóricas verifican la convergencia y la robustez del modelo ADIZNN. Además, experimentos de simulación indican que la tasa de convergencia y la capacidad anti-ruido del ADIZNN son muy superiores a las del OZNN y el IEZNN bajo ruido lineal. Finalmente, se proporciona un control del caos del sistema caótico de la función seno memristor (SFM) para sugerir que el controlador basado en el ADIZNN tiene una menor cantidad de error y una mayor precisión que otros ZNNs.
Descripción
La ecuación Sylvester dinámica (DSE) se encuentra con frecuencia en campos de ingeniería y matemáticas. El original zeroing neural network (OZNN) puede funcionar bien para manejar DSE en un entorno sin ruido, pero puede no funcionar en presencia de ruido. Aunque se puede emplear un integral-enhanced zeroing neural network (IEZNN) para resolver el DSE bajo múltiple ruido, puede fallar bajo ruido lineal y su velocidad de convergencia es insatisfactoria. Por lo tanto, se propone un accelerated double-integral zeroing neural network (ADIZNN) basado en una fórmula de diseño innovadora para resistir el ruido lineal y acelerar la convergencia. Además, pruebas teóricas verifican la convergencia y la robustez del modelo ADIZNN. Además, experimentos de simulación indican que la tasa de convergencia y la capacidad anti-ruido del ADIZNN son muy superiores a las del OZNN y el IEZNN bajo ruido lineal. Finalmente, se proporciona un control del caos del sistema caótico de la función seno memristor (SFM) para sugerir que el controlador basado en el ADIZNN tiene una menor cantidad de error y una mayor precisión que otros ZNNs.