具有传感器非线性的耦合Markov神经网络的 有限时间状态估计

具有传感器非线性的耦合Markov神经网络的
有限时间状态估计

摘要：本文研究了受传感器非线性影响的耦合Markov神经网络的有限时间状态估计问题，其中考虑了部分未知转移概率的Markov链。提出了一个基于不完整的测量Luenberger型状态估计器，并利用Kronecker积导出估计误差系统。利用 Lyapunov方法，分别提出了估计误差系统的随机有限时间有界和随机有限时间稳定的充分条件。然后，通过求解一组耦合线性矩阵不等式得到估计器增益。最后，通过数值实例说明了设计方法的有效性。
关键词：耦合Markov神经网络，传感器非线性，状态估计，随机有限时间有界性，随机有限时间稳定性。
1.简介
在过去几十年中，由于神经网络在目标跟踪、信号处理、优化问题等方面得到了广泛的应用而成为研究热点。因此研究神经网络很有必要。具有随机干扰、时滞[3],[4]和参数不确定性[5]时神经网络稳定性分析,以及H∞[6]，被动性[7],[8]和耗散度[9]的性能分析都得到了密切关注。众所周知，动态系统只有环境扰动或其他原因引起突变现象可建模为Markov跳变系统[10]-[14]。因此，Markov神经网络受到了广泛的关注，并取得了许多成果。在文献[15]中，分别得到了有时滞和无时滞的Markov跳变回归神经网络的指数稳定性条件。在文献[16]中，利用Markov链的公式和遍历性，提出一种具有时滞的Markov回归神经网络的稳定性条件。需要指出的是，在上述工作中考虑的Markov神经网络具有完全已知的转移概率。最近，研究了具有部分未知转移概率的Markov系统[17]，并将结果推广到神经网络[7]。而对部分未知转移概率的耦合Markov神经网络的研究较少。
理解系统状态是系统综合的关键步骤。近年来，由于大规模系统广泛存在于人们的日常生活中，所以对大规模系统估计器的设计成为了研究热点。作为一个经典的例子，耦合网络的状态估计是至关重要的，这不仅是因为它有助于理解网络的内部结构和状态，而且因为它是实现同步的第一步[18]。然而，至少有两个障碍使状态估计问题变得困难。一个是视为状态是相互耦合的，这意味着节点的状态不仅由它们自己决定，而且也由它们相邻的节点决定。二是网络测量引起的数据包丢失、传输延迟、信道衰落、量化等问题。在过去几年，以上问题的研究得到了一些成果，例如文献[19]中，在有限时间范围内提出了有界H∞状态估计。其中的H∞状态估计器是在不同的网络条件下设计的，如随机延迟、量化和丢失测量[20]，[21]。然而，如何设计具有部分未知转移概率的耦合Markov神经网络的状态估计仍需进一步研究。
传感器的精度往往会受到环境的影响，也会受有限的寄存器长度的限制，导致传感器测量不完善。由于传感器非线性广泛存在于工程实践中，所以引起了人们的广泛关注。最近，为解决传感器非线性的不确定测量，设计个一些滤波方法。在文献[22]中，为具有传感器非线性的离散时间T-S模糊随机系统设计了滤波器。在文献[23]中，为Markov跳变系统提出了具有随机传感器非线性的异步滤波器。然而，如何设计具有传感器非线性的耦合神经网络滤波器是一个值得研究的问题。
通常来说，现在工程中所考虑的稳定性概念是在无限时间区间上定义的，其中渐近行为是主要的考虑因素。然而，在有些情况下，我们只关注系统在有限时间区间内的轨迹，而且在一定的区间内，它的振幅是有界的，以避免出现饱和。基于这个问题，提出了有限时间的稳定性(或短时间稳定性)，其早期的工作可以追溯到20世纪60年代。从那时起，发表了一些关于有限时间稳定性的著作。在文献[24]中，给出了设计状态反馈和输出反馈控制器的充分条件，以保证闭环系统是有限时间稳定的。然后，该成果被推广到时变系统[25]。在文献[26]中，针对非线性传感器设计了基于有限时间H∞观测器的控制器。然而，据我们所知，对于非线性测量的耦合Markov神经网络的有限时间状态估计还没有被研究过。
受上述工作的启发，本文研究了耦合Markov神经网络的有限时间状态估计问题。主要内容概括如下。
1)Luenberger型估计器是专门为具有部分转移概率未知和不完整测量的耦合Markov神经网络设计的，然后，利用Kronecker积得到估计误差系统。
2)通过构建基于模态的Lyapunov函数，推导出保证估计误差系统有限时间随机有界性(SFTB)和有限时间随机稳定(SFTS)的充分条件。与文献[20]和[21]相比，本文所得到的充分条件可以处理稳定及不稳定的系统。
本文结构如下。第二部分描述了具有部分未知转移概率和传感器非线性的耦合Markov神经网络。在第三部分中，给出了估计误差系统的SFTS和SFTB条件。在第四部分中设计了估计器增益，第五部分给出了示例，最后在第六部分得出结论。
符号表示：N表示非负整数，和分别表示n维和n×m维欧几里得空间。表示矩阵的转置。和分别n维对角阵和单位阵。表示Kronecker积。表示概率。表示的期望。对于对称矩阵X和Y，表示矩阵为半正定（正定）。为平方求和的无穷序列空间。*为对称矩阵中对应位置的转置。
2.问题的制定与准备
A.耦合Markov神经网络
考虑如下的耦合Markov神经网络阵列：
(1)
其中是神经状态向量，
是神经元激活向量函数。
是已知矩阵。是满足以下条件的外部干扰噪声。

其中是部分未知转移概率的齐次Markov链：
(2)
其中，并且，“？”表示未知元素。为了便于表示，定义：

                    (3)

W为对称外耦合矩阵，满足
(4)
为内耦合矩阵，其中表示的第h个分量对有影响。
假设1[27]:(1)中的每一个非线性函数都是连续有界的，，并存在常数和使得
(5)
其中
备注1：复杂的环境和高价的成本使得Markov链中的转移概率很难获得。特别是对于由多个子系统组成的大规模系统。因此许多研究人员开始研究具有部分未知转移概率的Markov跳变系统[7],[17]。本文将研究具有缺失统计量的耦合Markov神经网络。
B. 传感器非线性的测量
传感器非线性的测量如下:
(6)
其中是节点i的测量值。，为已知矩阵。每个非线性向量值函数假设为连续的，且，满足下式
(7)
其中，为已知矩阵。
备注2：在实际应用中，传感器总是受到工作环境中干扰的影响，这使得研究传感器非线性在控制领域中具有重要意义，并获得了一些相关的结果[22]。因此，分析耦合系统的特性，进而研究传感器的非线性特性具有重要的意义。
C. 状态估计器
对于节点i，设计状态估计器如下：
(8)
其中是估计器的状态，是待设计的估计器增益。
备注3：一般来说，直接获取神经网络的状态是困难的，这使得状态估计器的设计成为了解神经网络内部的一个必不可少的步骤。与指数估计器[28]、鲁棒估计器[29]和H∞型估计器[30]有关的一些研究结果已被提出。本文尝试设计具有跳变参数的耦合神经网络估计器。
D. 主要目标
为了简化表达式，我们定义：

           (9)

根据式(9)，耦合的Markov神经网络(1)和测量方法(6)可以改写为：
(10)
估计器式(8)可以表示为
(11)
定义得到估计误差系统：
(12)
其中,
(13)
定义1：如果对于所有的满足式(14)，那么对于在时的估计误差系统(12)就被称为SFTS，其中

     (14)  

定义2：：如果对于所有的满足式(15)，那么相对于的估计误差系统(12)就被称为SFTB，其中
(15)
本文的主要目的是设计一个状态估计器(8)，使得相对于为系统(12)而对于为系统(12)。

3.主要结果
本节研究了系统(12)相对于的SFTS条件及对于的SFTB条件，定理可以总结如下。
定理1：给定一个常数，估计误差系统(12)为对于的SFTB，如果存在矩阵和常数，对于所有有如下矩阵不等式成立：
(16)
(17)
其中

且
(18)
其中。
证明：针对估计误差系统(12)，考虑Lyapunov函数(19)：
(19)
然后定义为
(20)
令，得到

(21)

根据假设1，可以得如下不等式：

对于任意，根据式（9）可得下式：
(22)
此外，不等式（7）可以改写为：

根据式9，可得不等式：
(23)
结合式(16)(17),(21)-(23),可得
(24)
它也表示
(25)
定义，可得
(26)
除此之外，边界值为
(27)
根据式(25)-(27),可得
(28)
其中
根据定义2和式(28)，估计误差系统(12)为SFTB。
推论1：给定一个常数，估计误差系统(12)为对于是SFTB的，如果存在矩阵和常数，对于有如下矩阵不等式：
(29)
(30)
和
(31)
证明推论1的方法和定理1类似，在此省略。
备注4：近年来，对耦合系统的状态估计问题进行了研究[20]，[31]，得到了无穷时间稳定的充分条件。本文研究了估计误差系统(12)的有限时间稳定性。值得注意的是，本文提出的稳定性条件不仅适用于稳定系统，而且适用于不稳定系统。在实际中，不稳定系统的状态估计更为重要。

4.估计器设计
在这一节中，我们将根据定理1设计（8）中的估计器增益。
定理2：给定一个常数，估计误差系统(12)为对于的SFTB，如果存在矩阵和以及常数，对于有如下矩阵不等式：
(32)
(33)
其中
(34)
(35)
(36)
则式(8)中估计器增益为
(37)
证明：考虑如下不等式：

其表明
(38)
(39)
然后，式(32)和(38)可共同表明：
(40)
其中
根据式(33)和(39),可得
(41)
通过对式(40)和(41)分别左右乘可得(16)和(17)。
根据(34)，得到不等式：

表明
(42)
考虑式(35)(36)和(42)，得到式(18)。根据定理1，估计误差(12)为对于的SFTB。
推论2：给定一个常数，估计误差系统(12)为对于的SFTS，如果存在矩阵和常数，对于有如下矩阵不等式：
(43)
(44)
其中
(45)
(46)
则式(8)中估计增益为
(47)
备注5：从定义2开始，如果初始条件给定，那么问题就转化ε最小值的问题。根据定理2，将这个问题转化为以下优化问题，可以用matlab工具箱求解线性矩阵不等式：

5.数值实例
在这一部分中，我们给出了一个数值例子来说明结果的有效性。系统的参数如下：

图1：系统参数的跳变条件 图2：状态轨迹

图3：状态轨迹 图4：状态轨迹

图5：状态轨迹 图6：状态轨迹

图7：状态轨迹 图8：的轨迹
概率转移矩阵为：

外耦合矩阵W为：

内耦合矩阵为：

对于，神经元激活函数为：

传感器非线性的测量结果为：

根据实例利用备注5和LMI工具箱，得到，并且估计器增益为:

假设初始条件为：

假设噪声为，系统参数的随机跳变条件如图1所示。然后，对每个节点的状态响应和状态估计如图2 - 7所示。的轨迹如图8所示，其界为。
5.结论
本文研究了部分未知转移概率和不完全测量的耦合Markov神经网络的估计器设计问题。基于非线性测量设计了Luenberger型估计器。为减少估计误差系统SFTB和STFS充分条件的保守性，构建基于模态的Lyapunov函数。然后，通过求解一组线性矩阵不等式得到估计器增益。最后，给出了一个数值例子来说明该方法的有效性。
日后仍然需要研究很多问题，比如为耦合系统设计分布式最优控制器[32]-[34]。
参考文献
[1]H. Zhang, Z. Wang, and D. Liu, “A comprehensive review of stability analysis of continuous-time recurrent neural networks,” IEEE Trans. Neural Netw., vol. 25, no. 7, pp. 1229–1262, Jul. 2014.
[2]W. Zhou, Q. Zhu, P. Shi, H. Su, J. Fang, and L. Zhou, “Adaptive synchronization for neutral-type neural networks with stochastic perturbation and Markovian switching parameters,” IEEE Trans. Cybern., vol. 44, no. 12, pp. 2848–2860, Dec. 2014.
[3]B. Zhang, J. Lam, and S. Xu, “Stability analysis of distributed delay neural networks based on relaxed Lyapunov–Krasovskii functionals,” IEEE Trans. Neural Netw. Learn. Syst., vol. 26, no. 7, pp. 1480–1492, Jul. 2015.
[4]G. Zhang and Y. Shen, “Exponential synchronization of delayed memristor-based chaotic neural networks via periodically intermittent control,” Neural Netw., vol. 55, pp. 1–10, Jul. 2014.
[5]B. Zhang, S. Xu, G. Zong, and Y. Zou, “Delay-dependent exponential stability for uncertain stochastic Hopfield neural networks with time varying delays,” IEEE Trans. Circuits Syst. I, Reg. Papers, vol. 56, no. 6, pp. 1241–1247, Jun. 2009.
[6]D. Qi, M. Liu, M. Qiu, and S. Zhang, “Exponential H∞ synchronization of general discrete-time chaotic neural networks with or without time delays,” IEEE Trans. Neural Netw., vol. 21, no. 8, pp. 1358–1365, Aug. 2010.
[7]Z.-G. Wu, P. Shi, H. Su, and J. Chu, “Passivity analysis for discrete-time stochastic Markovian jump neural networks with mixed time delays,” IEEE Trans. Neural Netw., vol. 22, no. 10, pp. 1566–1575, Oct. 2011.
[8]G. Zhang, Y. Shen, Q. Yin, and J. Sun, “Passivity analysis for memristor based recurrent neural networks with discrete and distributed delays,” Neural Netw., vol. 61, pp. 49–58, Jan. 2015.
[9]Z.-G. Wu, P. Shi, H. Su, and J. Chu, “Dissipativity analysis for discrete time stochastic neural networks with time-varying delays,” IEEE Trans. Neural Netw. Learn. Syst., vol. 24, no. 3, pp. 345–355, Mar. 2013.
[10]H. Bo and G. Wang, “General observer-based controller design for singular Markovian jump systems,” Int. J. Innov. Comput., Inf. Control, vol. 10, no. 5, pp. 1897–1913, Oct. 2014.
[11]H. Huang, F. Long, and C. Li, “Stabilization for a class of Markovian jump linear systems with linear fractional uncertainties,” Int. J. Innov. Comput., Inf. Control, vol. 11, no. 1, pp. 295–307, Feb. 2015.
[12]P. Shi and F. Li, “A survey on Markovian jump systems: Modeling and design,” Int. J. Control, Autom., Syst., vol. 13, no. 1, pp. 1–16, Feb. 2015.
[13]P. Shi, Y. Yin, F. Liu, and J. Zhang, “Robust control on saturated Markov jump systems with missing information,” Inf. Sci., vol. 265, pp. 123–138, May 2014.
[14]F. Li, L. Wu, P. Shi, and C.-C. Lim, “State estimation and sliding mode control for semi-Markovian jump systems with mismatched uncertainties,” Automatica, vol. 51, pp. 385–393, Jan. 2015.
[15]Y. Shen and J. Wang, “Almost sure exponential stability of recurrent neural networks with Markovian switching,” IEEE Trans. Neural Netw., vol. 20, no. 5, pp. 840–855, May 2009.
[16]Y. Shen and J. Wang, “Noise induced stabilization of the recurrent neural networks with mixed time varying delays and Markovian switching parameters,” IEEE Trans. Neural Netw., vol. 18, no. 6, pp. 1857–1862, Nov. 2007.
[17]L. Zhang and E.-K. Boukas, “Mode-dependent H∞ filtering for discrete time Markovian jump linear systems with partly unknown transition probabilities,” Automatica, vol. 45, no. 6, pp. 1462–1467, Jun. 2009.
[18]A. Rodriguez-Angeles and H. Nijmeijer, “Mutual synchronization of robots via estimated state feedback: A cooperative approach,” IEEE Trans. Control Syst. Technol., vol. 12, no. 4, pp. 542–554, Jul. 2004.
[19]B. Shen, Z. Wang, and X. Liu, “Bounded H∞ synchronization and state estimation for discrete time-varying stochastic complex networks over a finite horizon,” IEEE Trans. Neural Netw., vol. 22, no. 1, pp. 145–157, Jan. 2011.
[20]D. Ding, Z. Wang, B. Shen, and H. Shu, “H∞ state estimation for Discrete time complex networks with randomly occurring sensor saturations and randomly varying sensor delays,” IEEE Trans. Neural Netw. Learn. Syst., vol. 23, no. 5, pp. 725–736, May 2012.
[21]B. Shen, Z. Wang, D. Ding, and H. Shu, “H∞ state estimation for complex networks with uncertain inner coupling and incomplete measurements,” IEEE Trans. Neural Netw. Learn. Syst., vol. 24, no. 12, pp. 2027–2037, Dec. 2013.
[22]Y. Niu, D.W. C. Ho, and C.W. Li, “Filtering for discrete fuzzy stochastic systems with sensor nonlinearities,” IEEE Trans. Fuzzy Syst., vol. 18, no. 5, pp. 971–978, Oct. 2010.
[23]Z.-G. Wu, P. Shi, H. Su, and J. Chu, “Asynchronous l2−l∞ filtering for discrete-time stochastic Markov jump systems with randomly occurred sensor nonlinearities,” Automatica, vol. 50, no. 1, pp. 180–186, Jan. 2014.
[24]F. Amato and M. Ariola, “Finite time control of discrete-time linear systems,” IEEE Trans. Autom. Control, vol. 50, no. 5, pp. 724–729, May 2005.
[25]F. Amato, M. Ariola, and C. Cosentino, “Finite-time control of discrete time linear systems: Analysis and design conditions,” Automatica, vol. 46, no. 5, pp. 919–924, May 2010.
[26]S. He and F. Liu, “Finite-time H∞ fuzzy control of nonlinear jump systems with time delays via dynamic observer-based state feedback,” IEEE Trans. Fuzzy Syst., vol. 20, no. 4, pp. 605–614, Aug. 2012.
[27]Z. Wang, Y. Liu, M. Li, and X. Liu, “Stability analysis for stochastic Cohen Grossberg neural networks with mixed time delays,” IEEE Trans. Neural Netw., vol. 17, no. 3, pp. 814–820, May 2006.
[28]Z. Wang, D. W. C. Ho, and X. Liu, “State estimation for delayed neural networks,” IEEE Trans. Neural Netw., vol. 16, no. 1, pp. 279–284, Jan. 2005.
[29]H. Huang, G. Feng, and J. Cao, “Robust state estimation for uncertain neural networks with time-varying delay,” IEEE Trans. Neural Netw., vol. 19, no. 8, pp. 1329–1339, Aug. 2008.
[30]D. Zhang, L. Yu, Q.-G. Wang, and C.-J. Ong, “Estimator design for discrete time switched neural networks with asynchronous switching and time varying delay,” IEEE Trans. Neural Netw. Learn. Syst., vol. 23, no. 5, pp. 827–834, May 2012.
[31]Y. Liu, Z. Wang, J. Liang, and X. Liu, “Synchronization and state estimation for discrete-time complex networks with distributed delays,” IEEE Trans. Syst., Man, Cybern. B, Cybern., vol. 38, no. 5, pp. 1314–1325, Oct. 2008.
[32]D. Liu, X. Yang, D. Wang, and Q. Wei, “Reinforcement-learning-based robust controller design for continuous time uncertain nonlinear systems subject to input constraints,” IEEE Trans. Cybern., vol. 49, no. 7, pp. 1372–1385, Jul. 2015.
[33]D. Liu, H. Li, and D. Wang, “Error bounds of adaptive dynamic programming algorithms for solving undiscounted optimal control problems,” IEEE Trans. Neural Netw. Learn. Syst., vol. 26, no. 6, pp. 1323–1334, Jun. 2015.
[34]D. Liu, D. Wang, F.-Y. Wang, H. Li, and X. Yang, “Neural-network-based online HJB solution for optimal robust guaranteed cost control of continuous time uncertain nonlinear systems,” IEEE Trans. Cybern., vol. 44, no. 12, pp. 2834–2847, Dec. 2014.