基于神经网络的绝对值方程求解法（自用）

摘要：

       本文提出一种求解绝对值方程AVE的神经网络方法

       当AVE唯一可解时，AVE被转化为等效的线性线性互补问题（LCP）   提出了求解LCP的神经网络动态模型。

         通过Lyapunov稳定性理论，证明所提出的神经网络模型在Lyapunov意义上是稳定的，并且收敛到唯一的平衡点。

         在高维上，神经网络具有良好的性能。此外，所提出的神经网络模型的结构简单，使得电路实现容易，仿真结果表明所提出的网络是可行且高效的。

引言

       

       AVE如果唯一可解，可以等效地重新表示为LCP，此外，LCP在一定条件下可以表示为具有形式的AVE。可以用这个等效公式来使用LCP的方法求解AVE。

      本文的解决方法：基于电路实现的人工神经网络。神经网络方法的主要优点是：动态求解过程本质是并行和分布式的。  因此，神经网络方法可以在运行时间内以数量级求解方程。

      本文提出一种求解AVE的神经网络模型，首先，在A的奇异值超过一的条件下，将AVE转化为等效的LCP。然后，通过神经网络模型求解LCP。并且提出的方法可靠简单且与量纲无关。也就是说解决此问题所需要的计算时间不会随着AVE维数的增加而增加，并且所提出的模型结构比其更加简单。此外，该神经网络被证明在Lyapunov意义上是全局稳定的，并且收敛于AVE的唯一解。

     引理：如果A的奇异值超过1，则AVE对于任何b属于R, n是唯一可解的。

 *本篇文章只考虑AVE唯一可解的情况。

接下来，我们将介绍AVE实际上等价于广义的LCP

  AVE等价与广义LCP

由引理两个可知，如果AVE唯一可解，则它与LCP有相同的解，此问题等价为求解LCP（）

        该神经网络有n个状态变量，3n个求和器和n个神经元，结构简单，使得电路实现更容易。

为了了解所提出的神经网络问题更好的解决问题，我们将其与提出的现有梯度神经网络进行比较，其中梯度神经网络模型的优点是：直接可以利用能量函数的导数得到神经网络，但是缺点是：梯度神经网络只能得到近似解。

动态神经网络模型的平衡点就是LCP的解。

如果A的奇异值超过1，则LCP中的矩阵M是正定的。

如果矩阵M是正定的，则神经网络在李雅普诺夫意义上是稳定的，并且全局收敛于的唯一解。此外，神经网络的收敛速度是随着的增加而增加。

在本章节中，我们通过一个数值示例来展示所提出的神经网络求解AVE的可行性。

结论：可以看到神经网络是稳定并且有效地解决问题，而且随着尺度参数的增加，求解所消耗的时间减小。从而在实际应用中，通过改变的值，可以调节求解式的时间，并且，所提出的神经网络解决方案所需要的计算时间不会随着AVE维数增加而增加。