求解时变非线性不等式的新型动态学习网络

为有效地求解时变矢量型非线性不等式,针对传统的零化神经网络在求解时变矢量型非线性不等式时收敛速度慢、鲁棒性弱的问题,提出了一种新型混合变参动态学习网络(mixed variant-parameter dynamic learning network,MVP-DLN)。首先,定义矢量型的无界误差函数;其次,构造混合变参神经动力学设计公式;最后,通过替代方法和神经动力学设计公式,开发出MVP-DLN模型。理论分析表明MVP-DLN模型具有全局的收敛性能和强鲁棒性。最后,采用仿真实验验证模型的性能,实验结果表明,相比于传统的零化神经网络,MVP-DLN模型在求解时变非线性不等式时具有更好的收敛性能和更强的鲁棒性。

非线性扰动下时延中立型系统的渐近稳定性准则

研究一类具有区间时变时延中立型系统的渐近稳定性,模型同时包含线性与非线性两部分,其中非线性项满足给定的限制条件,分析时可作为系统扰动处理。通过引入一些有用的可调参数,利用改进的Lyapunov-Krasovskii泛函,并引入少量自由权矩阵与凸集定义等工具,有效估计其导函数上界,基于线性矩阵不等式(LMI)建立渐近稳定性准则,数例比较结果表明本文结论具有较小的保守性。

具非线性扰动的变时滞中立型系统的鲁棒镇定

研究一类具有非线性扰动的变时滞中立型系统的鲁棒镇定性问题.在非线性扰动满足增益有界的条件下,建立了用线性矩阵不等式判断闭环系统稳定的充分条件,并在此基础上设计了无记忆状态反馈控制器,将系统渐近稳定的判定问题转化为容易求解的线性矩阵不等式问题.最后给出数值算例,验证了结论的有效性.

具有时变时滞的中立型Lurie系统鲁棒稳定性判据

针对一类具有时变时滞和时变结构不确定性的中立型Lurie控制系统的鲁棒稳定性问题,采用构造适当的Lyapunov函数结合自由权矩阵方法,并利用线性矩阵不等式技术,分别获得了保证该系统绝对稳定和鲁棒稳定的时滞相关充分条件,数值例子表明本方法的有效性和可行性.该成果对中立型Lurie控制系统稳定性的研究具有一定的参考和应用价值.

一类中立型时滞系统新的鲁棒稳定性准则

本文考虑了一类具有时变时滞和非线性扰动的中立型系统的鲁棒稳定性问题.基于Lyapunov稳定性理论和自由权矩阵方法,得到保证系统鲁棒渐近稳定的新的充分条件.所得结果同时依赖于离散时滞和中立时滞,并用LMIs表示.由于对Lyapunov泛函导数采用了无保守的估计,因此所得结果具有较小的保守性,能够给出时变时滞较大的允许时滞上界.作为一个特例,我们也给出了缺少中立时滞的系统的鲁棒稳定性准则.数值例子表明了所得到结果的有效性.