-
题名求解时变凸二次规划的变参积分动态学习网络
- 1
-
-
作者
陆荣秀
黄伟
杨辉
张智军
-
机构
华东交通大学电气与自动化工程学院
江西省先进控制与优化重点实验室
华南理工大学自动化科学与工程学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2022年第9期1853-1861,共9页
-
基金
国家自然科学基金项目(61863014,61733005,61963015)资助
国家重点研发计划项目(2020YFB1713700)资助
江西省自然科学基金项目(20171ACB21039、20192BAB207024)资助。
-
文摘
凸二次规划问题在许多领域都有着广泛的应用,系统分析、组合优化等诸多科学问题和工程问题都可以表述为二次规划问题后求解.为了高效地求解线性等式约束下的时变凸二次规划问题,本文提出了一种基于误差积分设计的新型变参积分动态学习网络.该网络引入时变指数型设计参数,具有灵活和自适应调整的特点.理论分析证明变参积分动态学习网络在使用单调递增的奇激活函数时有全局收敛性质和较强的鲁棒性.除此之外,变参积分动态学习神经网络还具有灵活的控制策略和超指数级收敛速率.仿真实验结果表明,使用不同激活函数的变参积分动态学习网络比传统的微分神经网络(即梯度神经网络,零化神经网络和变参收敛微分神经网络)有更好的收敛性质.
-
关键词
变参积分动态学习网络
时变问题求解
二次规划
收敛性
鲁棒性
-
Keywords
varying-parameter integral dynamic learning network
time-varying problem solving
quadratic programming
convergence
robustness
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名求解时变非线性不等式的新型动态学习网络
被引量：1
- 2
-
-
作者
陆荣秀
黄学文
杨辉
张智军
-
机构
华东交通大学电气与自动化工程学院
华东交通大学江西省先进控制与优化重点实验室
华南理工大学自动化科学与工程学院
华南理工大学广东省人工智能与数字经济实验室
-
出处
《控制工程》
CSCD
北大核心
2022年第3期404-412,共9页
-
基金
国家自然科学基金资助项目(61863014,61733005,61976096)
国家重点研发计划项目(2020YFB1713700)。
-
文摘
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。
-
关键词
混合变参动态学习网络
时变矢量型非线性不等式
收敛性
鲁棒性
-
Keywords
Mixed variant-parameter dynamic learning network
time-variant vector-type nonlinear inequalities
convergence
robustness
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名动态神经元网络的直接自适应控制与应用
- 3
-
-
作者
王一平
戴琼海
柴天佑
-
机构
辽宁广播电视大学阜新分校
东北大学
-
出处
《阜新矿业学院学报》
1996年第2期230-233,共4页
-
基金
国家自然科学基金
-
文摘
本文对一类未知的非线性多变量系统,提出了用动态神经元网络实现直接自适应控制的策略;基于 Lyapunov理论,获得一个稳定且连续的学习律,避免了递归训练过程;闭环系统被证明是稳定的。这种方法的特点是,不需要离线学习阶段;对非线性电机仿真的结果验证了提出的动态网自适应控制算法的有效性。
-
关键词
动态神经元网络
自适应控制
非线性变参系统
-
Keywords
dynamical nearal networks
mulivarible nonlinear system
adaptive control
nonlinear power
-
分类号
TP273.2
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名条件变分时序图自编码器
被引量：2
- 4
-
-
作者
陈可佳
鲁浩
张嘉俊
-
机构
南京邮电大学计算机学院
江苏省大数据安全与智能处理重点实验室(南京邮电大学)
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2020年第8期1663-1673,共11页
-
基金
国家自然科学基金项目(61772284)。
-
文摘
网络表示学习(也被称为图嵌入)是链接预测、节点分类、社区发现、图可视化等图任务的基础.现有大多数的图嵌入算法主要是针对静态图开发的,难以捕捉现实世界的网络随时间进化的动态特征.目前,针对动态网络表示学习方法的研究工作仍相对不足.提出了条件变分时序图自编码器(TS-CVGAE),可以同时学习动态网络的局部结构和随时间的演化模式.该方法首先改进了传统图卷积得到时序图卷积,并在条件变分自编码器的框架下使用时序图卷积对网络节点进行编码.训练结束后,条件变分自编码器的中间层就是最终的网络嵌入结果.实验结果表明,该方法在4个现实动态网络数据集上的链接预测表现均优于相关的静、动态网络表示学习方法.
-
关键词
网络表示学习
条件变分自编码器
动态网络
图卷积
链接预测
-
Keywords
network representation learning
conditional variational auto-encoder
dynamic network
graph convolution
link prediction
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
