离散时间神经网络的分布式时滞下无丢包H∞量化控制设计

本文是一篇深入研究的"一类具有分布时滞的离散时间神经网络基于最优通信网络的无丢包H-∞量化控制"的研究论文，发表于2016年2月的《IEEE Transactions on Neural Networks and Learning Systems》。论文由Qing-Long Han和Yurong Liu两位IEEE高级会员，以及Fuwen Yang另一位IEEE高级会员共同完成。 文章的核心焦点在于解决离散时间神经网络（DTNN）在分布式时滞环境下，通过优化通信网络实现无丢包H-∞量化控制的问题。在这个复杂系统中，控制策略不仅要考虑神经网络内部的信息处理，还要面对数据传输过程中的量化操作和可能发生的通信网络数据包丢失问题。 神经网络模型的状态信号被采用对数量化器进行预处理，这有助于减少信息损失。论文提出了一种创新方法，将控制器设计转化为线性矩阵不等式的可行性问题，这意味着通过解决这些不等式，设计者能够找到一个满足性能要求的最优控制增益。这个结果是通过明确的数学表达式得出的，具有很高的理论价值和实际应用潜力。 值得注意的是，这项工作突破了传统的控制理论框架，它不仅关注系统的稳定性，还考虑了实时性和效率，对于在网络受限的环境下实现高效、鲁棒的神经网络控制具有重要意义。通过无丢包的H-∞量化控制，可以保证即使在存在不确定性（如通信丢包）的情况下，系统仍能维持一定程度的性能保证，这对于工业自动化、物联网等领域的控制系统设计具有重大的工程价值。 这篇论文提供了一个有效的方法论，为分布式时滞离散时间神经网络在通信受限条件下的控制设计开辟了新的途径，并有望推动未来在实时性和性能之间寻求更佳平衡的控制技术的发展。