利用非周期性采样数据的事件触发控制以稳定NN-based控制系统

简介：
该研究主题聚焦于采用非周期性采样数据的事件触发控制方法以稳定基于神经网络的控制系统。作为交叉学科领域的研究方向之一，该课题旨在探索非均匀采样神经网络控制系统稳定性问题的有效解决方案。 该论文提出了一种基于非周期性采样数据的新事件触发数据传输机制。这种机制的独特之处在于它巧妙地结合了非均匀采样与事件触发采样的优势。传统控制系统中，通常采用固定周期进行采样，但在实际应用过程中，受多种因素影响，可能导致采样周期发生变化。事件触发控制（Event-triggered control, ETC）作为一种前沿的控制方法，在具体实施时会根据系统的实际情况来决定数据传输和处理的时间节点，而不是固守固定的间隔时间。这样一来，该策略能够有效降低不必要的通信与计算资源消耗。在研究中，研究者开发了一种新型的事件驱动策略，并通过该策略构建了一个基于三层全连接前馈神经网络的事件触发控制方案。在采用非周期性的事件触发数据传输模式时，所设计的闭环控制系统其稳定特性被模拟为一种状态滞后系统。通过应用Lyapunov-Krasovskii泛函理论，本研究得出了关于闭环控制系统稳定性的判定标准。随后，为了确保所设计的闭环系统不仅具有渐近稳定性，还能满足关于目标成本函数上限的需求，本研究得出了基于矩阵不等式的可行性判定条件；这些判据为精确设计符合三层全连接前馈神经网络架构的事件触发控制器及其相关参数提供了理论基础。在论文的介绍部分，作者首先回顾了神经网络（Neural Networks）在多个领域展现出显著的应用前景，并特别指出神经网络控制系统（Neural-network-based control systems, NNBCS）已获得了广泛的关注。值得注意的是，在该领域的研究中已取得显著进展的同时，非均匀采样的应用也逐渐成为控制理论中的一个重要研究方向。论文进一步分析表明，相较于传统周期性采样策略而言，非均匀采样不仅能够有效提升系统的性能指标，还可能通过减少定时更新频率来降低资源消耗。为了证明所提出的系统有效性及其优势，该系统利用三个数值示例进行阐述。这些示例不仅证明了非周期性采样数据事件触发控制策略的优越性，并且展示了如何通过这一策略有效地减少控制器更新频率的同时保证闭环系统的稳定性。该研究表明，采用智能化的控制策略可以有效优化控制系统性能并降低资源消耗，同时维持控制精度。本文从控制理论的角度提出了一种基于非周期性和事件驱动的新型采样方法，并进一步研究了该技术在神经网络控制系统中的具体应用方案。这些成果不仅丰富了控制理论的理论体系，也为相关领域的实际应用提供了新的思路。