摘要：这项工作研究了主从(MS)模糊神经网络(FNN)与随机执行器故障的同步。为了降低通信通道和控制器的负载，提出了通信信道和控制器的同步脉冲驱动策略。在基于接收到的主FNN的测量值，设计了由基于观察器的控制器和静态控制器组成的混合控制器。还考虑了随机发生的执行器故障。根据李亚普诺夫方法，满足保证MS FNN同步的充分条件，并利用获得的结果设计了控制器增益。

关键词：模糊神经网络同步；随机执行器故障；脉冲控制；混合控制器

0 引言

     模糊神经网络(FNN)由许多神经元相互连接而成，具有逼近任何非线性系统的能力。近年来，神经网络(NN)已成功并广泛应用于图像处理、信号优化、模式识别、定点计算、专家预测等领域科学或工程。随着实际系统复杂性的增加，模糊模式被证明是一个强大的工具，可以提供描述复杂非线性系统的合适框架。最近，我研究了与FNN相关的问题，包括稳定性分析和同步，并取得了一些灵感和成果，同时研究了具有渐近性的分数阶FNN。得出了研究该FNN的有界性和Mittag Leffler稳定性的系统方法。TS FNN用于描述马尔可夫跳跃非线性系统，并研究了有限时间间隔内不确定测量的H∞异步状态估计，表明连续时间FNN有很多重要的工作。然而，随着计算机技术的发展，离散时间模糊神经网络值得进一步研究。

    “一组NN的同步意味着从NN的动态行为可以与主NN一致”-这是工程中的一个热门话题，因为它具有潜力在安全通信、自动控制、人工智能等方面应用。由于神经网络的改进，离散时间模糊神经网络的同步也得到了研究，并取得了一些重要的研究成果。在研究中，具有非线性耦合强度和概率耦合延迟的模糊网络的集群同步是通过钉扎控制策略获得的。从记忆神经网络和主记忆神经网络之间的指数同步是通过周期性间歇控制方法实现的，人为模糊复杂网络设计了一种具有非均匀采样通信的事件触发同步控制器。现有的同步策略大多是在主系统状态可用的条件下设计的，而主系统的状态并不总是完全可测量的。因此，充分利用可用的测量信息，为模糊神经网络设计一种新型的同步控制策略也是必要的，也是可以实现的。

      脉冲控制作为一种非连续时间控制策略，在实际工程和理论研究中得到了广泛的应用，它不仅降低了传输负荷和系统成本，而且提高了控制器的效率。近年来，脉冲控制策略被许多学者用于不同类型系统的同步，其中在时间尺度上建立了一种新的基于脉冲控制的准同步准则，利用脉冲控制方法实现了领导者-跟随者异构动态网络的近似同步。但是，对于离散时间模糊神经网络的同步脉冲控制需要进一步考虑，这更有利于提高模糊神经网络的灵活性和适用性。

1 问题陈述

1.1 FNN描述

      这项工作中考虑的主FNN满足以下规则：

      如果ξ1(k-1)属于mi1，…，ξp(k-1)属于mip，

那么

      其中x(k)∈Rn为主FNN的状态，zx(k)∈Rm为测量值。ξ1(k)，…，ξp(k)是构成时间函数的前提变量，mi1，…，mip为模糊集。

      备注 1.大多数现有工作都假设主系统的状态可用。然后设计基于状态的控制器来实现MS系统的同步。然而，由于FNNs的复杂结构和传感器的约束，直接测量主FNNs的所有状态是不可避免的，即主FNNs的部分状态信息是可用的。因此，MS FNN(3)和(4)的同步变得更加困难。

1.2 基于脉冲的观察器和混合控制器

      对于网络化控制系统而言，丢包、传输延迟、量化误差等不可靠通信问题主要是由通 信负载引起的(Xu, Yang, Wang, Rao, & Lu, 0000b; Xu, Zhou , Rao, Lu, & Xie, 0000c).为了提高通信信道的效率，引入了脉冲驱动传输，其中传输的测量值表示为

      其中{km}是k0 = 0的单调递增序列。两个连续脉冲km和km−1之间的间隔定义为ℓm， 即

      其中我们假设区间ℓm满足

      由于只能测量主FNN的部分状态的限制，设计了以下脉冲观察器来估计主NN的状态：

       其中x^(k)是观察者状态，Lj∈Rn*m是需要设计的观察者增益。x^(k+m)是x^(km)在瞬间km的重置状态。

      为了提高控制器的效率，混合控制器设计为：

      其中k1i∈Rn*m和k2i∈Rn*m为反馈控制关于模糊特性的增益。

2 小结

       在这项工作中研究了离散时间MS FNN的同步，其中考虑了随机发生的执行器故障。引入了脉冲技术以减少通信信道负载并提高控制器的效率。基于接收到的主FNN的测量值，设计了一个由静态控制器和基于观察器的控制器组成的混合控制器。则MS FNNs同步的充分条件已经获得。此外，已经推导出观察器和控制器增益。最后，通过算例对所设计的混合控制器进行了说明。