一類帶有時滯的模糊分數(shù)階廣義神經(jīng)網(wǎng)絡(luò)的定性分析

饒紹斌 呂小俊 聶家升 郝冰

摘 要：一階半線性微分方程的歐拉差分在過去十幾年里得到了迅速的發(fā)展，并得出了一些很好的結(jié)果。因此，各種歐拉差分方法已成為非常重要的研究課題。本文主要研究了帶有時滯的模糊分數(shù)階廣義神經(jīng)網(wǎng)絡(luò)，利用分數(shù)階微積分中的常數(shù)變分公式，建立了一類具有時滯的模糊分數(shù)階廣義神經(jīng)網(wǎng)絡(luò)的差分模型，并對該差分模型進行了定性分析。首先，利用壓縮映射原理證明了差分模型有界解和平衡點的存在唯一性；其次，利用不等式放縮技巧和反證法，證明了差分模型解的指數(shù)穩(wěn)定性。本文的研究成果，一方面可以豐富這類神經(jīng)網(wǎng)絡(luò)的理論成果；二方面可以拓展這類神經(jīng)網(wǎng)絡(luò)的應用范疇。

關(guān)鍵詞：Caputo分數(shù)階導數(shù)；廣義神經(jīng)網(wǎng)絡(luò)；差分方程；平衡點；指數(shù)穩(wěn)定

中圖分類號：O175.13

文獻標志碼：A

分數(shù)階微積分^［1-2］作為整數(shù)階微積分的推廣，它是將整數(shù)階微積分推廣到任意階，分數(shù)階導數(shù)是非局部的，它未來的狀態(tài)不僅取決于當前狀態(tài)，還取決于之前的狀態(tài)。這使我們能夠非常準確地描述問題，比傳統(tǒng)的“整數(shù)階”方法更好。如今，很多實際問題被描述為分數(shù)階微分模型，如熱傳導^［3-4］、神經(jīng)網(wǎng)絡(luò)^［5］、生物系統(tǒng)^［6］、機器人^［7］等。分數(shù)階神經(jīng)網(wǎng)絡(luò)為描述記憶和遺傳特性提供了一種有效的方法，在神經(jīng)網(wǎng)絡(luò)的發(fā)展過程中發(fā)揮著重要的作用。近年來，分數(shù)階神經(jīng)網(wǎng)絡(luò)的發(fā)展十分迅速，其動態(tài)特性一直是一個非常重要的研究課題，如周期性^［8］、同步^［5］、Hopf分岔^［6］、穩(wěn)定性^［9］和混沌^［10］等。

離散時間的神經(jīng)網(wǎng)絡(luò)模型更加的貼近現(xiàn)實。該模型有以下兩個優(yōu)點：一是可以將適用技術(shù)應用到現(xiàn)實的數(shù)字控制器而不是模擬的控制器；二是同步控制器可以在數(shù)字處理器中直接實現(xiàn)。因此，研究離散非線性系統(tǒng)的控制方法，可以更有效地應用于真實的系統(tǒng)中。近年來，從數(shù)學到計算機科學，從工程學到生物學，各種形式的數(shù)值方法^［11］被提出，用來求解整數(shù)階微分方程。眾所周知，Euler在18世紀提出了最簡單的數(shù)值方法（即Euler差分法）用差商代替微分方程的導數(shù)，得到差分方程。1883年，Bashforth和Adams首先提出了線性多級差分方法來討論差分方程，該方法在Euler差分法的基礎(chǔ)上進行了拓展，充分的利用了先前近似解的多級信息。1900年左右，Runge和Kutta引入了另一種重要的數(shù)值方法（即Runge-Kutta差分法）通過取多點斜率的加權(quán)平均值作為平均斜率的近似值。除此之外，在討論整數(shù)階微分方程時還可以應用其他的數(shù)值方法，如泰勒級數(shù)法^［12］、指數(shù)Euler差分方法^［13］、有限差分方法^［14］和有限元方法^［15］等。

模糊邏輯是由ZADEH^［16］在1965年提出的，它考慮了不確定性和模糊性，是模擬現(xiàn)實最常用和最重要的工具之一。YANG^［17］在1999年提出了模糊細胞神經(jīng)網(wǎng)絡(luò)及其在圖像處理中的應用。除了乘積和求和運算之外，模糊神經(jīng)網(wǎng)絡(luò)對模板輸入和輸出具有模糊邏輯。近年來，模糊Cohen-Grossberg神經(jīng)網(wǎng)絡(luò)因其在圖像處理和模式識別方面的優(yōu)越性而受到越來越多的關(guān)注^［18］。

論文其余部分的組織如下，第二部分主要證明和介紹了一些重要的定義和引理；第三部分利用分數(shù)階微積分中的常數(shù)變分公式，建立了具有時滯的Caputo分數(shù)模糊廣義神經(jīng)網(wǎng)絡(luò)的時間離散差分模型和一些性質(zhì)；第四部分利用壓縮映射原理證明了離散時間差分模型有界解和平衡點的存在性、唯一性；第五部分利用不等式放縮技巧和反證法，證明了離散時間差分模型解的全局指數(shù)穩(wěn)定性。

1 預備知識

2 時間離散及其性質(zhì)

3 有界解和平衡點的存在性和唯一性

4 指數(shù)穩(wěn)定性分析

5 結(jié)語

本文主要利用分數(shù)階微積分中的常數(shù)變分公式，提出了分數(shù)階模糊廣義神經(jīng)網(wǎng)絡(luò)的Euler差分模型。此外， 還討論了該差分模型的全局有界解和平衡點的存在性唯一性，以及解的全局指數(shù)穩(wěn)定性。在本文的研究基礎(chǔ)上，未來可以進行如下的拓展研究：

1）本文主要針對的是α∈（0，1］階進行討論，未來可以把它擴展到其它階數(shù)進行研究；

2） 本文是在Caputo型分數(shù)階微分方程下進行研究的，未來可以在其它類型的分數(shù)階微分方程進行類似的研究。

參考文獻：

[1]PODLUBNY I. Fractional Differential Equations［M］. San diego： Academic Press， 1999.

［2］ KILBAS A A， SRIVASTAVA H M， TRUJILLO J J. Theory and applications of fractional differential equations［J］. North-Holland Mathematics Studies， 2006， 204： 90-98.

［3］ HU W， FU Z J. A meshless collocation method for solving the inverse Cauchy problem associated with the variable-order fractional heat conduction model under functionally graded materials［J］. Engineering Analysis with Boundary Elements， 2022， 140： 132-144.

［4］ 李文， 芮偉國. 一個2+1維時間分數(shù)階熱傳導模型的精確解及其演化現(xiàn)象［J］. 昆明理工大學學報（自然科學版）， 2022， 47（6）： 189-196.

［5］ LIU P， LI Y L， SUN J W， et al. Event-triggered bipartite synchronization of coupled multi-order fractional neural networks［J］. Knowledge-Based Systems， 2022， ［2023-04-15］.https：//doi.org/10.1016/j.knosys.2022.109733.DOI： 10.1016/j.knosys.2022.109733.

［6］ 陸云翔， 肖敏， 陶斌斌， 等. 獨立非交叉?zhèn)鞑サ姆謹?shù)階生物競爭網(wǎng)絡(luò)Hopf分岔［J］. 復雜系統(tǒng)與復雜性科學， 2022， 19（1）： 1-11.

［7］ 周愛美， 王飛. 分數(shù)階微分Dλ型迭代學習算法在機器人控制中應用［J］. 機電工程技術(shù)， 2022， 51（5）： 233-237.

［8］ XU C J，ZHANG W， LIU Z X， et al.Delay-induced periodic oscillation for fractional-order neural networks with mixed delays［J］. Neurocomputing， 2022， 488： 681-693.

［9］ 劉健， 張志信， 蔣威. 含有離散時滯及分布時滯分數(shù)階神經(jīng)網(wǎng)絡(luò)的漸近穩(wěn)定性分析［J］. 應用數(shù)學和力學， 2020， 41（6）： 646-657.

［10］XU S C， WANG X Y， YE X L. A new fractional-order chaos system of hopfield neural network and its application in image encryption［J］， Chaos， Solitons&Fractals， 2022， ［2023-04-15］.https：//doi.org/10.1016/j.chaos.2022.111889.DOI： 10.1016/j.chaos.2022.111889.

［11］朱鵬程. Caputo型線性分數(shù)階常微分方程的一種新的高階數(shù)值方法［J］. 科學技術(shù)創(chuàng)新， 2022， 34： 35-39.

［12］王永， 張磊. 基于3步4階隱式泰勒級數(shù)法的電磁暫態(tài)數(shù)值計算方法［J］. 電力系統(tǒng)保護與控制， 2018， 46（11）： 8-13.

［13］HU P， HUANG C M. Delay dependent asymptotic mean square stability analysis of the stochastic exponential Euler method［J］.Journal of Computational and Applied Mathematics， 2021， ［2023-04-15］.https：//doi.org/10.1016/j.cam.2020.113068.DOI： 10.1016/j.cam.2020.113068.

［14］王希， 張爽， 胡勁松. 求解廣義BBM-KdV方程的守恒型有限差分方法［J］. 哈爾濱理工大學學報， 2022， 27（4）： 147-153.

［15］BIEZEMANS R A， BRIS C L， LEGOLL F， et al.Non-intrusive implementation of multiscale finite element methods： an illustrative example［J］. Journal of Computational Physics， 2023， ［2023-04-15］.https：//doi.org/10.1016/j.jcp.2023.111914.DOI： 10.1016/j.jcp.2023.111914.

［16］ZADEH L A. Fuzzy sets［J］. Information and Control， 1965， 8： 338-353.

［17］YANG T. Fuzzy cellular neural networks and their applications to image processing［J］. Advances in Imaging and Electron Physics， 1999， 109： 265-446.

［18］ABDELAZIZ M， CHERIF F. Piecewise asymptotic almost periodic solutions for impulsive fuzzy Cohen Grossberg neural networks［J］. Chaos， Solitons & Fractals， 2020， ［2023-04-15］.https：//doi.org/10.1016/j.chaos.2019.109575.DOI： 10.1016/j.chaos.2019.109575.

［19］WANG J R， FECKAN M， ZHOU Y. Presentation of solutions of impulsive fractional Langevin equations and existence results［J］. The European Physical Journal Special Topics， 2013， 222： 1857-1874.

［20］YANG T， YANG L B. The global stability of fuzzy cellular neural networks［J］. IEEE Transactions on Circuits and Systems I， 1996， 43：880-883.

（責任編輯：于慧梅）

Qualitative Analysis of a Class of Fuzzy Fractional-Order

Generalized Neural Networks with Time Delays

RAO Shaobin1， LV Xiaojun^*1， NIE Jiasheng1， HAO Bing2

（1.College of Applied Technology，Soochow University， Suzhou 215325， China; 2.College of Oxbridge，Kunming University of Science and Technology， Kunming 650106， China）

Abstract： Euler difference of first order semilinear differential equations has been developed rapidly in the last decade and some good results have been obtained. Therefore， various Euler difference methods have become very important research topics. This paper mainly studies fuzzy fractional-order generalized neural networks with time delay. A kind of difference model of fractional-order generalized neural network with time delay is established using the constant variational formula in fractional-order calculus. Firstly， the existence and uniqueness of the bounded solution and the equilibrium point of the difference model are proved by the compression mapping principle. Secondly， the exponential stability of the solution of the difference equation is proved by means of inequality reduction technique and inverse proof. The research results of this paper can enrich the theoretical achievements of this kind of neural networks and expand their application scope.

Key words： Caputo fractional derivative; generalized neural networks; difference equation; equilibrium point; exponential stability