复杂网络控制系统动力学及其应用PDF电子书下载

第1章 绪论 1

1.1 网络控制系统 1

1.1.1 网络控制系统研究背景及意义 1

1.1.2 网络控制系统研究现状 2

1.2 神经网络动力学 3

1.2.1 神经网络研究简况 4

1.2.2 递归神经网络稳定性研究现状 6

1.3 复杂网络动力学 8

1.3.1 神经网络网络化同步控制 9

1.3.2 复杂网络动力学研究现状 11

1.4 复杂网络应用 12

1.5 本书主要内容 13

第2章 网络控制系统的量化控制——对数量化 16

2.1 引言 16

2,2 对数量化器 17

2.3 稳定性分析和量化控制器的设计 18

2.3.1 系统描述 18

2.3.2 稳定性分析 22

2.3.3 量化控制器的设计 25

2.3.4 仿真实例 26

2.4 基于观测器的网络控制系统的动态输出量化控制 27

2.4.1 系统建模 27

2.4.2 主要结果 30

2.4.3 仿真实例 38

2.5 本章小结 38

第3章 网络控制系统的量化控制——时变量化 39

3.1 引言 39

3.2 时变量化器 39

3.3 离散网络控制系统的量化控制 41

3.3.1 系统建模 41

3.3.2 稳定性分析和量化控制器的设计 43

3.3.3 量化H∞控制器设计 50

3.3.4 量化动态输出反馈控制 54

3.4 基于观测器的网络控制系统的量化输出控制&. 61

3.4.1 系统建模 61

3.4.2 主要结果 63

3.4.3 仿真实例 73

3.5 本章小结 75

第4章 基于随机模型的网络控制系统的分析与综合 76

4.1 引言 76

4.2 系统建模 76

4.3 随机稳定性分析 82

4.4 鲁棒随机镇定 90

4.5 随机H∞性能分析 92

4.6 本章小结 99

第5章 区间时滞递归神经网络鲁棒全局渐近稳定性分析 100

5.1 引言 100

5.2 时滞区间的下界为零 101

5.2.1 系统模型与预备知识 101

5.2.2 鲁棒全局渐近稳定性分析 104

5.2.3 数值例子 116

5.3 连续型区间时滞递归神经网络 119

5.3.1 系统模型与预备知识 119

5.3.2 鲁棒全局渐近稳定性分析 120

5.3.3 数值例子 134

5.4 离散型区间时滞递归神经网络 135

5.4.1 系统模型与预备知识 136

5.4.2 鲁棒全局渐近稳定性分析 137

5.4.3 数值例子 141

5.5 本章小结 143

第6章 随机递归神经网络的网络化同步控制 144

6.1 引言 144

6.2 网络化同步控制的系统模型和预备知识 145

6.2.1 驱动系统 145

6.2.2 基于网络的响应系统 146

6.2.3 误差系统 148

6.3 误差系统稳定性分析 149

6.4 控制器设计 153

6.5 数值例子与仿真 155

6.5.1 数值结果 156

6.5.2 基于True Time的仿真 156

6.6 本章小结 162

第7章 概率型混合时滞随机离散神经网络稳定性 163

7.1 引言 163

7.2 问题描述 164

7.3 主要结果 167

7.4 数值仿真 175

7.5 本章小结 178

第8章 基于度相关性特征的复杂网络能控性分析 179

8.1 引言 179

8.2 复杂网络的拓扑结构 179

8.2.1 基本概念 179

8.2.2 特征量 180

8.3 复杂网络的牵制控制 181

8.3.1 牵制控制 182

8.3.2 能控性 182

8.3.3 控制策略 184

8.4 度相关性特征对网络能控性的影响 184

8.4.1 网络模型 184

8.4.2 基于控制增益的能控性分析 185

8.4.3 基于牵制控制器的能控性分析 186

8.4.4 基于混合牵制策略的能控性分析 188

8.5 本章小结 188

第9章 复杂网络应用Ⅰ——基于时延耦合格子的图像加密算法 190

9.1 引言 190

9.2 加密系统 191

9.2.1 排列算法 191

9.2.2 扩散算法 192

9.2.3 解密算法 195

9.3 安全性分析 196

9.3.1 统计分析 196

9.3.2 密钥空间分析 199

9.3.3 密钥敏感性分析 199

9.3.4 差分攻击 201

9.3.5 抵御已知明文攻击和选择明文攻击 202

9.4 本章小结 203

第10章 复杂网络应用Ⅱ——可控概率型粒子群算法 204

10.1 引言 204

10.2 粒子群算法 204

10.2.1 传统的粒子群算法 204

10.2.2 一些改进的粒子群算法 205

10.3 可控概率型粒子群算法 206

10.3.1 控制惯性系数 206

10.3.2 具有可控概率的粒子群算法 208

10.3.3 精英局部学习方法 211

10.4 实验结果 212

10.4.1 实验初始化 212

10.4.2 调节学习率和惩罚率 215

10.4.3 解精确性的比较 215

10.4.4 收敛速度的比较 219

10.4.5 成功率比较 220

10.5 分析自适应惯性系数和可控概率方法 220

10.6 本章小结 221

参考文献 222