复杂网络控制系统动力学及其应用【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

复杂网络控制系统动力学及其应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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