復雜網(wǎng)絡控制系統(tǒng)動力學及其應用

前言
第1章 緒論
1.1 網(wǎng)絡控制系統(tǒng)
1.1.1 網(wǎng)絡控制系統(tǒng)研究背景及意義
1.1.2 網(wǎng)絡控制系統(tǒng)研究現(xiàn)狀
1.2 神經(jīng)網(wǎng)絡動力學
1.2.1 神經(jīng)網(wǎng)絡研究簡況
1.2.2 遞歸神經(jīng)網(wǎng)絡穩(wěn)定性研究現(xiàn)狀
1.3 復雜網(wǎng)絡動力學
1.3.1 神經(jīng)網(wǎng)絡網(wǎng)絡化同步控制
1.3.2 復雜網(wǎng)絡動力學研究現(xiàn)狀
1.4 復雜網(wǎng)絡應用
1.5 本書主要內(nèi)容
第2章 網(wǎng)絡控制系統(tǒng)的量化控制——對數(shù)量化
2.1 引言
2.2 對數(shù)量化器
2.3 穩(wěn)定性分析和量化控制器的設計
2.3.1 系統(tǒng)描述
2.3.2 穩(wěn)定性分析
2.3.3 量化控制器的設計
2.3.4 仿真實例
2.4 基于觀測器的網(wǎng)絡控制系統(tǒng)的動態(tài)輸出量化控制
2.4.1 系統(tǒng)建模
2.4.2 主要結果
2.4.3 仿真實例
2.5 本章小結
第3章 網(wǎng)絡控制系統(tǒng)的量化控制——時變量化
3.1 引言
3.2 時變量化器
3.3 離散網(wǎng)絡控制系統(tǒng)的量化控制
3.3.1 系統(tǒng)建模
3.3.2 穩(wěn)定性分析和量化控制器的設計
3.3.3 量化H∞控制器設計
3.3.4 量化動態(tài)輸出反饋控制
3.4 基于觀測器的網(wǎng)絡控制系統(tǒng)的量化輸出控制
3.4.1 系統(tǒng)建模
3.4.2 主要結果
3.4.3 仿真實例
3.5 本章小結
第4章 基于隨機模型的網(wǎng)絡控制系統(tǒng)的分析與綜合
4.1 引言
4.2 系統(tǒng)建模
4.3 隨機穩(wěn)定性分析
4.4 魯棒隨機鎮(zhèn)定
4.5 隨機H∞性能分析
4.6 本章小結
第5章 區(qū)間時滯遞歸神經(jīng)網(wǎng)絡魯棒全局漸近穩(wěn)定性分析
5.1 引言
5.2 時滯區(qū)間的下界為零
5.2.1 系統(tǒng)模型與預備知識
5.2.2 魯棒全局漸近穩(wěn)定性分析
5.2.3 數(shù)值例子
5.3 連續(xù)型區(qū)間時滯遞歸神經(jīng)網(wǎng)絡
5.3.1 系統(tǒng)模型與預備知識
5.3.2 魯棒全局漸近穩(wěn)定性分析
5.3.3 數(shù)值例子
5.4 離散型區(qū)間時滯遞歸神經(jīng)網(wǎng)絡
5.4.1 系統(tǒng)模型與預備知識
5.4.2 魯棒全局漸近穩(wěn)定性分析
5.4.3 數(shù)值例子
5.5 本章小結
第6章 隨機遞歸神經(jīng)網(wǎng)絡的網(wǎng)絡化同步控制
6.1 引言
6.2 網(wǎng)絡化同步控制的系統(tǒng)模型和預備知識
6.2.1 驅動系統(tǒng)
6.2.2 基于網(wǎng)絡的響應系統(tǒng)
6.2.3 誤差系統(tǒng)
6.3 誤差系統(tǒng)穩(wěn)定性分析
6.4 控制器設計
6.5 數(shù)值例子與仿真
6.5.1 數(shù)值結果
6.5.2 基于True Time的仿真
6.6 本章小結
第7章 概率型混合時滯隨機離散神經(jīng)網(wǎng)絡穩(wěn)定性
7.1 引言
7.2 問題描述
7.3 主要結果
7.4 數(shù)值仿真
7.5 本章小結
第8章 基于度相關性特征的復雜網(wǎng)絡能控性分析
8.1 引言
8.2 復雜網(wǎng)絡的拓撲結構
8.2.1 基本概念
8.2.2 特征量
8.3 復雜網(wǎng)絡的牽制控制
8.3.1 牽制控制
8.3.2 能控性
8.3.3 控制策略
8.4 度相關性特征對網(wǎng)絡能控性的影響
8.4.1 網(wǎng)絡模型
8.4.2 基于控制增益的能控性分析
8.4.3 基于牽制控制器的能控性分析
8.4.4 基于混合牽制策略的能控性分析
8.5 本章小結
第9章 復雜網(wǎng)絡應用Ⅰ——基于時延耦合格子的圖像加密算法
9.1 引言
9.2 加密系統(tǒng)
9.2.1 排列算法
9.2.2 擴散算法
9.2.3 解密算法
9.3 安全性分析
9.3.1 統(tǒng)計分析
9.3.2 密鑰空間分析
9.3.3 密鑰敏感性分析
9.3.4 差分攻擊
9.3.5 抵御已知明文攻擊和選擇明文攻擊
9.4 本章小結
第10章 復雜網(wǎng)絡應用Ⅱ——可控概率型粒子群算法
10.1 引言
10.2 粒子群算法
10.2.1 傳統(tǒng)的粒子群算法
10.2.2 一些改進的粒子群算法
10.3 可控概率型粒子群算法
10.3.1 控制慣性系數(shù)
10.3.2 具有可控概率的粒子群算法
10.3.3 精英局部學習方法
10.4 實驗結果
10.4.1 實驗初始化
10.4.2 調(diào)節(jié)學習率和懲罰率
10.4.3 解精確性的比較
10.4.4 收斂速度的比較
10.4.5 成功率比較
10.5 分析自適應慣性系數(shù)和可控概率方法
10.6 本章小結
參考文獻