混沌控制与MCA学习算法的稳定变换法.doc

混沌控制与MCA学习算法的稳定变换法 摘要： 小成分分析（MCA），作为一种特征提取的最重要的技术，一直被广泛地用于数据分析领域。为了满足实时计算，并限制的计算复杂度的需求，名为MCA神经网络的仪器经常被使用，但是，其学习算法在一定条件下可以产生复杂的动态行为，如定期振动，分叉和混沌。本文引进混沌动力学理论去全面、正确地理解MCA中的数值不稳定性和迭代解的混沌现象。并且，以道格拉斯的MCA混沌控制为例，来详细讨论在MCA收敛控制中被使用的混沌反馈控制的稳定性变换法（STM）。正如离散动力系统的时间序列图、雅克比矩阵、李雅普诺夫指数所表明的那样，道格拉斯MCA的迭代映射所需要的固定点可以获得，并且算法的混沌行为可以控制在初始的混沌时间间隔内。 关键字：道格拉斯MCA；混沌控制；稳定变换法；雅克比矩阵；李雅普诺夫指数 第一章 引言 小成分是指对应于输入数据集的相关矩阵的小特征值，并且小成分分析是一种重要的数据分析技术。小成分分析可以用来提取数据的主要特征，并且MCA神经网络可以不通过预先计算相关矩阵来提取小成分，这使它成为一种理想的方式来降低计算复杂度，从而被广泛的用于数据分析和信号处理的实时应用中。例如运动目标显示，曲线和曲面拟合，总体最小二乘（TLS），杂波对消，频率估计，数字波束成形等。最近，一些MCA学习算法被提出以更新净重，如道格拉斯算法检测出来丰富的混沌现象。 MCA学习算法通常是由随机离散时间系统（SDT）描述的，但是直接地研究SDT模型的收敛性却十分困难.因此，把确定性的连续时间系统（DCT）和SDT模型联系起来分析。此外，由于计算性舍入限制和追踪需求，相应的随机逼近定理不能满足容易应用的需求，因此原算法的收敛性可以通过检查确定性离散时间系统（DDT）来解释。实际上，MCA算法的收敛性问题已根据相应的DDT系统来研究。 另一方面，本质上，非线性系统的迭代算法是一种离散的动态系统。从混沌动力学理论来看，如果动力系统的雅可比矩阵的特征值满足特定的条件，动力系统便可产生发散，周期振荡，分叉和混沌的不稳定现象。 在本质上，一个非线性迭代映射是由MCA的神经网络算法产生的，在不同参数的时间间隔内可以表现出不同的行为，其中，在某些条件下可以显示出典型的混沌现象 [8]。最近，有关问题的分析方面的关注程度不断增加。混沌理论应用到充分理解周期性振荡和混沌现象及其迭代求解的收敛失败问题。 作为MCA算法之一，道格拉斯的MCA算法可以显示MCA算法的大多数特性。因此，我们将获得普遍的MCA分析结果并且基于该算法的研究对其特性进行推广。这篇文章讨论了道格拉斯MCA算法的一些混沌现象的不同方面的原因。然后，在混沌控制理论的基础上，稳定转化法（STM）被应用于控制道格拉斯MCA混沌过程，并且稳定收敛解决方案可以被实现。具体来说，嵌入在MCA动力系统的周期和混沌轨道的不稳定不动点被STM所固定，数值仿真的结果也已被证实。控制结果由李雅普诺夫指数、时间序列和道格拉斯MCA算法分岔图所证明。 本文的成果如下所示：（1）道格拉斯的MCA的混沌行为通过一种混沌控制方法在原来的混沌间隔内控制，即STM，此外揭示了对称现象的一些内在原因。（2）通过研究道格拉斯的MCA算法，我们可以得到更有效的数值计算结果和普遍的成果，这可以对存在于大多数MCA算法的混沌现象提供一些见解。 本文的结构如下：基本混沌理论和稳定性变换法在第二章进行介绍。在第三章中，对道格拉斯的MCA算法的混沌动力学行为的描述以及混沌现象的根本原因进行了分析。在第四章中介绍了数值分析和有关道格拉斯MCA及STM的混沌控制的解释。在最后，第五章给出了结论。 第二章 基本混沌理论和混沌反馈控制的稳定性变换法 2.1. 混沌基本理论 混沌行为在物理世界和自然系统中被广泛观察到，20世纪中叶之后受到了来自不同领域的大量的关注。混沌理论是用来描述在某些非线性动力系统中的不稳定的行为并提供新的理论性和概念性的方法来解释混沌现象的科学理论。 通常情况下，n维离散动力系统是由下面的公式表示： （1） 其中x是一个n×1维状态向量，p是动力系统的控制参数向量。 李雅普诺夫指数是判断不收敛现象的一个数值方法。动力系统的李雅普诺夫指数是用来表征无限接近轨道的分离率的特征量。它仅仅是在轨迹点上的对映射函数导数的绝对值取自然对数的平均。对于函数的一维迭代系统，李雅普诺夫指数描述为： （2） 如果LE0，则该系统是保守的和收敛的，在相空间中的元素将保持不变地沿着一个轨迹运动，并且该轨迹对应于周期运动或固定点因而是稳定的。如果LE0，系统是耗散和发散的，轨迹不稳定，并且和相邻的轨