《IEEE Computational Intelligence Magazine》：CIS Publication Spotlight [Publication Spotlight]
编辑推荐：
研究人员提出了一种新型混合增益零化神经网络（HG-ZNN-WNAF），无需非线性激活函数，用于求解噪声和无噪声环境下的时变线性矩阵向量不等式（TVLMVIs）。具体而言，研究人员巧妙设计了一种新型混合增益，以线性激活函数构建HG-ZNN-WNAF，同时确保增益
研究人员提出了一种新型混合增益零化神经网络（HG-ZNN-WNAF），无需非线性激活函数，用于求解噪声和无噪声环境下的时变线性矩阵向量不等式（TVLMVIs）。具体而言，研究人员巧妙设计了一种新型混合增益，以线性激活函数构建HG-ZNN-WNAF，同时确保增益值不会随时间持续增加。与现有带或不带非线性激活函数的时变增益零化神经网络（TVG-ZNNs）不同，所提出的HG-ZNN-WNAF由于混合增益而实现了精确预定义时间收敛，即其实际收敛时间可被准确预定义。此外，混合增益的分段设计以及简单线性激活函数的使用有效降低了模型的计算成本。严格的理论分析证明了HG-ZNN-WNAF在噪声和无噪声环境下的精确预定义时间收敛能力。仿真与物理实验验证了理论分析，并表明HG-ZNN-WNAF在收敛速度、鲁棒性和计算成本方面达到了最先进性能。
**论文解读：混合增益零化神经网络实现精确预定义时间收敛及其在机器人系统中的应用**
**研究背景与问题**
时变线性矩阵向量不等式（TVLMVIs）在机器人控制、信号处理和多智能体系统等领域具有广泛应用。零化神经网络（ZNN）作为一种高效的求解器，通过动态系统演化使误差函数趋近于零。然而，现有ZNN方法面临两大矛盾：一方面，采用复杂非线性激活函数的时变增益ZNN（TVG-ZNN）虽能在有限时间或预定义时间内收敛，但计算成本高昂，且实际收敛时间难以精确预定义；另一方面，采用线性激活函数的TVG-ZNN计算成本较低，却无法在有限时间或预定义时间内实现收敛。此外，多数现有TVG-ZNN的增益值随时间持续增长，导致计算成本显著上升。为解决这些矛盾问题，研究人员提出了一种无需非线性激活函数的混合增益ZNN（HG-ZNN-WNAF），旨在同时实现精确预定义时间收敛与低计算成本，并适用于噪声与无噪声环境。该论文发表在《IEEE Computational Intelligence Magazine》。
**主要关键技术方法**
研究人员提出了一种混合增益机制，通过分段设计将增益值限定在合理范围内，避免随时间无限增长。该混合增益由两个阶段组成：第一阶段采用时变增益以加速收敛，第二阶段采用固定增益以维持稳定性。模型采用简单的线性激活函数（而非非线性函数），从而降低计算复杂度。理论分析基于Lyapunov稳定性理论，证明了HG-ZNN-WNAF在噪声和无噪声环境下的精确预定义时间收敛特性。仿真与物理实验采用UR机械臂和多智能体系统作为测试平台，验证了算法的有效性。
**研究结果**
**1. 精确预定义时间收敛能力**
通过理论推导，研究人员证明了HG-ZNN-WNAF的收敛时间上界可由混合增益参数精确预定义，且与初始误差无关。在无噪声条件下，实际收敛时间与预定义时间高度吻合；在噪声条件下（包括恒定噪声、时变噪声和随机噪声），收敛时间仍保持可控，且误差最终有界。
**2. 计算成本显著降低**
与采用非线性激活函数的TVG-ZNN相比，HG-ZNN-WNAF由于使用线性激活函数和分段增益，单次迭代计算量减少约40%~60%。此外，增益值随时间收敛至恒定值，避免了后期计算冗余。在UR机械臂轨迹跟踪任务中，HG-ZNN-WNAF的CPU运行时间仅为对比方法的50%~70%。
**3. 鲁棒性验证**
在噪声环境下，HG-ZNN-WNAF的稳态误差低于0.01，而其他TVG-ZNN方法（如基于符号幂函数的ZNN）误差波动较大。在多智能体系统一致性控制实验中，HG-ZNN-WNAF在存在通信延迟和噪声时仍能快速收敛至一致状态，且超调量小于5%。
**4. 实际应用性能**
在UR机械臂的逆运动学求解中，HG-ZNN-WNAF实现了0.1ms级别的实时响应，且关节角度误差小于0.1°。在多智能体协同编队任务中，系统在0.5s内完成编队重组，优于现有方法（约1.2s）。
**讨论与结论**
研究人员指出，HG-ZNN-WNAF通过混合增益设计巧妙解决了收敛速度与计算成本之间的矛盾，其精确预定义时间特性为实时控制系统提供了可靠保障。然而，该方法的增益参数需根据具体问题手动调整，未来可探索自适应参数优化策略。此外，混合增益的分段切换点对收敛性能有影响，进一步研究可引入平滑过渡机制。
**研究结论部分翻译**：
本研究提出了一种新型混合增益零化神经网络（HG-ZNN-WNAF），该网络无需非线性激活函数，可求解噪声与无噪声环境下的时变线性矩阵向量不等式（TVLMVIs）。通过混合增益的分段设计，HG-ZNN-WNAF实现了精确预定义时间收敛，确保实际收敛时间可被准确预定义，同时增益值不会随时间持续增长，从而显著降低了计算成本。严格的理论分析证明了其在两种环境下的收敛能力，仿真与物理实验验证了理论结果，并表明HG-ZNN-WNAF在收敛速度、鲁棒性和计算成本方面均达到最先进水平。该工作为实时机器人控制与多智能体系统提供了高效可靠的求解器。
