基于 Hopfield 神经网络的在线约束参数估计：时变动力学与扰动

本文提出两种基于投影的 Hopfield 神经网络 (HNN) 参数估计器，用于在时变数据、加性扰动及参数缓变的条件下进行在线约束参数估计。第一种是一种受约束感知的 HNN，通过松弛神经元强制执行线性等式和不等式约束，并持续跟踪受约束最小二乘目标。第二种则通过状态增益和拼接的再加权器，引入补偿神经元，以在相同的能量函数中吸收类似偏置的扰动成分。对于这两种估计器，我们建立了全局一致最终有界性分析，给出明确的收敛速率和最终有界界限，并推导了实用的调谐规则，将三组设计增益与闭环带宽和稳态精度关联。我们还引入了一个在线可辨识监测器，用于自适应调整约束权重和时间步长，并在必要时将更新投影到可辨识子空间，以防止在激励不足方向上的漂移。