Dieser Artikel konzentriert sich auf das Design eines Ereignisauslösecontrollers für die Synchronisation von T-S-Fuzzy-Neuronalen Netzwerken in einer Umgebung mit betrügerischen Angriffen. Der traditionelle Ereignisauslösemechanismus (ETM) bestimmt den nächsten Auslösezeitpunkt basierend auf dem aktuellen Abtastpunkt, was zu Netzwerküberlastung und Problemen mit betrügerischen Angriffen und nicht messbaren Systemzuständen führen kann. Um die Systemstabilität zu verbessern, verwenden wir einen adaptiven Erkennungsmechanismus, um das Auftreten von Ereignissen in einem spezifischen Zeitraum zu identifizieren, und gleichzeitig betrügerische Angriffe neu zu gestalten, um allgemeine Szenarien abzudecken. Konkrete Verbesserungen sind wie folgt: Erstens modellieren wir den Mechanismus des Auftretens betrügerischer Angriffe mit einem Bernoulli-Prozess, der als verallgemeinerter Markow-Prozess mehrere Angriffsszenarien beschreibt; Zweitens führen wir einen dynamischen diskreten Ereignisauslösemechanismus basierend auf der Summe und dem Wert (SDDETM) ein, der historische Abtastwerte und interne dynamische Variablen kombiniert, um die nachfolgenden Auslöseereignisse zu bestimmen; schließlich integrieren wir einen dynamischen Ausgangsrückkopplungscontroller (DOFC), um die Stabilität des Systems zu gewährleisten. Durch die Anwendung des Kegelauffüllungslinie-Linearisierungsalgorithmus (CCL) erreichen wir das gemeinsame Design der DOFC- und SDDETM-Parameter. Die Wirksamkeit dieses Algorithmus wurde anhand von zwei Simulationen verifiziert.

Dynamischer diskreter Ereignisauslösemechanismus basierend auf der Summe und dem Wert; T-S-Fuzzy-Modell; Betrügerischer Angriff