Оптимізація контролю нелінійних стохастичних систем з невідомими параметрами за допомогою радіально-базисних нейромереж
- Деталі
- Категорія: IT-технології
- Останнє оновлення: Субота, 02 квітня 2016, 13:49
- Опубліковано: Субота, 02 квітня 2016, 13:49
- Перегляди: 4925
Автори:
Інмінь І, Сіаньський технологічний університет, провінція Шенсі, м. Сіань, КНР
Сянжу Ху, Сіаньський технологічний університет, провінція Шенсі, м. Сіань, КНР
Реферат:
Мета. Існує два типи невизначеності – та що усувається та не усувається. Невизначеність включає не лише невизначеність сигналу перешкод, але й невідомість параметрів системи. У роботі розглянуте завдання управління стохастичними нелінійними системами з невідомими параметрами. Для вирішення завдання контролю та навчання класу нелінійних систем з невідомими параметрами використана нейронна мережа. Мета полягає в контролі стохастичної, однорідної, нелінійної системи з одним входом і одним виходом.
Методика. Апроксимація нелінійної функції була проведена за допомогою радіально-базисної нейронної мережі. Оптимальні лінійні параметри, що вимагають визначення, послідовно (лінійно) з'являються в рівнянні виходу.
Результати. Розрахункове значення підставляється до алгоритму управління. Потім вага оптимізується для досягнення системою контролю компромісу між показниками контролю та навчання.
Наукова новизна. Розроблений контролер дозволяє скорегувати вихід (вихідні характеристики) системи до бажаного та визначити невідомі параметри системи. Запропонований контролер легкий у використанні.
Практична значимість. Результати моделювання показали, що розроблений алгоритм управління ефективний і перевершує стратегію контролю, що раніше використовувалася.
Список літератури / References:
1. Alpcan, T., Shames, I., Cantoni, M. and Nair, G., 2013. Learning and information for dual control. In: Proc. of the 19th Asian Control Conference, pp. 1−6, Istanbul, June 2013.
2. Alpcan, T. and Shames, I., 2015. An Information-based learning approach to dual control. IEEE Neural Networks and Learning Systems, vol. 26, no.11, pp. 2736−2748.
3. Kronander, K. and Billard, A., 2015. Passive interaction control with dynamical systems. IEEE Robotics and Automation Letters, vol. 1, no.1, pp. 106−113.
4. Zacekova, E., Privara, S., Vana, Z., Cigler, J. and Ferkl, L., 2013. Dual control approach for zone model predictive control. In: IEEE, Proc. of Control Conference, pp. 1398−1403, Europe, July 2013.
5. C. L. P. Chen, Yan-Jun Liu and Guo-Xing Wen, 2014. Fuzzy neural network-based adaptive control for a class of uncertain nonlinear stochastic systems. Cybernetics, vol. 44, pp. 583−593.
6. Tieshan Li, Zifu Li, Dan Wang, Chen, C.L.P., 2015. Output-feedback adaptive neural control for stochastic nonlinear time-varying. Neural Networks and Learning Systems, vol. 26, pp. 1188−1201.
7. Yunpeng Pan and Jun Wang, 2012. Model predictive control of unknown nonlinear dynamical systems based on recurrent neural networks. IEEE Industrial Electronics, vol. 59, no.8, pp. 3089−3101.
8. Talel, B. and Ben Hmida, F., 2013. Fuzzy Kalman filter for nonlinear stochastic systems. In: IEEE, 10th International Multi-Conference on Systems, Signals & Devices, pp.1−7, Hammamet, 18−21 March 2013.
9. Wei-Yu Chiu, Bor-Sen Chen, Poor, H.V., 2013. A multi-objective approach for source estimation in fuzzy networked systems. IEEE Circuits and Systems I: Regular Papers, vol. 60, no.7, pp. 1890−1900.
10. Zhao, J, Wei, H, Zhang, C, Li, W, Guo, W and Zhang, K., 2015. Natural gradient learning algorithms for RBF networks. Neural Computation, vol. 27, no.2, pp. 481−505.
![]() ![]() |
|
![]() ![]() ![]() |
![]() |