Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "adaptive modeling" wg kryterium: Temat


Wyświetlanie 1-1 z 1
Tytuł:
Robustifying analysis of the direct adaptive control of unknown multivariable nonlinear systems based on a new neuro-fuzzy method
Autorzy:
Theodoridis, D. C.
Boutalis, Y.S.
Christodoulou, M. A.
Powiązania:
https://bibliotekanauki.pl/articles/91598.pdf
Data publikacji:
2011
Wydawca:
Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Tematy:
nonlinear systems
control
neuro-fuzzy dynamical system
fuzzy systems
FS
fuzzy recurrent high order neural network
F-RHONN
adaptive regulator
parameter
“Hopping”
“Modified Hopping”
modeling errors
asymptotic regulation
Opis:
In this paper, we are dealing with the problem of directly regulating unknown multivariable affine in the control nonlinear systems and its robustness analysis. The method employs a new Neuro-Fuzzy Dynamical System definition, which uses the concept of Fuzzy Systems (FS) operating in conjunction with High Order Neural Networks. In this way the unknown plant is modeled by a fuzzy - recurrent high order neural network structure (F-RHONN), which is of the known structure considering the neglected nonlinearities. The development is combined with a sensitivity analysis of the closed loop in the presence of modeling imperfections and provides a comprehensive and rigorous analysis showing that our adaptive regulator can guarantee the convergence of states to zero or at least uniform ultimate boundedness of all signals in the closed loop when a not-necessarily-known modeling error is applied. The existence and boundedness of the control signal is always assured by employing a method of parameter “Hopping” and “Modified Hopping”, which appears in the weight updating laws. Simulations illustrate the potency of the method showing that by following the proposed procedure one can obtain asymptotic regulation despite the presence of modeling errors. Comparisons are also made to simple recurrent high order neural network (RHONN) controllers, showing that our approach is superior to the case of simple RHONN’s.
Źródło:
Journal of Artificial Intelligence and Soft Computing Research; 2011, 1, 1; 59-79
2083-2567
2449-6499
Pojawia się w:
Journal of Artificial Intelligence and Soft Computing Research
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-1 z 1

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies