طراحی کنترل کننده عصبی عاطفی تطبیقی و پایدار بر پایه رویتگر برای دسته ای از سیستم های غیرخطی نامعین

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 256

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JME-21-74_003

تاریخ نمایه سازی: 23 آبان 1402

چکیده مقاله:

عدم قطعیت ها و پیچیدگی های مسائل کنترلی واقعی همچون دینامیک نامعلوم، در دسترس نبودن حالت ها و اغتشاش خارجی، ساختار کنترلی قوی برای برخورد با این عدم قطعیت ها را ایجاب می کنند. مدل های عصبی عاطفی ویژگی هایی همچون سادگی ساختار و سرعت بالای پاسخگویی را از خود نشان داده اند؛ اما کنترل کننده های عاطفی طراحی شده برای سیستم های غیرخطی نامعین خطی-ورودی، هنوز به مسائلی همچون محدودیت دسترسی به حالت ها نپرداخته اند. بدین منظور در این پژوهش، طراحی کنترل کننده عصبی عاطفی تطبیقی بر پایه رویتگر برای دسته ای از سیستم های غیرخطی نامعین خطی-ورودی معرفی شده است. دینامیک های سیستم نامعلوم هستند و توسط شبکه عصبی عاطفی پایه شعاعی پیوسته (CRBENN) تخمین زده می شوند. پارامترهای شبکه عصبی عاطفی با استفاده از قواعد تطبیق مناسب و سازگار با پیش زمینه های زیستی مغز عاطفی به روز می شوند. همچنین اغتشاش خارجی بر عملکرد سیستم تاثیر می گذارد. برخلاف کنترل کننده های عاطفی قبلی، حالات سیستم نیز در دسترس نیستند و با استفاده از رویتگر حالت تخمین زده می شوند. معیار عملکرد ردیابی H∞ برای سیستم حلقه بسته بر اساس نظریه پایداری لیاپانوف به اثبات رسیده است. نتایج شبیه سازی، خطای ردیابی و انرژی کنترلی کمتر را برای روش پیشنهادی در مقایسه با یک کنترل کننده عصبی دیگر نشان می دهند.

کلیدواژه ها:

شبکه های عصبی عاطفی ، کنترل تطبیقی بر پایه رویتگر ، نظریه پایداری لیاپانوف ، عملکرد ردیابی H&infin

نویسندگان

فهیمه باغبانی

دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ]۱[ محمد مهدی ذبیحی شش پلی، مهدی علیاری شوره دلی ...
  • ]۲[ مجتبی رادمهر و حسن زرآبادی پور، " کنترل مد ...
  • J. Moren and C. Balkenius, “A Computational Model of Emotional ...
  • J. Moren, Emotion and Learning- A Computational Model of the ...
  • E. Lotfi and M.-R. Akbarzadeh-T, “Practical Emotional Neural Networks”, Neural ...
  • E. Lotfi and M.-R. Akbarzadeh-T, “A Winner-Take-All Approach to Emotional ...
  • ]۷[ مهدی گلشن، محمد تشنه لب و آرش شریفی، " ...
  • C. Lucas, D. Shahmirzadi, and N. Sheikholeslami, “Introducing BELBIC: Brain ...
  • M. R. Khalghani, M. H. Khooban, E. Mahboubi-Moghaddam, N. Vafamand, ...
  • A. Sadeghieh, H. Sazgar, K. Goodarzi, and C. Lucas, “Identification ...
  • F. Baghbani, M.-R. Akbarzadeh-T, and M.-B. N. Sistani, “Stable Robust ...
  • F. Baghbani, M.-R. Akbarzadeh-T, M.-B. Naghibi-Sistani, and A. Akbarzadeh, “Emotional ...
  • T. L. Le, C. M. Lin, and T. T. Huynh, ...
  • Q. Wu et al., “Self-Organizing Brain Emotional Learning Controller Network ...
  • W. Fang, F. Chao, C. M. Lin, L. Yang, C. ...
  • S. Khorashadizadeh, S. M. Hashem Zadeh, M. R. Koohestani, S. ...
  • A. Naderi Akhormeh, J. Roshanian, H. MoradiMaryamnegari, and A. M. ...
  • F. Baghbani, M. R. Akbarzadeh-T, and M. B. Naghibi Sistani, ...
  • P. Parsa, M. R. Akbarzadeh-T, and F. Baghbani, “Command-Filtered Backstepping ...
  • H. Mirhajianmoghadam and M. R. Akbarzadeh-T., “Predictive Hierarchical Harmonic Emotional ...
  • I. R. Scola, L. R. G. Carrillo, and J. P. ...
  • P. Parsa, M. R. Akbarzade-T, And F. Baghbani, “Observer-Based Adaptive ...
  • W.-Y. Wang, Y.-H. Chien, and T.-T. Lee, “Observer-Based T – ...
  • L. X. Wang, A Course in Fuzzy Systems and Control. ...
  • نمایش کامل مراجع