Artificial Neural Networks for Modelling and Control of Non-Linear Systems

شبکه‌های عصبی مصنوعی دارای چندین ویژگی هستند که آنها را برای کاربردهای مدل‌سازی و کنترل سیستم‌های پیچیده غیرخطی جذاب می‌کند. از جمله این ویژگی ها توانایی تقریب جهانی آنها، ساختار شبکه موازی آنها و در دسترس بودن روش های یادگیری آنلاین و آفلاین برای وزن های اتصال است. با این حال، مدل‌های پویا که شامل معماری شبکه‌های عصبی هستند ممکن است بسیار غیرخطی و در نتیجه تجزیه و تحلیل آنها دشوار باشد. شبکه های عصبی مصنوعی برای مدل سازی وکنترل سیستم های غیر خطی موضوع را از دیدگاه نظری سیستم بررسی می کند. با این حال، نظریه ریاضی که از خواننده مورد نیاز است، محدود به حساب ماتریس، تحلیل پایه، معادلات دیفرانسیل و نظریه سیستم خطی پایه است. هیچ دانش اولیه از شبکه های عصبی به صراحت مورد نیاز نیست.
این کتاب معماری های شبکه کلاسیک و جدید و الگوریتم های یادگیری را برای مدل سازی و کنترل ارائه می دهد. موضوعات شامل شناسایی سیستم غیر خطی، کنترل بهینه عصبی، طراحی کنترل عصبی مبتنی بر مدل از بالا به پایین و تجزیه و تحلیل پایداری سیستم های کنترل عصبی است. سهم عمده این کتاب، معرفی NLqنظریه به عنوان توسعه ای به سمت تئوری کنترل مدرن، به منظور تجزیه و تحلیل و سنتز سیستم های غیر خطی است که شامل خطی همراه با غیر استاتیک است. - عملگرهای خطی که یک شرط بخش را برآورده می کنند: سیستم های کنترل فضای حالت عصبی یک مثال هستند. علاوه بر این، به نظر می رسد که نظریه NLq با توجه به بسیاری از مشکلات ناشی از شبکه های عصبی، سیستم ها و کنترل، یکپارچه می شود. مثال‌ها نشان می‌دهند که سیستم‌های غیرخطی پیچیده را می‌توان در نظریه NLq، از جمله تسلط بر آشوب، مدل‌سازی و کنترل کرد.
طعم آموزشی این کتاب آن را برای استفاده به عنوان متنی برای درس شبکه های عصبی مناسب می کند. علاوه بر این، محققان و طراحان بسیاری از تکنیک‌های مهم جدید، به ویژه تئوری NLq را خواهند یافت که در تئوری کنترل، نظریه سیستم، نظریه مدار و تحلیل سری‌های زمانی کاربرد دارد.

Artificial neural networks possess several properties that make them particularly attractive for applications to modelling and control of complex non-linear systems. Among these properties are their universal approximation ability, their parallel network structure and the availability of on- and off-line learning methods for the interconnection weights. However, dynamic models that contain neural network architectures might be highly non-linear and difficult to analyse as a result. Artificial Neural Networks for Modelling andControl of Non-Linear Systems investigates the subject from a system theoretical point of view. However the mathematical theory that is required from the reader is limited to matrix calculus, basic analysis, differential equations and basic linear system theory. No preliminary knowledge of neural networks is explicitly required.
The book presents both classical and novel network architectures and learning algorithms for modelling and control. Topics include non-linear system identification, neural optimal control, top-down model based neural control design and stability analysis of neural control systems. A major contribution of this book is to introduce NLqTheory as an extension towards modern control theory, in order to analyze and synthesize non-linear systems that contain linear together with static non-linear operators that satisfy a sector condition: neural state space control systems are an example. Moreover, it turns out that NLq Theory is unifying with respect to many problems arising in neural networks, systems and control. Examples show that complex non-linear systems can be modelled and controlled within NLq theory, including mastering chaos.
The didactic flavor of this book makes it suitable for use as a text for a course on Neural Networks. In addition, researchers and designers will find many important new techniques, in particular NLq Theory, that have applications in control theory, system theory, circuit theory and Time Series Analysis.