دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Dr. Edgar N. Sanchez, Dr. Alma Y. Alanís, Dr. Alexander G. Loukianov (auth.) سری: Studies in Computational Intelligence 112 ISBN (شابک) : 9783540782889, 9783540782896 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2008 تعداد صفحات: 115 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب کنترل عصبی مرتبه بالا گسسته: آموزش دیده با فیلتر کایمن: ریاضیات کاربردی / روش های محاسباتی مهندسی، هوش مصنوعی (شامل رباتیک)، فیزیک آماری، سیستم های دینامیکی و پیچیدگی، کنترل، رباتیک، مکاترونیک، نظریه سیستم ها، کنترل
در صورت تبدیل فایل کتاب Discrete-Time High Order Neural Control: Trained with Kaiman Filtering به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب کنترل عصبی مرتبه بالا گسسته: آموزش دیده با فیلتر کایمن نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
هدف این کار ارائه پیشرفتهای اخیر در تئوری کنترل عصبی برای سیستمهای غیرخطی زمان گسسته با ورودیها و خروجیهای متعدد است. نتایجی که در هر فصل ظاهر میشود شامل تحلیلهای ریاضی دقیق، بر اساس رویکرد لیاپانوف، به منظور تضمین خواص آن است. علاوه بر این، برای هر فصل، نتایج شبیهسازی برای تأیید عملکرد موفقیتآمیز طرحهای پیشنهادی مربوطه گنجانده شده است. به منظور تکمیل درمان این طرحها، این کتاب شامل فصلی است که نتایج تجربی مربوط به کاربرد آنها در موتور القایی سه فاز الکتریکی را ارائه میکند که کاربرد چنین طرحهایی را نشان میدهد. طرحهای پیشنهادی را میتوان برای کاربردهای متفاوتی فراتر از موارد ارائه شده در این کتاب به کار برد.
این کتاب راهحلهایی را برای مشکل ردیابی مسیر خروجی سیستمهای غیرخطی ناشناخته بر اساس چهار طرح ارائه میکند. برای روش اول، یک روش طراحی مستقیم در نظر گرفته شده است: روش شناخته شده پشت سر هم، با فرض اندازه گیری حالت کامل. روش دوم یک روش غیرمستقیم را در نظر میگیرد که با کنترل بلوک و تکنیکهای حالت لغزشی، تحت همین فرض حل شده است. برای طرح سوم، تکنیک Backstepping شامل یک ناظر عصبی بازنگری میشود و در نهایت تکنیکهای کنترل بلوک و حالت لغزشی نیز دوباره با مشاهدهگر عصبی استفاده میشوند. تمام طرح های پیشنهادی در زمان گسسته توسعه یافته اند. برای هر دو روش کنترل ذکر شده و همچنین برای مشاهده گر عصبی، آموزش آنلاین شبکه های عصبی مربوطه توسط Kalman Filtering انجام می شود.
The objective of this work is to present recent advances in the theory of neural control for discrete-time nonlinear systems with multiple inputs and multiple outputs. The results that appear in each chapter include rigorous mathematical analyses, based on the Lyapunov approach, in order to guarantee its properties; in addition, for each chapter, simulation results are included to verify the successful performance of the corresponding proposed schemes. In order to complete the treatment of these schemes, the book includes a chapter presenting experimental results related to their application to an electric three phase induction motor, which show the applicability of such designs. The proposed schemes could be employed for different applications beyond the ones presented in this book.
The book presents solutions for the output trajectory tracking problem of unknown nonlinear systems based on four schemes. For the first one, a direct design method is considered: the well known backstepping method, under the assumption of complete state measurement; the second one considers an indirect method, solved with the block control and the sliding mode techniques, under the same assumption. For the third scheme, the backstepping technique is reconsidering including a neural observer, and finally the block control and the sliding mode techniques are used again too, with a neural observer. All the proposed schemes are developed in discrete-time. For both mentioned control methods as well as for the neural observer, the on-line training of the respective neural networks is performed by Kalman Filtering.
Front Matter....Pages I-X
Introduction....Pages 1-4
Mathematical Preliminaries....Pages 5-10
Discrete-Time Adaptive Neural Backstepping....Pages 11-28
Discrete-Time Block Control....Pages 29-43
Discrete-Time Neural Observers....Pages 45-57
Discrete-Time Output Trajectory Tracking....Pages 59-72
Real Time Implementation....Pages 73-94
Conclusions and Future Work....Pages 95-96
Back Matter....Pages 97-109