Intelligent Control Based on Flexible Neural Networks

مراجع . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 فصل 3 شبکه های عصبی انعطاف پذیر. . . . . . . . . . . . . . . . . . . . . . . . 61 3. 1 مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 3. 2 توابع سیگموئید تک قطبی انعطاف پذیر. . . . . . . . . . . . . . . . . . . . . . . . . . 62 3. 3 توابع سیگموئید دوقطبی انعطاف پذیر. . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3. 4 الگوریتم های یادگیری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3. 4. 1 یادگیری تعمیم یافته . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 3. 4. 2 یادگیری تخصصی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 3. 5 مثال . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 3. 6 ترکیب توپولوژی های شبکه عصبی مصنوعی انعطاف پذیر. . . . 79 3. 7 خلاصه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 مراجع. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 فصل 4 کنترل PID خود تنظیم 85 4. 1 مقدمه. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 4. 2 کنترل PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 4. 3 شبکه عصبی انعطاف پذیر به عنوان یک کنترل کننده غیر مستقیم. . . . . . . . . . . . . . . 91 4. 4 کنترل PID خود تنظیم . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 4. 5 مثال های شبیه سازی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 4. 5. 1 مدل تانک . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 4. 5. 2 مطالعه شبیه سازی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 4. 5. 3 نتایج شبیه سازی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 4. 6 خلاصه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 مرجع. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 فصل 5 کنترل گشتاور محاسبه شده خود تنظیم: قسمت اول 107 5. 1 مقدمه. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 5. 2 مدل دستکاری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 5. 3 کنترل گشتاور محاسبه شده . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 5. 4 کنترل گشتاور محاسبه شده خود تنظیم. . . . . . . . . . . . . . . . . . . . . . . . . 111 5. 5 مثال های شبیه سازی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 5. 5. 1 یادگیری همزمان وزن اتصال و پارامترهای SF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 5. 5. 2 یادگیری پارامترهای تابع سیگموئید. . . . . . . . . . . . . 123 Vll 5. 5. 3 یادگیری همزمان پارامترهای SF و دستاوردهای خروجی 129 5. 6 خلاصه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 مراجع. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 فصل 6 کنترل گشتاور محاسبه شده خود تنظیم: قسمت دوم 137 6. 1 مقدمه. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 6. 2 ساده سازی شبکه های عصبی انعطاف پذیر. . . . . . . . . . . . . . . . . . . . 138 6. 3 مثال های شبیه سازی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 6. 3. 1 یادگیری همزمان وزن اتصال و پارامترهای تابع سیگموید. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 Chapter 3 Flexible Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . 61 3. 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 3. 2 Flexible Unipolar Sigmoid Functions . . . . . . . . . . . . . . . . . . . . . . . . . . 62 3. 3 Flexible Bipolar Sigmoid Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3. 4 Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3. 4. 1 Generalized learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 3. 4. 2 Specialized learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 3. 5 Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 3. 6 Combinations of Flexible Artificial Neural Network Topologies . . . . 79 3. 7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 Chapter 4 Self-Tuning PID Control 85 4. 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 4. 2 PID Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 4. 3 Flexible Neural Network as an Indirect Controller . . . . . . . . . . . . . . . 91 4. 4 Self-tunig PID Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 4. 5 Simulation Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 4. 5. 1 The Tank model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 4. 5. 2 Simulation study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 4. 5. 3 Simulation results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 4. 6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 Chapter 5 Self-Tuning Computed Torque Control: Part I 107 5. 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 5. 2 Manipulator Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 5. 3 Computed Torque Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 5. 4 Self-tunig Computed Torque Control . . . . . . . . . . . . . . . . . . . . . . . . . 111 5. 5 Simulation Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 5. 5. 1 Simultaneous learning of connection weights and SF para- ters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 5. 5. 2 Learning of the sigmoid function parameters . . . . . . . . . . . . . 123 Vll 5. 5. 3 Simultaneous learning of SF parameters and output gains 129 5. 6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 Chapter 6 Self-Tuning Computed Torque Control: Part II 137 6. 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 6. 2 Simplification of Flexible Neural Networks . . . . . . . . . . . . . . . . . . . . 138 6. 3 Simulation Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 6. 3. 1 Simultaneous learning of connection weights and sigmoid function parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .