Iterative Learning Control for Deterministic Systems

کنترل یادگیری تکراری برای سیستم‌های قطعی بخشی از مجموعه جدید پیشرفت‌ها در کنترل صنعتی است که توسط پروفسور M.J. Grimble و دکتر M.A. Johnson از واحد کنترل صنعتی ویرایش شده است. دانشگاه Strathclyde. مطالب ارائه شده در این کتاب به تجزیه و تحلیل و طراحی سیستم های کنترل یادگیری می پردازد. با مقدمه ای بر مفهوم کنترل یادگیری، از جمله مرور ادبیات جامع آغاز می شود. متن با تجزیه و تحلیل کامل و یکپارچه از مسئله کنترل یادگیری برای سیستم‌های LTI خطی با استفاده از یک رویکرد تئوری سیستمی که بینشی در مورد ماهیت راه‌حل مسئله کنترل یادگیری ارائه می‌دهد، دنبال می‌شود. علاوه بر این، چندین روش طراحی برای کنترل یادگیری LTI ارائه شده است که شامل یک تکنیک مبتنی بر تخمین پارامتر و یک الگوریتم کنترل یادگیری یک مرحله‌ای برای مسائل افق محدود است. فصل‌های بیشتر بر کنترل یادگیری برای سیستم‌های غیرخطی قطعی تمرکز می‌کنند، و یک کنترل‌کننده یادگیری متغیر با زمان ارائه شده است که می‌تواند برای دسته‌ای از سیستم‌های غیرخطی، از جمله مدل‌های دستکاری‌کننده‌های روباتیک معمولی اعمال شود. این کتاب با استفاده از شبکه های عصبی مصنوعی در مسئله کنترل یادگیری به پایان می رسد. سه روش خاص برای شبکه های عصبی برای این منظور مورد بحث قرار گرفته است، از جمله دو روش که از آموزش پس انتشار و یادگیری تقویتی استفاده می کنند. ضمیمه های کتاب به ویژه مفید هستند زیرا به عنوان یک آموزش در مورد شبکه های عصبی مصنوعی عمل می کنند.

Iterative Learning Control for Deterministic Systems is part of the new Advances in Industrial Control series, edited by Professor M.J. Grimble and Dr. M.A. Johnson of the Industrial Control Unit, University of Strathclyde. The material presented in this book addresses the analysis and design of learning control systems. It begins with an introduction to the concept of learning control, including a comprehensive literature review. The text follows with a complete and unifying analysis of the learning control problem for linear LTI systems using a system-theoretic approach which offers insight into the nature of the solution of the learning control problem. Additionally, several design methods are given for LTI learning control, incorporating a technique based on parameter estimation and a one-step learning control algorithm for finite-horizon problems. Further chapters focus upon learning control for deterministic nonlinear systems, and a time-varying learning controller is presented which can be applied to a class of nonlinear systems, including the models of typical robotic manipulators. The book concludes with the application of artificial neural networks to the learning control problem. Three specific ways to neural nets for this purpose are discussed, including two methods which use backpropagation training and reinforcement learning. The appendices in the book are particularly useful because they serve as a tutorial on artificial neural networks.