Modelling and Control of Dynamic Systems Using Gaussian Process Models

این مونوگراف افق‌های جدیدی را برای مهندسان و محققان دانشگاهی و صنعتی که با پیشرفت‌های جدید در زمینه شناسایی و کنترل سیستم سروکار دارند یا علاقه‌مند به پیشرفت‌های جدید هستند می‌گشاید. این بر دستورالعمل‌ها برای راه‌حل‌های کاری و توصیه‌های عملی برای اجرای آنها به جای پیش‌زمینه نظری مدل‌های فرآیند گاوسی (GP) تأکید می‌کند. این کتاب پتانسیل این پیشرفت اخیر را در روش‌های یادگیری ماشینی احتمالی نشان می‌دهد و به خواننده درک شهودی از موضوع می‌دهد. وضعیت فعلی هنر همراه با جهت‌گیری‌های احتمالی آینده برای تحقیق بررسی می‌شود.

طراحی کنترل سیستم‌ها بر مدل‌های ریاضی متکی است و ممکن است از داده‌های اندازه‌گیری توسعه داده شوند. این فرآیند شناسایی سیستم، زمانی که بر اساس مدل‌های GP باشد، می‌تواند بخشی جدایی ناپذیر از طراحی کنترل در کنترل مبتنی بر داده باشد و توصیف آن به عنوان یک جنبه ضروری از متن است. پس زمینه رگرسیون GP ابتدا با شناسایی سیستم و ادغام دانش قبلی و سپس به کنترل کامل معرفی می شود. این کتاب با استفاده گسترده از مثال‌ها، نقشه‌های خطی و ارائه گرافیکی نتایج شبیه‌سازی کامپیوتری و اندازه‌گیری‌های گیاهی نشان داده شده است. نتایج تحقیق ارائه شده در مطالعات موردی واقعی که از برنامه‌های کاربردی موفقیت‌آمیز استخراج شده‌اند به کار می‌روند:

• یک کنترل جداکننده گاز-مایع؛
• مدل‌سازی و بازسازی سیگنال ترافیک شهری. و
• پیش‌بینی غلظت ازن اتمسفر.

یک جعبه ابزار MATLAB^®، برای شناسایی و شبیه‌سازی مدل‌های GP پویا برای دانلود ارائه شده است.

This monograph opens up new horizons for engineers and researchers in academia and in industry dealing with or interested in new developments in the field of system identification and control. It emphasizes guidelines for working solutions and practical advice for their implementation rather than the theoretical background of Gaussian process (GP) models. The book demonstrates the potential of this recent development in probabilistic machine-learning methods and gives the reader an intuitive understanding of the topic. The current state of the art is treated along with possible future directions for research.

Systems control design relies on mathematical models and these may be developed from measurement data. This process of system identification, when based on GP models, can play an integral part of control design in data-based control and its description as such is an essential aspect of the text. The background of GP regression is introduced first with system identification and incorporation of prior knowledge then leading into full-blown control. The book is illustrated by extensive use of examples, line drawings, and graphical presentation of computer-simulation results and plant measurements. The research results presented are applied in real-life case studies drawn from successful applications including:

• a gas–liquid separator control;
• urban-traffic signal modelling and reconstruction; and
• prediction of atmospheric ozone concentration.

A MATLAB^® toolbox, for identification and simulation of dynamic GP models is provided for download.