Nonlinear Identification and Control: A Neural Network Approach

سری پیشرفت‌ها در کنترل صنعتی با هدف گزارش و تشویق انتقال فناوری در مهندسی کنترل است. توسعه سریع فناوری کنترل بر تمام حوزه های رشته کنترل تأثیر می گذارد. نظریه جدید، کنترل کننده های جدید، محرک ها، حسگرها، فرآیندهای صنعتی جدید، روش های کامپیوتری، برنامه های کاربردی جدید، فلسفه های جدید. . . ، چالش های جدید. بیشتر این کار توسعه در گزارش های صنعتی، مقالات مطالعات امکان سنجی و گزارش های پروژه های مشارکتی پیشرفته قرار دارد. این مجموعه فرصتی را برای محققین فراهم می‌کند تا نمایشگاه گسترده‌ای از چنین کارهای جدیدی را در تمام جنبه‌های کنترل صنعتی برای انتشار گسترده‌تر و سریع‌تر ارائه دهند. به نظر می رسد زمان ورود کنترل غیرخطی به برنامه های معمول نزدیک است. کنترل غیرخطی یک دوره بارداری طولانی داشته است، اما بسیاری از گذشته با روش هایی مرتبط بوده اند که شامل نمایش مدل عملکردی غیرخطی رسمی هستند. به نظر می‌رسد که این پیشرفت از طریق استفاده از ابزارهای مدل‌سازی غیرخطی دیگر انعطاف‌پذیرتر و سازگارتر حاصل شود. این مونوگراف پیشرفت‌ها در کنترل صنعتی توسط Guoping Liu مقدمه‌ای عالی برای نوع روش‌های مدل‌سازی سیستم غیرخطی جدید در حال توسعه و استفاده است. شبکه های عصبی در این جهت های مدل سازی جدید برجسته به نظر می رسند. مونوگراف توسعه سیستماتیک این موضوع هیجان انگیز را ارائه می دهد. این با یک فصل مقدماتی آموزشی مفید در مورد ابزارهای مختلف مورد استفاده باز می شود. در فصل‌های بعدی، دکتر لیو خواننده را از طریق شناسایی، و سپس به کنترل غیرخطی با استفاده از نمایش‌های شبکه عصبی سیستم غیرخطی هدایت می‌کند.

The series Advances in Industrial Control aims to report and encourage technology transfer in control engineering. The rapid development of control technology has an impact on all areas of the control discipline. New theory, new controllers, actuators, sensors, new industrial processes, computer methods, new applications, new philosophies . . . , new challenges. Much of this development work resides in industrial reports, feasibility study papers and the reports of advanced collaborative projects. The series otTers an opportunity for researchers to present an extended exposition of such new work in all aspects of industrial control for wider and rapid dissemination. The time for nonlinear control to enter routine application seems to be approaching. Nonlinear control has had a long gestation period but much ofthe past has been concerned with methods that involve formal nonlinear functional model representations. It seems more likely that the breakthough will come through the use of other more flexible and amenable nonlinear system modelling tools. This Advances in Industrial Control monograph by Guoping Liu gives an excellent introduction to the type of new nonlinear system modelling methods currently being developed and used. Neural networks appear prominent in these new modelling directions. The monograph presents a systematic development of this exciting subject. It opens with a useful tutorial introductory chapter on the various tools to be used. In subsequent chapters Doctor Liu leads the reader through identification, and then onto nonlinear control using nonlinear system neural network representations.