Stable Adaptive Neural Network Control

سال‌های اخیر شاهد توسعه سریع تکنیک‌های کنترل شبکه‌های عصبی و کاربردهای موفق آنها بوده‌ایم. مطالعات شبیه‌سازی متعدد و پیاده‌سازی‌های صنعتی واقعی نشان می‌دهد که شبکه عصبی مصنوعی کاندیدای مناسبی برای تقریب تابع و طراحی سیستم کنترل در حل مسائل کنترلی سیستم‌های غیرخطی پیچیده در حضور انواع مختلف عدم قطعیت است. بسیاری از رویکردها/روش‌های کنترلی، گزارش اختراعات و کاربردهای کنترلی در زمینه‌های کنترل تطبیقی، کنترل عصبی و سیستم‌های فازی، در کتاب‌ها، مجلات و مقالات کنفرانس‌های مختلف منتشر شده‌اند. علی‌رغم این پیشرفت‌های قابل توجه در زمینه کنترل عصبی، به دلیل پیچیدگی سیستم‌های غیرخطی، پژوهش حاضر در مورد کنترل عصبی تطبیقی ​​همچنان بر توسعه روش‌های بنیادی متمرکز است. از دیدگاه نظری، به طور کلی، فقدان یک مبنای ریاضی محکم در پایداری، استحکام، و تجزیه و تحلیل عملکرد سیستم های کنترل تطبیقی ​​شبکه عصبی وجود دارد. انگیزه این کتاب نیاز به رویکردهای طراحی سیستماتیک برای کنترل تطبیقی ​​پایدار با استفاده از تکنیک‌های مبتنی بر تقریب است. اهداف اصلی این کتاب توسعه استراتژی‌های کنترل عصبی تطبیقی ​​پایدار، و انجام تحلیل عملکرد گذرا سیستم‌های کنترل عصبی حاصل به صورت تحلیلی است. سایر تقریب‌کننده‌های تابع خطی در پارامتر می‌توانند بدون هیچ مشکلی جایگزین شبکه‌های عصبی خطی در پارامتر در کنترل‌کننده‌های ارائه‌شده در کتاب شوند، که شامل چند جمله‌ای، خطوط، سیستم‌های فازی، شبکه‌های موجک و غیره می‌شود. اگر قرار است از یک کنترل کننده شبکه عصبی تطبیقی ​​در کاربردهای عملی استفاده شود، پایداری یکی از مهم ترین مسائلی است که به آن توجه می شود.

Recent years have seen a rapid development of neural network control tech­ niques and their successful applications. Numerous simulation studies and actual industrial implementations show that artificial neural network is a good candidate for function approximation and control system design in solving the control problems of complex nonlinear systems in the presence of different kinds of uncertainties. Many control approaches/methods, reporting inventions and control applications within the fields of adaptive control, neural control and fuzzy systems, have been published in various books, journals and conference proceedings. In spite of these remarkable advances in neural control field, due to the complexity of nonlinear systems, the present research on adaptive neural control is still focused on the development of fundamental methodologies. From a theoretical viewpoint, there is, in general, lack of a firmly mathematical basis in stability, robustness, and performance analysis of neural network adaptive control systems. This book is motivated by the need for systematic design approaches for stable adaptive control using approximation-based techniques. The main objec­ tives of the book are to develop stable adaptive neural control strategies, and to perform transient performance analysis of the resulted neural control systems analytically. Other linear-in-the-parameter function approximators can replace the linear-in-the-parameter neural networks in the controllers presented in the book without any difficulty, which include polynomials, splines, fuzzy systems, wavelet networks, among others. Stability is one of the most important issues being concerned if an adaptive neural network controller is to be used in practical applications.