Functional adaptive controller for multivariable stochastic systems with dynamic structure of neural network

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F11%3A43898218" target="_blank" >RIV/49777513:23520/11:43898218 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1002/acs.1250" target="_blank" >http://dx.doi.org/10.1002/acs.1250</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1002/acs.1250" target="_blank" >10.1002/acs.1250</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Functional adaptive controller for multivariable stochastic systems with dynamic structure of neural network

Popis výsledku v původním jazyce

The article deals with a challenging problem of adaptive control design for multivariable stochastic systems with a functional uncertainty. Model of the system is based on multi-layered perceptron neural networks where both the unknown parameters and thestructure are found in real time without a necessity of any off-line training process. The unknown parameters are estimated by a global estimation method, the Gaussian sum filter, and the structure of the neural network model is optimized by a proposedpruning method. The control law is based on a bicriterial approach to the suboptimal dual control. Two individual criteria are designed and used to introduce conflicting efforts between the estimation and control; probing and caution. A comparison of theproposed dual control and its alternative with an implementation of the pruning algorithm is shown in a numerical example.

Název v anglickém jazyce

Functional adaptive controller for multivariable stochastic systems with dynamic structure of neural network

Popis výsledku anglicky

The article deals with a challenging problem of adaptive control design for multivariable stochastic systems with a functional uncertainty. Model of the system is based on multi-layered perceptron neural networks where both the unknown parameters and thestructure are found in real time without a necessity of any off-line training process. The unknown parameters are estimated by a global estimation method, the Gaussian sum filter, and the structure of the neural network model is optimized by a proposedpruning method. The control law is based on a bicriterial approach to the suboptimal dual control. Two individual criteria are designed and used to introduce conflicting efforts between the estimation and control; probing and caution. A comparison of theproposed dual control and its alternative with an implementation of the pruning algorithm is shown in a numerical example.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

BC - Teorie a systémy řízení

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2011

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

INTERNATIONAL JOURNAL OF ADAPTIVE CONTROL AND SIGNAL PROCESSING

ISSN

0890-6327

e-ISSN

—

Svazek periodika

25

Číslo periodika v rámci svazku

11

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

16

Strana od-do

949-964

Kód UT WoS článku

000297016400001

EID výsledku v databázi Scopus

—