Higher Order Neural Units for Efficient Adaptive Control of Weakly Nonlinear Systems

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F71226401%3A_____%2F18%3AN0100103" target="_blank" >RIV/71226401:_____/18:N0100103 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.5220/0006557301490157" target="_blank" >http://dx.doi.org/10.5220/0006557301490157</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.5220/0006557301490157" target="_blank" >10.5220/0006557301490157</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Higher Order Neural Units for Efficient Adaptive Control of Weakly Nonlinear Systems

Popis výsledku v původním jazyce

The paper reviews the nonlinear polynomial neural architectures (HONUs) and their fundamental supervised batch learning algorithms for both plant identification and neuronal controller training. As a novel contribution to adaptive control with HONUs, Conjugate Gradient batch learning for weakly nonlinear plant identification with HONUs is presented as efficient learning improvement. Further, a straightforward MRAC strategy with efficient controller learning for linear and weakly nonlinear plants is proposed with static HONUs that avoids recurrent computations, and its potentials and limitations with respect to plant nonlinearity are discussed.

Název v anglickém jazyce

Higher Order Neural Units for Efficient Adaptive Control of Weakly Nonlinear Systems

Popis výsledku anglicky

The paper reviews the nonlinear polynomial neural architectures (HONUs) and their fundamental supervised batch learning algorithms for both plant identification and neuronal controller training. As a novel contribution to adaptive control with HONUs, Conjugate Gradient batch learning for weakly nonlinear plant identification with HONUs is presented as efficient learning improvement. Further, a straightforward MRAC strategy with efficient controller learning for linear and weakly nonlinear plants is proposed with static HONUs that avoids recurrent computations, and its potentials and limitations with respect to plant nonlinearity are discussed.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20204 - Robotics and automatic control

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2018

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the 9th International Joint Conference on Computational Intelligence

ISBN

978-989-758-274-5

ISSN

—

e-ISSN

—

Počet stran výsledku

9

Strana od-do

149-157

Název nakladatele

SCITEPRESS – Science and Technology Publications, Lda.

Místo vydání

Portugal

Místo konání akce

Funchal, Madeira, Portugal

Datum konání akce

1. 11. 2017

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—