Identification and control of nonlinear dynamical systems using neural networks
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
ÖZET Yapay sinir ağlan birçok araştırma alanlarında yeni bir ufuk açtı. Bu anlayış, kontrol kavramına da yeni bir düşünüş tarzı getirdi. Artan teknolojik talepler kontrol mühendislerini daha yetenekli denetleyiciler tasarlamaya yöneltti. Bu noktada yeni bir yaklaşım olarak paralel veri işleyebilme özellikleri, uyarlanabilirlik ve güçlü dönüştürme yetenekleri nedeniyle yapay sinir ağlan önerildi, özellikle öğrenebilme özelliği bu ağlan daha çekici kıldı. Yapay sinir ağlarının eğitiminde birçok yöntem kullanılmaktadır. Bu çalışmada iki yöntem ele alınmıştır: hata geriye yayma yöntemi ve Levenberg-Marquardt optimizasyon tekniği. Hata geriye yayma yönteminde performans fonksiyonunun birinci türevi kullanıldığından öğrenme zamanı özellikle minimum etrafında çok uzundur, buna karşılık Levenberg-Marquardt yönteminde öğrenme zamanı daha kısadır ve bu, ikinci türevlerden gelen ek bilginin de kullanılmasına atfedilir. Levenberg-Marquardt yönteminde işlem karmaşıklığı ve donanım ihtiyaçları daha fazladır. Doğrusal olmayan dinamik sistemlerin tanımlanması denetleyici eğitiminde önemli bir bölümdür. Bu yüzden tanıma, bu çalışmanın kapsamına alınmış ve simulasyon sonuçlan ile birlikte tartışılmıştır. Prosedürün altında yatan ana düşünce ilgilenilen sisteme ilişkin düzenli ve matematiksel olarak kolay işlenebilir bir modelin elde edilmesidir. Bu iki eğitim yöntemine ve tanıma kavramına dayanarak çeşitli kontrol stratejileri bu çalışma içerisinde tartışılmıştır. Hata geriye yayma ile kontrol, sistem tersini elde etme ile kontrol, kendini ayarlayan kontrol, model referanslı uyarlamalı kontrol, kendi kendine öğrenme ile kontrol ve dinamik sinir ağı modeli ile kontrol yaklaşımları ile denetleyici tasarımı metodolojisi birçok simulasyon sonuçlan ile ele alınmıştır. IV ABSTRACT Artificial neural networks opened a new horizon in many research areas. This understanding, also, brought a new way of thinking into the concept of control. The ever- increasing technological demands steered the control engineers to design more sophisticated controllers. In this respect, artificial neural networks were proposed as a new approach because of their massively parallel data processing properties, adaptiveness and powerful mapping capabilities. Especially the learning property of these networks made them extremely attractive. There are various methods that are used for the training of artificial neural networks. Two of them are included in this study. These are, namely, the backpropagation method and the Levenberg-Marquardt optimization technique. The learning time for the former is excessively long especially around the minima since it uses the first order derivatives of the performance function, while in the latter, the learning time is very short because of the extra information coming form the second derivatives of the performance function. The computational complexity and the hardware requirements are large for the latter. The identification of nonlinear dynamical systems is a substantial part of the controller training therefore it is included in this work and discussed in the simulation results. The main idea that lie under the procedure is obtaining a regular and mathematically tractable model of the system which is of interest. Based on these two learning methods and concept of system identification, various control strategies are discussed in this work. Design methodology for error backpropagation, inverse control, self-tuning control, model reference adaptive control, self-learning control and dynamical neural unit based control are explained and numerous simulation results are discussed.
Collections