Neural network control of nonlinear systems.

Abstract

VI YAPAY SINIR ASLARINDAN YARARLANARAK DO?RUSAL OLMAYAN SİSTEMLERİN KONTROLÜ ÖZET Çağdaş toplumumuzun sürekli artan teknolojik ihtiyaçları, kontrol problemlerinin çözümünde yeni yaklaşımları zorunlu kılmaktadır. Öğrenme ve paralel bilgi işleme yetenekleri, bugün yapay sinir ağlarını kontrol mühendislerinin bir numaralı ilgi odağı haline getirmiştir. Yapay sinir ağlarının kontrol problemlerinin çözümünde kullanılması, kontrol teorisinin gelişimine bakıldığında aslında doğal bir adım olarak görülebilir. Geriye bakıldığında, kontrol mühendislerini yeni yöntem arayışları içerisine iten üç ana sebep görülmektedir: Daha karmaşık sistemleri kontrol isteği, sürekli artan tasarım taleplerini karşılayabilmek, ve bu ihtiyaçlara en ucuz şekilde cevap vermek. Diğer bir deyişle, daha karmaşık dinamik sistemleri, sistemin bulunduğu ortam ve kendisi hakkında daha az bilgiyle daha etkin bir şekilde kontrol etme ihtiyacı, kontrol mühendislerini yüksek seviyede kara verme, planlama ve öğrenme yeteneklerine sahip yöntemlere yöneltmiştir. Bu açıdan bakıldığında, bugün yapay sinir ağlarının kontrol mühendislerinin bu derece ilgisini çekmesi şaşırtıcı bir gelişme olarak görülmemelidir. Bu çalışmada, dinamik yapıları bilinmeyen sistemlerin yapay sinir ağları yardımıyla tanımlanması ve kontrolü problemi ele alınmaktadır, ilk olarak, yapay sinir ağlarınınvıı fonksiyonel yaklaşım problemleri üzerindeki performansları test edilmektedir. Ardından doğrusal olmayan sistemlerin kontrolü için dört ayrı yöntem ele alınmaktadır. Yöntemlerin benzetimi (simülasyonu) bir kişisel bilgisayar üzerinde yapılmıştır ve yöntemler uygulanabilirlikleri ölçüsünde dinamik ve statik sistemler üzerinde test edilmektedirler. Bu çalışmaların tümünde yapay sinir ağları `backpropagation` (geriye doğru yayılma) kuralı kullanılarak eğitilmektedir. Son olarak ele alınan dört yöntemin simülasyon sonuçları değerlendirilmekte ve yöntemler arasında performansları açısından bir karşılaştırma yapılmaktadır.

iv NEURAL NETWORK CONTROL OF NONLINEAR SYSTEMS ABSTRACT Ever- increasing technological demands of our modern society require new approaches to highly demanding control problems. Artificial neural networks, with their learning capabilities and parallelism have now become the primary interest of the control community. The use of neural networks in control problems, in fact, can be seen as a natural step in the evolution of the control theory. Looking back, three main needs which have directed the control community to search for new methods can be seen: The need to handle highly complex systems, the need to accomplish increasingly demanding design requirements and finally the need to attein these requirements with less prices, and less knowledge about the system, and its i environment, in other words the need to control economically under increased uncertainty. The above needs, which can be summarized as the need to control better increasingly complex dynamic systems under significant uncertainty has led to control methods which include higher level decision making, planing and learning. Thus, it is not suprising that the control community is now seriously interested in neural networks. This study is concerned with the identification andcontrol of unknown systems using neural networks. First, the performance of the neural networks on functional approximation has been tested on different nonlinear examples. Secondly, four different methods for the control of nonlinear systems have been considered. The methods have been simulated on a P.C A.T. and tested both on dynamic and static systems. In the simulation experiments, the backpropagation learning rule has been used to train the neural networks. Finally, the simulation results are evaluated and a performance comparison among the considered four methods is made.