动态神经网络模范自由控制和识别

---

神经网络被用来解决广泛的多样性的问题在不同的科学和技术学科。尤其是控制和确定不确定系统受到的关注因为许多年前自然兴趣解决问题如自动调节或跟踪系统具有高度的模糊性在他们正式的数学描述。另一方面,人工建模不确定系统(一对出力是唯一可用的信息)已经利用多年来成果显著。

在自动控制和识别理论,神经网络必须使用一个动态结构设计。因此,所谓的动态神经网络方案已经成为相关和有趣的领域。动态神经网络使用复发和微分形式表示非线性模型的不确定性。这两个表示允许使用的成熟的数学机械控制理论在神经网络框架。

这个特殊问题的目的是给一个洞察力有关神经网络小说的结果有复发或微分模型。这个问题已经鼓励这种类型的神经网络自适应控制的应用设计或/和参数不确定系统的建模。

这个问题反映出的贡献众所周知的事实,神经网络通常涵盖了各种各样的技术部署的彻底性新的分析和神经网络的学习方法。基于客人编辑的建议下,许多作者被邀请提交他们最近的和未发表的关于上述主题的贡献。最后,5个论文被接受发表。

因此,本文p·k·金和s荣格题为“神经网络控制的实验研究为独轮移动机器人“礼物发展和控制盘式的独轮移动机器人,叫GYROBO。数独轮移动机器人的模型设计,开发,和控制。当前版本的GYROBO成功平衡和控制直线。GYROBO有三个执行机构平衡移动。两个执行机构用于平衡控制由于gyroeffect和一个驱动器驾驶动作。由于空间有限和重量平衡是成功的一个重要因素平衡控制,小心机械设计被认为是。在机器人动力学补偿的不确定性,一个神经网络被添加到nonmodel-based PD-controlled系统。参考补偿技术(RCT)用于神经网络控制器帮助GYROBO改善平衡和跟踪性能。r·c·罗德里格斯和w . Yu”的纸通过神经线性化和补偿鲁棒自适应控制”提出了一种新型的神经通过动态神经网络自适应控制。针对一类未知非线性系统,神经identifier-based反馈线性化控制器是第一次使用。死区和投影技术应用于保证神经识别的稳定性。然后四种类型的补偿器。闭环系统的稳定性也得到证明。”使用径向基函数动力学模型抽象方案”介绍了s .妥鲁香胶等人的对象操作的控制模型。系统动力学取决于一个未被注意的外部环境,例如,机器人机械手的工作负载。机械臂的动力学改变操纵对象与不同的物理属性,例如,质量,形状,或质量分布。主动传感策略来获得对象的动力学模型与径向基函数神经网络(RBF)解决。纸”一个output-recurrent-neural-network-based迭代学习控制未知非线性动态植物通过研究”。小王和C.-J。简处理迭代学习控制系统的设计方法通过递归神经网络输出(ORNN)。两个ORNNs用来设计学习控制结构。第一个ORNN,叫做递归神经控制器的输出(ORNC),用作迭代学习控制器实现学习控制目标。保证学习的收敛性错误,一些植物敏感信息需要ORNC设计合适的自适应律。因此,第二个ORNN,叫做输出复发性神经标识符(ORNI),用作标识符来提供所需的信息。问题”3 d非参数识别的神经“本文提出r .问:Fuentes et al .,, 3 d的状态识别研究偏微分方程(pde)使用微分近似神经网络(款)。权重的自适应法律保证的“实用稳定”款的抛物线轨迹三维(3 d) PDE。验证定性行为的建议方法,植物分布参数的非参数建模问题进行了分析。

这些论文是探索不同的神经网络在控制中的应用和识别从非常不同的观点。尽管论文的数量,神经网络作为model-independent工具的精神一直强调。此外,实际的例子包括论文的数量这个问题给出了一个额外的贡献的动态神经网络理论。

确认

编辑要感谢编辑部提供机会编辑这个特殊问题建模和动态神经网络自适应控制。客人编辑希望也感谢裁判有批判性的评估文件规定短时间内。最后我们希望读者能分享我们的快乐,找到这个特殊的问题非常有用。

亚历克斯Poznyak
艾萨克Chairez
他叫海波
文玉

版权

版权©2012亚历克斯Poznyak et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。