دانلود ترجمه مقاله شبکه عصبی تأخیر زمانی برای کنترل سیستم دینامیکی

1. مقدمه 2. نورون دینامیکی با تأخیر زمانی 3. قانون کنترل 4. شبیه سازی عددی و بحث و بررسی 5. نتیجه گیری

مقدمه: شبکه عصبی مصنوعی (ANN) از سلول های عصبی بیولوژیک مغز پیروی کرده و شامل تعدادی نورون و پیوند وزنی می باشد [1]. ANN توان بالایی در تقریب انطباق ورودی- خروجی یک سیستم دینامیکی دارد؛ از این رو، به صورت گسترده در انواع مسائل علوم و مهندسی مانند شناسایی و کنترل سیستم های غیر خطی بکار رفته است [2]. برای تجسم خصوصیات دینامیکی سیستم، به چند ویژگی حافظه برای گنجاندن در ANN نیاز می باشد. این طرح های حافظه عموماً شامل استفاده از شبکه عصبی بازگشتی با نورون های خود بازگشتی و معرفی واحدهای نورون دیگر با حالات گذشته نورون ها می باشند [3، 4]. با این وجود، ANN مبتنی بر این طرح های مرسوم نه تنها به نویز خارجی حساس است، بلکه ساختار شبکه بسیار پیچیده تری ایجاد می کند که موجب افزایش پیچیدگی محاسباتی می شود. پایدار سازی در تحلیل و طراحی کنترل سیستم ها یک مسأله اساسی می باشد. با این حال، دستیابی به کنترل پایدار و آنلاین با استفاده از روش های معمول ANN به دلیل وجود اغتشاش خارجی و خطاهای مدل سازی بسیار دشوار می باشد. با اینکه طرح های کنترل نورون بر اساس قضیه پایداری لیاپونوف به منظور تضمین پایداری سیستم پیشنهاد شده است اما آنها معمولاً به یک سیستم خاص محدود بوده و از شرایط به شدت محدود رنج می برند. از این رو، ایجاد طرح کنترل پایدار و تطبیقی بر اساس ANN در مطالعات نظری و در کاربردهای عملی بسیار حائز اهمیت می باشد. این مقاله یک شبکه عصبی بازگشتی پیوسته با تأخیر نورون در لایه مخفی برای کنترل سیستم دینامیکی را پیشنهاد می کند. ابتدا تشریح ریاضی مدل ارائه شده و سپس الگوریتم آموزش اوزان و قانون کنترل بر مبنای روش پایداری لیاپونوف ایجاد می شود. روش پیشنهادی بسط نتایج مرجع [5] بوده و نیاز زیادی به دانش قبلی از سیستم ها ندارد و می تواند خطای کنترل را همگرا کرده و در بازه نزدیک به نقطه صفر نگه دارد.

INTRODUCTION: A artificial neural network (ANN) follows the biological neural cells in the brain and consists of a. number of neurons and weighted links [1]. ANN has strong ability to approximate the input—output mapping of a dynamical system; it hence has been applied widely to the various problems in science and engineering, such a.s identifications and control of nonlinear systems [2]. To embody the dynamical properties of a system, some memorial properties are needed to introduce into the Ann. These memorial schemes usually include the use of recurrent neural network with self-recurrent neurons, and the introducing of additional neuron units with past states of neurons [3, 4]. However, ANN based on these conventional schemes not only is sensitive to the external noise but also produce much more complicated network structure, which increases the computational complexity. Stabilization is a key problem in the analysis and design of systems control. It is however very difficult to achieve a. stable and on-line control using the conventional ANN methods due to external disturbances and modeling errors. Although neural control schemes based on Lyapunov stability theorem are proposed to guarantee the stability of a system, they are usually constrained to a. special system and suffered from strictly restricted conditions. Hence, the construction of the stable and adaptive control scheme based on ANN is very important in theoretical studies and practical applications.