view in publisher's site

Emotional neural networks with universal approximation property for stable direct adaptive nonlinear control systems

Universal approximation, continuity, and differentiability are desirable properties of any computational framework, including those that rise from human cognition and/or are inspired by nature. Emotional machines constitute one such framework, but few studies have addressed their mathematical properties. Here, we propose a Continuous Radial Basis Emotional Neural Network (CRBENN) that benefits from the universal approximation property, continuous output, and simple structure of RBF; while keeping the fast response properties of emotion-based approaches. As such, CRBENN is amenable to a wide array of challenging problems in systems engineering and artificial intelligence. Here, we propose a CRBENN-based direct adaptive robust emotional neuro-control approach (DARENC) for a class of uncertain nonlinear systems. Stability is theoretically established using Lyapunov analysis of the closed-loop system. DARENC is then applied to control an inverted pendulum system, and the performance of the controller is numerically compared with several competing fuzzy, neural, and emotional controllers. The simulation results indicate improved tracking performance, better disturbance rejection, and less control effort. Finally, DARENC is implemented on a real-world 3-PSP (spherical–prismatic–spherical) parallel robot in our laboratory. The experimental results show the satisfactory performance of the robot in tracking the desired trajectory with low control effort.

شبکه‌های عصبی عاطفی با ویژگی تقریبی جهانی برای سیستم‌های کنترل غیر خطی تطبیقی،

تقریبی، پیوستگی، و differentiability ویژگی‌های مطلوب هر چارچوب محاسباتی، از جمله آن‌هایی هستند که از شناخت انسان و / یا از طبیعت الهام‌گرفته اند. ماشین‌های هیجانی یک چارچوب از این قبیل را تشکیل می‌دهند اما مطالعات کمی خواص ریاضی آن‌ها را بررسی کرده‌اند. در اینجا ما یک شبکه عصبی پیوسته را پیشنهاد می‌کنیم که از ویژگی تقریبی جهانی، خروجی پیوسته و ساختار ساده of بهره می‌برد در حالی که ویژگی‌های پاسخ سریع رویکردهای مبتنی بر احساس را حفظ می‌کند. به این ترتیب، CRBENN با طیف وسیعی از مشکلات چالش برانگیز در مهندسی سیستم‌ها و هوش مصنوعی است. در اینجا، ما یک رویکرد کنترل عصبی تطبیقی مبتنی بر CRBENN (DARENC)را برای یک کلاس از سیستم‌های غیرخطی متغیر پیشنهاد می‌کنیم. ثبات از لحاظ نظری با استفاده از آنالیز Lyapunov سیستم حلقه بسته پایه‌ریزی شده‌است. سپس برای کنترل یک سیستم پاندول معکوس بکار گرفته می‌شود و عملکرد کنترل‌کننده به صورت عددی با چندین کنترل‌کننده فازی، عصبی و احساسی مقایسه می‌شود. نتایج شبیه‌سازی نشان‌دهنده عملکرد ردیابی بهبود یافته، عدم پذیرش اغتشاش بهتر، و تلاش کم‌تر کنترل است. در نهایت، DARENC در یک ربات موازی ۳ - PSP (کروی - منشوری)موازی در آزمایشگاه ما اجرا می‌شود. نتایج تجربی عملکرد رضایت‌بخش این ربات را در ردیابی مسیر مورد نظر با تلاش کم کنترل نشان می‌دهد.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.