Abstract
In this paper, a self-tuning adaptive neural controller strategy for unknown nonlinear system is
presented. The system considered is described by an unknown NARMA-L2 model and a feedforward
neural network is used to learn the model with two stages. The first stage is learned off-line with two
configuration serial-parallel model & parallel model to ensure that model output is equal to actual
output of the system & to find the jacobain of the system. Which appears to be of critical importance
parameter as it is used for the feedback controller and the second stage is learned on-line to modify the
weights of the model in order to control the variable parameters that will occur to the system. A back
propagation neural network is applied to learn the control structure for self-tuning PID type neurocontroller.
Where the neural network is used to minimize the error function by adjusting the PID gains.
Simulation results show that the self-tuning PID scheme can deal with a large unknown nonlinearity.
presented. The system considered is described by an unknown NARMA-L2 model and a feedforward
neural network is used to learn the model with two stages. The first stage is learned off-line with two
configuration serial-parallel model & parallel model to ensure that model output is equal to actual
output of the system & to find the jacobain of the system. Which appears to be of critical importance
parameter as it is used for the feedback controller and the second stage is learned on-line to modify the
weights of the model in order to control the variable parameters that will occur to the system. A back
propagation neural network is applied to learn the control structure for self-tuning PID type neurocontroller.
Where the neural network is used to minimize the error function by adjusting the PID gains.
Simulation results show that the self-tuning PID scheme can deal with a large unknown nonlinearity.
Keywords
Adaptive Controller
Neural Network
Self-Tuning
Abstract
يتم تعليمه بطريقة (NARMA-L الذي أساسه النموذج العصبي ( 2 (Identifier) أن هيكلية المسيطر العصبي مع المعرف
كمقترح (PID) مع صيغتين التوالي المتوازي و المتوازي وتطبيق خوارزمية التنغيم التلقائي العصبي للمسيطر (off-line)
لبناء هيكلية المسيطر.
(Jacobain) هو نموذج لأخطي يصف المنظومة أللاخطية ويستخدم لتحقق من (NARMA-L أن النموذج العصبي ( 2
للمنظومة و التي تعتبر من العناصر المهمة و الحرجة في إيجاد إشارة التغذية العكسية.
للنموذج بطريقة خوارزمية الانتشار (Weights) لتحديث الأوزان (on-line) يتم أيضا تعليمه (NARMA-L أن المعرف ( 2
العكسي العامة لكي يصبح النموذج مطابق الى المنظومة أللاخطية.
لكي يتبع إخراج المنظومة الحقيقية ( PID) يستخدم المسيطر الراجع العصبي ذات التنغيم التلقائي لتعبير عناصر المسيطر
الإدخال المطلوب وباستخدام أيضا" خوارزمية الانتشار العكسي العامة.
أن هيكلية المسيطر المقترح يستخدم لتقليل الخطاء بين الإخراج المرغوب و الإخراج الحقيقي للمنظومة.
لقد تم الحصول على نتائج ممتازة باستخدام المسيطر المقترح عندما طبق هذا المسيطر على المنظومة أللاخطية
كمقترح (PID) مع صيغتين التوالي المتوازي و المتوازي وتطبيق خوارزمية التنغيم التلقائي العصبي للمسيطر (off-line)
لبناء هيكلية المسيطر.
(Jacobain) هو نموذج لأخطي يصف المنظومة أللاخطية ويستخدم لتحقق من (NARMA-L أن النموذج العصبي ( 2
للمنظومة و التي تعتبر من العناصر المهمة و الحرجة في إيجاد إشارة التغذية العكسية.
للنموذج بطريقة خوارزمية الانتشار (Weights) لتحديث الأوزان (on-line) يتم أيضا تعليمه (NARMA-L أن المعرف ( 2
العكسي العامة لكي يصبح النموذج مطابق الى المنظومة أللاخطية.
لكي يتبع إخراج المنظومة الحقيقية ( PID) يستخدم المسيطر الراجع العصبي ذات التنغيم التلقائي لتعبير عناصر المسيطر
الإدخال المطلوب وباستخدام أيضا" خوارزمية الانتشار العكسي العامة.
أن هيكلية المسيطر المقترح يستخدم لتقليل الخطاء بين الإخراج المرغوب و الإخراج الحقيقي للمنظومة.
لقد تم الحصول على نتائج ممتازة باستخدام المسيطر المقترح عندما طبق هذا المسيطر على المنظومة أللاخطية