Intelligent Control Based on Flexible Neural Networks: Science and Engineering) - Couverture souple

Teshnehlab, M.; Kyoko, Watanabe

Couverture souple

ISBN 10 : 9048152070 ISBN 13 : 9789048152070

Editeur : Springer, 2010

Synopsis

References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 Chapter 3 Flexible Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . 61 3. 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 3. 2 Flexible Unipolar Sigmoid Functions . . . . . . . . . . . . . . . . . . . . . . . . . . 62 3. 3 Flexible Bipolar Sigmoid Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3. 4 Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3. 4. 1 Generalized learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 3. 4. 2 Specialized learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 3. 5 Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 3. 6 Combinations of Flexible Artificial Neural Network Topologies . . . . 79 3. 7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 Chapter 4 Self-Tuning PID Control 85 4. 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 4. 2 PID Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 4. 3 Flexible Neural Network as an Indirect Controller . . . . . . . . . . . . . . . 91 4. 4 Self-tunig PID Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 4. 5 Simulation Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 94 4. 5. 1 The Tank model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 4. 5. 2 Simulation study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 4. 5. 3 Simulation results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 4. 6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 Chapter 5 Self-Tuning Computed Torque Control: Part I 107 5. 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 5. 2 Manipulator Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 5. 3 Computed Torque Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 5. 4 Self-tunig Computed Torque Control . . . . . . . . . . . . . . . . . . . . . . . . . 111 5. 5 Simulation Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 5. 5. 1 Simultaneous learning of connection weights and SF para- ters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 5. 5. 2 Learning of the sigmoid function parameters . . . . . . . . . . . . . 123 Vll 5. 5. 3 Simultaneous learning of SF parameters and output gains 129 5. 6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 Chapter 6 Self-Tuning Computed Torque Control: Part II 137 6. 1 Introduction . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 6. 2 Simplification of Flexible Neural Networks . . . . . . . . . . . . . . . . . . . . 138 6. 3 Simulation Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 6. 3. 1 Simultaneous learning of connection weights and sigmoid function parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

A propos du livre

Présentation de l'éditeur

The use of flexible sigmoid functions makes artificial neural networks more versatile. This volume determines learning algorithms for sigmoid functions in several different learning modes using flexible structures of neural networks with new derivation algorithms. The book is aimed at electrical, electronic, and mechanical control and systems engineers concerned with intelligent control who wish to explore neural network approaches. Here, for readers who are unfamiliar with neural network computing, is a concise introduction to the main existing types of flexible neural networks. This book will be a valuable aid to new research in which high abilities in artificial neural networks in intelligent control design and development can be achieved.

Détails de l'édition

• Éditeur: Springer
• Date d'édition: 2010
• Langue: anglais
• ISBN 10: 9048152070
• ISBN 13: 9789048152070
• Reliure: Broché
• Numéro d'édition: 1
• Nombre de pages: 252
• Coordonnées du fabricant: ProductSafety@springernature.com; ProductSafety@springernature.com; ; Poststr. 9; Darmstadt; 64293; Allemagne