کنترل سطح دینامیکی با استفاده از شبکه‌های عصبی تطبیقی برای سیستم های تصادفی غیرخطی به فرم فیدبکاکید دارای پسماند پرنتلایشلینسکی در عملگر

به منظور پایدارسازی سیستم های تصادفی غیرخطی فیدبکاکید دارای غیرخطی گونگی پسماند پرنتلایشلینسکی در عملگر، با بکارگیری روش طراحی کنترل سطح دینامیکی تطبیقی که از شبکه های گوسی بهره برده اند، یک روش طراحی کنترل کننده پیشنهاد شده است. این روش قابل اعمال به سیستم های غیرخطی تصادفی با هر نوع دینامیک نامعلوم است. شبکه های گوسی براساس قابلیت تقریب زنی عمومی، امکان تقریب زنی دینامیک های نامعلوم سیستم های تصادفی غیرخطی را فراهم می آورند. با استفاده از الگوریتم پارامترهاییادگیریکمینه، فرایند تقریب زنی دینامیک های نامعلوم سیستم با کمترین پیچیدگی و حجم محاسبات صورت می پذیرد. پایداری سیستم کنترل پیشنهاد شده، به صورت تحلیلی اثبات شده و نتایج آن نیز به وسیله یک مثال شبیه سازی ردگیری، به نمایش گذاشته شده است. نشان داده شده است که روش طراحیپیشنهاد شده برای سیستم کنترل تطبیقی، کران داری در احتمال و در نتیجه آن کران داری نهایی یکنواخت را برای تمام سیگنال های حلقهبسته تضمین می کند. همچنین اثبات شده است که می توان با استفاده از این روش خطای ردگیری سیستم را تا اندازه دلخواه کوچک گرداند

Adaptive Neural Network Dynamic Surface Control for Nonlinear Stochastic Systems in The StrictFeedback Form with PrandtlIshlinskii Hysteresis in The Actuator

Using the adaptive radial basis function (RBF) neural network dynamic surface control design method, a controller design approach is presented in order to the stabilization of strictfeedback nonlinear stochastic systems subjected to PrandtlIshlinskii nonlinearity in the actuator. This method is capable to be applied to nonlinear stochastic systems with any unknown dynamics. According to the universal approximation capability the RBF neural networks make it possible to approximate the unknown dynamics of the nonlinear stochastic systems. Using the minimallearningparameters algorithm the approximation procedure is done with a minimum complexity and required calculations. The stability of the proposed control system is proven analytically and its results are demonstrated using a simulation example. It is shown that the proposed design approach guarantees the boundedness in probability for adaptive control system, and in turn the uniformly ultimately boundedness of all closedloop signals. It is also shown, that using this method the tracking error can be made arbitrarily small.