طراحی کنترل‌ کننده عصبی عاطفی تطبیقی و پایدار بر پایه رویتگر برای دسته‌ای از سیستم‌ های غیرخطی نامعین

عدم ‌قطعیت‌ها و پیچیدگی‌ های مسائل کنترلی واقعی همچون دینامیک نامعلوم، در دسترس نبودن حالت‌ها و اغتشاش خارجی، ساختار کنترلی قوی برای برخورد با این عدم قطعیت‌ها را ایجاب می‌کنند. مدل‌های عصبی عاطفی ویژگی‌هایی همچون سادگی ساختار و سرعت بالای پاسخگویی را از خود نشان داده‌اند؛ اما کنترل‌کننده‌های عاطفی طراحی‌شده برای سیستم‌های غیرخطی نامعین خطی-ورودی، هنوز به مسائلی همچون محدودیت دسترسی به حالت‌ها نپرداخته‌اند. بدین منظور در این پژوهش، طراحی کنترل‌کننده عصبی عاطفی تطبیقی بر پایه رویتگر برای دسته‌ای از سیستم‌های غیرخطی نامعین خطی-ورودی معرفی شده است. دینامیک‌های سیستم نامعلوم هستند و توسط شبکه عصبی عاطفی پایه شعاعی پیوسته (crbenn) تخمین زده می‌شوند. پارامترهای شبکه عصبی عاطفی با استفاده از قواعد تطبیق مناسب و سازگار با پیش‌زمینه‌های زیستی مغز عاطفی به روز می‌شوند. همچنین اغتشاش خارجی بر عملکرد سیستم تاثیر می‌گذارد. برخلاف کنترل‌کننده‌های عاطفی قبلی، حالات سیستم نیز در دسترس نیستند و با استفاده از رویتگر حالت تخمین زده می‌شوند. معیار عملکرد ردیابی h∞ برای سیستم حلقه بسته بر اساس نظریه پایداری لیاپانوف به اثبات رسیده است. نتایج شبیه‌سازی، خطای ردیابی و انرژی کنترلی کمتر را برای روش پیشنهادی در مقایسه با یک کنترل‌کننده عصبی دیگر نشان می‌دهند.

observer-based adaptive emotional controller for a class of uncertain nonlinear systems

uncertainties and complexities of the actual control problems, such as unknown dynamics, unmeasurable states, external disturbances, and measurement noise, require powerful control structures capable of handling such complexities. emotional controllers offer fast system response while also carrying a simple structure. however, the emotional controllers to date have not been evaluated rigorously. here, the continuous radial basis emotional neural network (crbenn) is employed to approximate the unknown dynamics in observer-based adaptive control structures for uncertain affine nonlinear systems. the system dynamics are unknown. also, external disturbance and measurement noise affect system performance. compared to the previous emotional controllers, the system states are not measurable and are estimated using a state estimator. the h∞ tracking performance is verified using lyapunov stability theory, and suitable adaptive laws are designed for the weights of the proposed emotional networks that are consistent with the basic brain emotional learning model. results indicate that the proposed controllers reach a lower tracking error with similar control energy consumption compared to another neuro-controller.