آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,323 |
| تعداد مقالات | 16,270 |
| تعداد مشاهده مقاله | 52,954,418 |
| تعداد دریافت فایل اصل مقاله | 15,625,012 |
طراحی کنترل تطبیقی بدون مدل بهبود یافته برای سیستم‌های غیرخطی نامشخص با استفاده از شبکه عصبی چندجمله‌ای در حضور داده های کوانتیزه شده. | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 13 تیر 1403 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2024.59301.4761 | ||
| نویسندگان | ||
| محمدرضا میر1؛ ملیحه مغفوری فرسنگی* 2؛ Yasin Asadi3؛ محمد ملایی امام زاده1 | ||
| 1گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران | ||
| 2عضو هیات علمی دانشگاه شهید باهنر کرمان | ||
| 3electrical department of Kerman university | ||
| چکیده | ||
| This paper proposes an Enhanced Data-Driven Quantized Model-Free Adaptive Control (EDD-QMFAC) structure for a class of unknown nonlinear systems based on the Group Method of Data Handling (GMDH) neural network. In this study, the output quantized data is given to the GMDH block to overcome the data quantization challenges in Data-Driven Control methods. In the proposed control loop the GMDH derives a model to estimate the actual output of the system from the quantized output data based on the predictive feature of this network. The controller then generates the input control signal based on the system’s estimated actual output data. The Lyapunov theory is used to prove the stability of the suggested structure. The simulation results demonstrate the advantages of the proposed control structure over the conventional QMFAC. | ||
| کلیدواژه‌ها | ||
| Data-Driven Control؛ MFAC method؛ GMDH Neural Network؛ Data Quantization | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 417 |
||