A Contribution to Adaptive Sliding-Mode Control with Gaussian Radial-Basis-Function Networks (eBook, PDF)
PAYBACK Punkte
0 °P sammeln!
In der vorliegenden Dissertation wurden Untersuchungen zur adaptiven Sliding- Mode-Regelung mit Netzen von Gaußschen radialen Basisfunktionen vorgestellt. Ergebnisse aus Simulationen bzw. Laborexperimenten wurden dargestellt, um die Leistungsf¿ahigkeit der vorgeschlagenen Regelungsverfahren zu veranschaulichen. Grundlagen der Sliding-Mode-Regelung wurden in Kapitel 2 zusammengefasst. Die Unsicherheit der Regelstrecke kann durch eine hochfrequente Stellgr¿oße un- terdrückt werden, die genau einer Regelung mit hoher Verst¿arkung der niedrigeren Frequenz entspricht. Die Synthese der Sliding...
In der vorliegenden Dissertation wurden Untersuchungen zur adaptiven Sliding- Mode-Regelung mit Netzen von Gaußschen radialen Basisfunktionen vorgestellt. Ergebnisse aus Simulationen bzw. Laborexperimenten wurden dargestellt, um die Leistungsf¿ahigkeit der vorgeschlagenen Regelungsverfahren zu veranschaulichen. Grundlagen der Sliding-Mode-Regelung wurden in Kapitel 2 zusammengefasst. Die Unsicherheit der Regelstrecke kann durch eine hochfrequente Stellgr¿oße un- terdrückt werden, die genau einer Regelung mit hoher Verst¿arkung der niedrigeren Frequenz entspricht. Die Synthese der Sliding-Mode-Regelung, basierend auf der direkten Methode von Ljapunow mit asymptotischer Konvergenz, wurde dargestellt. In diesem Kapitel wurde ein ¿Uberblick zur adaptiven Sliding-Mode-Regelung gegeben. W¿ahrend die klassischen Methoden zur Parametersch¿atzung das adaptive Problem für Systeme in der Linear-in-Parameter-Form relativ gut l¿osen, wurden neue Ver- fahren der adaptiven Regelung mit neuronalen Netzen für Systeme eingeführt, die nicht diese Form aufweisen. Diese Verfahren beantworten allerdings meistens nicht die Frage der Stabilit¿at hinsichtlich der Approximationsfehler neuronaler Netze. Eine der Hauptideen dieser Arbeit ist die Integration von SMC mit direkter adaptiver Regelung, in der die Stabilit¿at durch die direkte Methode von Ljapunow sichergestellt wird. Netze mit Gaußschen radialen Basisfunktionen (GRBF-Netze) wurden als Kompensatoren der Unsicherheit eingeführt. Der Grund für die Auswahl der GRBF-Netze war, daß ihre Ausg¿ange Linearkombinationen der Ausgangsgewich- tungen sind, so dass die Stabilit¿at des Regelkreises einfacher zu erreichen ist. GRBF- Netze besitzen neben der besseren Konvergenz auch ein schnelleres Lernverhalten, verglichen mit den Multilayer-Feedforward-Netzen.
Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, HR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.
Andere Kunden interessierten sich für
