Data-based adaptive neural network optimal output feedback control for nonlinear systems with actuator saturation

در این مقاله، مسئله طراحی کنترل بازخورد بازده خروجی شبکه عصبی برای سیستم های مداوم زمانی غیرخطی با اشباع اکتیو مورد بررسی قرار گرفته است. دینامیک سیستم و وضعیت سیستم کنترل ناشناخته است. ناظر شبکه دولتی عصبی برای برآورد وضعیت سیستم ساخته شده است. این مقاله از دو شبکه عصبی استفاده می کند، یکی برای ساختن ناظر شبکه ای عصبی استفاده می شود، دیگر (شبکه عصبی منتقد) برای تقریبی تابع هزینه استفاده می شود که شامل یک معمار ناظر منتقد می شود. در این معماری، وزن شبکه های عصبی منتقد بر اساس داده های فعلی و داده های قبلی تنظیم می شود، بنابراین شرایط تحریک پایدار در ادبیات گذشته آرام است. با استفاده از رویکرد برنامه ریزی پویای سازگار، یک طرح کنترل بهینه مبتنی بر مشاهدات جدید توسعه یافته است. ثابت شده است که طرح کنترل مطلوب بازخورد خروجی شبکه های عصبی پیشنهاد شده می تواند اطمینان حاصل کند که کل سیستم حلقه بسته پایدار است. علاوه بر این، اشتباهات برآورد شده از وزن شبکه های عصبی منتقد به طور صحیح پایدار است. یک مثال شبیه سازی برای تأیید اثربخشی روش پیشنهاد شده است.