1. Научни трудове, включени - Технически Университет - София

окуражаващи, показвайки ефективността на предложената невронно-размитата управляваща схема сгенетично обучение и слоеста архитектура.Доклади на международни научни конференции, публикувани в специализираниon-line бази данни в интернет (IEEE Xplore, IFAC-PapersOnLine, ACM DigitalLibrary, CiteSeer x Digital Library)1.7 A. V. Topalov, N. G. Shakev, O.Kaynak and E. Kayacan, “Neuro-adaptive Approach forControlling a Quad-rotor Helicopter Using Sliding Mode Learning Algorithm”, Proc. of theIFAC workshop Adaptation and Learning in Control and Signal Processing, ALCOSP2010 &PSYCO 2010, pp. 94-98, 26-28 August, 2010, Antalya, Turkey (публикуван в IFAC-PapersOnLine).Резюме.През последните години интересът към автономните въздухоплавателни апарати нарасназначително. С напредъка на технологиите в областта стана възможно чрез използване на малкилетателни апарати да бъдат тествани ефективно и с по-малки разходи различни концепции ипроектни решения. Докладът предлага един нов невронно-адаптивен подход за управление нависочината и ъгъла на рискане (завъртане около вертикалната ос) на миниатюрен винтокриленлетателен апарат (хеликоптер) с четири ротора. Адаптивните структури в предложенитеуправляващи схеми са изградени с помощта на невронни мрежи с радиални базови функции, като еприложен устойчив онлайн алгоритъм за обучение. Последният използва принципи от теорията насистемите с променлива структура и установява хлъзгащо движение по отношение на параметритена мрежата, водещо грешката при обучение към нула. Ъглите на крена и на тангажа на винтокрилниялетателен апарат се управляват като се използва алгоритъм, прилагащ принципите на известнатастратегия за управление с вложени насищания. Получените резултати от симулирани полети, сизползване на прецизен динамичен модел на миниатюрния четирироторен хеликоптер DraganFlyer V Ti,показват, че предложеният невронно-адаптивен подход за управление може успешно да се справи съссъществуващи неточности и вариации в параметрите на модела и/или промени в условията наоколната среда.1.8 A. V. Topalov, N. G. Shakev, S. M. Nikolova, D. Seyzinski and O. Kaynak, “TrajectoryControl of Unmanned Aerial Vehicle Using Neural Nets with a Stable Learning Algorithm”,Proc. of 17th Mediterranean Conference on Control & Automation, MED’09, pp. 880 - 885,June 24-26, 2009, Thessaloniki, Greece (публикуван в IEEE Xplore).Резюме. Предложен е невронно-адаптивен метод за траекторно управление на безпилотни летателниапарати (самолети). Височината и местоположението (географската ширина и дължина) навъздушния робот се управляват от три невронно-адаптивни управляващи устройства, отследяващижеланите стойности на височината, въздушната скорост и ъгъла на крена на апарата. Всеки един оттрите интелигентни управляващи модули е изграден от конвенционален и от невронен регулатор.Конвенционалният регулатор служи за гарантиране на асимптотична устойчивост в компактнопространство и като инверсен еталонен модел на реакцията на управляваната система. Изходът му сеизползва като сигнал на грешката от устойчив онлайн алгоритъм за обучение актуализиращпараметрите на невронното управляващо устройство. Така последното успява постепенно даелиминира конвенционалния регулатор от управлението на системата. Предложеният алгоритъм заобучение директно прилага принципи от теорията на системите с променлива структура и установявахлъзгащо движение по отношение на параметрите на невронния регулатор, водещо грешката приобучение към нула. Поведението на предложената схема за траекторно управление е оценено чрезсимулирани полети на безпилотния самолет Aerosonde в средата на MATLAB с използване наAeronautical Simulation Block Set.1.9 A. V. Topalov, E. Kayacan, Y. Oniz and O. Kaynak, “Adaptive Neuro-Fuzzy Control withSliding Mode Learning Algorithm: Application to Antilock Braking System”, Proc. of TheSeventh Asian Control Conference (ASCC 2009), pp. 784 – 789, August 27-29, 2009, HongKong, China (публикуван в IEEE Xplore).Резюме. Предложен е невронно-размит метод за адаптивно управление на нелинейни динамичнисистеми, характеризиращи се с наличие на неизвестна динамика, грешки при моделиране и различнисмущения. Методът е приложен за проектиране на регулатор за управление на приплъзването наколелата при автомобил по време на спиране. Предложената управляваща структура се състои отконвенционален регулатор и реализирано с размита невронна мрежа управляващо устройство.Конвенционалният регулатор служи за гарантиране на асимптотична устойчивост в компактнопространство и като инверсен еталонен модел на реакцията на управляваната система. Изходът му се3