1. Научни трудове, включени - Технически Университет - София

използва като сигнал на грешката от онлайн алгоритъм за обучение актуализиращ параметрите наневронно-размития регулатор. По този начин последният е в състояние постепенно да замениконвенционалния регулатор в управлението на системата. Предложеният алгоритъм за обучениеприлага директно принципи от теорията на системите с променлива структура и установявахлъзгащо движение по отношение на параметрите на невронния регулатор, водещо грешката приобучение към нула. Методът е тестван чрез симулационни изследвания за управление на модел наантиблокировъчна система (ABS) и аналитично получените резултати са потвърдени при наличие нанеточности и/или неопределености в модела и големи ненулеви начални грешки.1.10 A. V. Topalov, E. Kayacan, Y. Oniz and O. Kaynak, “Neuro-Fuzzy Control of AntilockBraking System Using Variable-Structure-Systems-based Learning Algorithm”, Proc. of theInternational Conference on Adaptive and Intelligent Systems, ICAIS 2009, pp. 166-171, 24-26 Sept., 2009, Klagenfurt, Austria (публикуван в ACM Digital Library).Резюме. Предложен е метод за невронно-размито адаптивно управление на нелинейни системи сналичие на неточности и/или неопределености в динамичния модел. Приложената управляваща схема сесъстои от ПД регулатор, служещ за гарантиране на асимптотичната устойчивост в компактнопространство и като инверсен еталонен модел на реакцията на управляваната система. Неговиятизходен сигнал служи като сигнал на грешката при онлайн алгоритъм за обучение, актуализиращпараметрите на невронно-размит регулатор. Последният е в състояние постепенно да замениконвенционалния регулатор в управлението на системата. Предложеният алгоритъм за обучениеприлага директно принципи от теорията на системите с променлива структура и установявахлъзгащо движение по отношение на параметрите на невронно-размития регулатор. Допълнително поотношение на общия управляващ сигнал, постъпващ от двата регулатора е приложен интегриращкомпонент с цел постигане на управление, подобно на ПИД закон. Поведението на управляващата схемае тествано симулационно в средата на MATLAB върху задача за управление на припръзването наколелата на автомобил по време на спиране. За целта е използван динамичен модел наантиблокировъчна система на фирмата INTECO. Аналитично получените изводи са проверени приналичие на неопределености и неточности в модела и големи начални грешки.1.11 A. V. Topalov, O. Kaynak, N. G. Shakev and S. K. Hong, “Sliding Mode Algorithm forOn-line Learning in Fuzzy Rule-based Neural Networks”, Proc. of the 17 th IFAC WorldCongress, pp. 12793-12798, July 6-11, 2008, Seoul, Korea (публикуван вIFACPapersOnLine).Резюме. Разработен е нов алгоритъм за онлайн трениране на размити невронни мрежи, който еоснован върху теорията за системите с променлива структура. Подобни структури от изчислителнияинтелект са широко използвани за моделиране,идентификация и управление на нелинейни динамичнисистеми. Алгоритъмът е приложим при базираните на размити правила невронни мрежи от типа наTakagi-Sugeno-Kang със скаларен изходен сигнал. Установена е сходимостта му и са дадени условиятаза това. За разлика от други подобни методи, които се ограничават до адаптация само напараметрите в частта от мрежата, реализираща операцията деразмиване, предложеният алгоритъмнастройва също така и параметрите на използваните функции на принадлежност. Нулевитестойности на променливата на грешката при обучение се разглеждат като повърхнина на хлъзгане впространството на обучаваните параметри на мрежата. Ефективността на предложения алгоритъме показна чрез прилагането му за онлайн обучение с цел апроксимация на функции.1.12 N. G. Shakev, A. V. Topalov and O. Kaynak, “A Neuro-Fuzzy Adaptive Sliding ModeController: Application to Second-Order Chaotic System”. Proc. of 4th International IEEEConference “Intelligent Systems”, pp 9-14 - 9-19, Sept. 6-8, 2008, Varna, Bulgaria(публикуван в IEEE Xplore).Резюме. За управлението на сложни динамични системи, които са често повлияни от наличието нанеизвестна динамика, грешки в моделирането, нелинейности, различни видове смущения,неопределености и шум e необходимо да бъдат прилагани робастни или безмоделни (model-free) методиза управление. В този доклад са представени свойствата на нов динамичен алгоритъм за робастноадаптивно обучение при базирани върху размити правила невронни мрежи от типа Takagi-Sugeno-Kangсъс сигмоидни функции на принадлежност и скаларен изход. Показано е неговото приложение приневронно-размито адаптивно управление на нелинейни системи, характеризиращи се с наличието нанеопределености и/или неточности в динамиката. Предложеният метод пряко прилага принципите натеорията за системите с променлива структура, както и известната схема за обучение по грешката взатворената система (feedback-error-learning). В проведените симулационни експерименти методът етестван за управление на осцилатора на Duffing и аналитично получените изводи са проверени вусловията на налични неопределености в модела и големи ненулеви начални грешки.4