1. Научни трудове, включени - Технически Университет - София

1.13 E. Kayacan, Y. Oniz, O. Kaynak and A. V. Topalov, “Adaptive Control of AntilockBraking System Using Grey Multilayer Feedforward Neural Networks”, Proc. of SeventhInternational Conference on Machine Learning and Applications, ICLMA’08, pp. 356 - 361,11-13 Dec., 2008, San Diego, California, USA (публикуван в IEEE Xplore).Резюме. В този доклад е предложен сив невронно-адаптивен метод за управление на антиблокировъчнисистеми (ABS) при автомобили. Теорията за сивите системи, които имат определени предсказващивъзможности, предлага един алтернативен на конвенционалните методи за управление подход.Многослойна невронна мрежа и сив предикторен GM(1,1) модел са комбинирани при предложения втози доклад метод. Полученият сив невронен регулатор е изпитан при няколко различни условия нафункциониране и е показано, че предложеният управляващ алгоритъм предсказва постъпващитестойности на приплъзване на колелата на автомобила в режим на спиране и оптималната имстойност, и предприема необходимото действие за поддържане на желаната стойност наприплъзване. Получените симулационни резултати демонстрират, че предложеният адаптивенрегулатор има способността да управлява добре подобна нелинейна система като гарантира малкиосцилации и нулева статична грешка.1.14 C. -J. Kim, M. -S. Park, A. V. Topalov, D. Chwa and S. -K. Hong, “Unifying Strategiesof Obstacle Avoidance and Shooting for Soccer Robot Systems”, Proc. of InternationalConference on Control, Automation and Systems ICCAS’07, pp. 207-211, Oct. 17-20, 2007,Seoul, Rep. of Korea (публикуван в IEEE Xplore).Резюме. Този доклад представя комплексна стратегия за управление на колесни мобилни роботи всистемите за игра на футбол, целяща избягване на препятствия и шутиране на топката къмпротивниковата врата. Чрез съвместното прилагане на реализиран с размита невронна мрежаалгоритъм за заобикаляне на препятствията и базиран на пределен цикъл (limit-cycle based) алгоритъмза шутиране на топката, са предложени два варианта на комплексни схеми изградени както припаралелна така и при последователна комбинация на тези поведения. Това позволява постигането нагладко преминаване (превключване) между режима за избягване на препятствия и този за шутиране.Двете предложени управляващи схеми са реализирани и изследвани експериментално при няколкосценария с помощта на отбор от мобилни роботи с бордови управляващи модули, използващи 8-битовимикропроцесори Аm188ES.1.15 G. L. Cascella, F. Cupertino, A. V. Topalov, O. Kaynak and V. Giordano, “AdaptiveControl of Electric Drives Using Sliding-Mode Learning Neural Networks”, Proc. of IEEEInternational Symposium on Industrial Electronics, ISIE 2005, pp. 125-130, 2005 Dubrovnik,Croatia (публикуван в IEEE Xplore).Резюме. Представен е нов, базиран на теорията за управление в режим на хлъзгане, метод за онлайнобучение на регулатори, реализирани с многослойни невронни мрежи и приложението му за невронноуправление на скоростта на електрически двигатели. Предложеният алгоритъм установява вътрешнохлъзгащо движение по отношение на параметрите на регулатора, водещо към нула грешката вуправляващия сигнал. Външното хлъзгащо движение касае управлявания електродвигател, чийтовектор на следящата грешка по състояние е паралелно принуждаван да се премества към началото нафазовото пространство. Демонстрирана е съществуващата еквивалентност между двете хлъзгащидвижения. За да бъде оценена работата на предложената схема за управление и нейната практическаосъществимост в индустриални условия са проведени експериментални тестове в реално време зауправление на електрозадвижвания.1.16 A. V. Topalov and O. Kaynak, “Robust Neural Identification of Robotic ManipulatorsUsing Discrete Time Adaptive Sliding Mode Learning”, Proc. of IFAC Triennial WorldCongress, pp. 336 – 341, 2005, Prague (публикуван в IFAC-PapersOnLine).Резюме. Изследван е проблема за идентификация на нелинейни системи, съдържащи неопределености вдимамичния модел, чрез използване на многослойни невронни мрежи с прави връзки. Теглата наневронния идентификатор се актуализират онлайн чрез работещ в дискретно време алгоритъм заобучение, базиран на метода за управление в режим на хлъзгане, широко известен със своятаробастност по отношение на съществуващи в системата неопределености. Обучаваните параметрисе настройват така, че да бъде принудена грешката между текущия и желания изход на мрежата даудовлетворява устойчиво диференчно уравнение и да се установи режим на квази-хлъзгане върхуповърхнина, формирана от нулевите стойности на грешката при обучение. Поведението напредложения алгоритъм за обучение, работещ в дискретно време, е илюстрирано чрез прилагането муза невронна идентификация на експериментален робот манипулатор. Резултатите показват, ченевронният модел наследява някои от преимуществата на метода за управление в режим на хлъзгане,5