1. Научни трудове, включени - Технически Университет - София

като робастност и висока скорост на обучение, и е способен да следва зададените ставни траекториина робота с висока точност.1.17 V. Giordano, A. V. Topalov, O. Kaynak, and B. Turchiano, “Sliding Mode Approach forOnline Neural Identification of Robotic Manipulators”, Proc. of the 5th Asian ControlConference, ASCC’04, pp. 2070-2076, 20-23 July, 2004, Melbourne, Australia (публикуванв IEEE Xplore).Резюме. Невронните мрежи с прави връзки са широко прилагани за целите на онлайн моделирането,идентификацията и адаптивното управление при наличие на промени в динамиката на процеса или вхарактеристиките на смущенията. В този доклад е разгледано приложението на нов обучаващалгоритъм, използващ принципи от теорията на системите с променлива структура, при онлайнневронна идентификация на манипулационни роботи. Множеството на нулевите нива на променливатана грешката при обучение се разглежда като повърхнина на хлъзгане в пространството наобучаваните параметри на идентификатора. Предложеният метод за обучение представлява единопростен и в същото време робастен механизъм за гарантиране на достигането за крайно време наусловието за нулева грешка при обучение. С цел намаляване на сложността и подобряване наработата на алгоритъма предварително, извън реално време, е реализирана оптимизация наконфигурацията на схемата за обучение с използване на генетичен алгоритъм. Предложената схема заневронна идентификация е експериментално тествана върху индустриален манипулатор модел CRS255. Резултатите показват, че невронният модел наследява някои от преимуществата на метода зауправление в режим на хлъзгане, като робастност и висока скорост на обучение и е способен да следвас висока точност зададените ставни траектории на робота.1.18 A. V. Topalov and O. Kaynak, “Neuro-Adaptive Modeling and Control of a Cement MillUsing a Sliding Mоde Learning Mechanism”, Proc. of IEEE International Symposium onIndustrial Electronics, ISIE’04, pp. 225-230, May 4-7, 2004, Ajaccio, France (публикуван вIEEE Xplore).Резюме. Представена е нова адаптивна схема за управление на циментови мелници с използване наневронна мрежа. Оценките на грешките в управляващите сигнали се изчисляват с една стъпка напредпосредством невронен предсказващ модел на обекта и впоследствие се използват за настройка напараметрите на регулатора. За адаптацията на регулатора и на модела на обекта е приложен онлайналгоритъм, основан върху прякото използване на принципи от теорията за управление в режим нахлъзгане. Предложеният подход позволява на системата да се справя със съществуващинесъответствия, неопределености и параметрични промени в динамиката на обекта. Симулационнитерезултати показват, че невронният модел и регулаторът наследяват някои от преимуществата наметода за управление в режим на хлъзгане, като робастност по отношение на съществуващинеточности и/или неопределености в модела на обекта и висока скорост на обучение. Наблюдават себърза сходимост и доброто поведение по отношение на намаляването на грешката, водещи доподобряване на преходната характеристика на затворената система.1.19 A. V. Topalov, O. Kaynak and N. G. Shakev, “Variable Structure Systems Approach forOn-line Learning in Multilayer Artificial Neural Networks”, Proc. of the 29th AnnualConference of the IEEE Industrial Electronics Society, IECON’03, Vol. 3, pp. 2989-2994, 2-6Nov., 2003, Roanoke, VA, USA (публикуванв IEEE Xplore).Резюме. Предложен е нов метод за онлайн обучение при многослойните невронни мрежи със скаларенизходен сигнал, който е базиран на управлението в режим на хлъзгане. Невронни структури от тозитип са широко използвани за целите на онлайн моделирането, идентификацията и адаптивнотоуправление, при промени в динамиката на процеса или в характеристиките на смущенията. Разглеждасе случая на аналогова невронна мрежа, когато адаптацията на теглата на мрежата се осъществявав непрекъснато време. Нулевите нива на променливата на грешката при обучение се приемат катоповърхнина на хлъзгане в пространството на обучаваните параметри. Предложеният подходпредставлява прост и същевременно робастен механизъм за гарантиране на достигане за крайно времена условието за нулева грешка при обучение. Представени са резултати от симулационниексперименти, касаещи приложението на предложения алгоритъм за обучение при невронна онлайнидентификация на динамиката на манипулатор. Те показват, че невронният модел наследява някои отпреимуществата на метода за управление в режим на хлъзгане, като робастност и висока скорост наобучение.1.20 A. V. Topalov and O. Kaynak, “A Sliding Mode Strategy for Adaptive Learning inMultilayer Feedforward Neural Networks with a Scalar Output”, Proc. of IEEE International6