A self-evolving functional-linked wavelet neural network for control applications

doi:10.1016/j.asoc.2013.06.012

淡江大學機構典藏 > 工學院 > 電機工程學系暨研究所 > 期刊論文 > Item 987654321/93536

請使用永久網址來引用或連結此文件: https://tkuir.lib.tku.edu.tw/dspace/handle/987654321/93536

題名:	A self-evolving functional-linked wavelet neural network for control applications
作者:	Hsu, Chun-Fei
貢獻者:	淡江大學電機工程學系
關鍵詞:	Adaptive control;Neural control;Functional-linked neural network;Wavelet neural network;Dynamical structure
日期:	2013-11-01
上傳時間:	2014-01-22 15:25:59 (UTC+8)
出版者:	Amsterdam: Elsevier BV
摘要:	因為小波理論具有高精確度之近似特性並可大幅降低運算時間，因此各領域均有專家學者常是利用小波理論處理所面臨的問題。近十多年來，數種不同的小波類神經網路(wavelet neutral network)被提出來，其結合具有數學解析能力之小波理論以及強大學習能力的類神經網路，並應用於非線性動態系統之鑑別與控制上。然而，在參考文獻中所使用的小波類神經網路之網路架構大小，時常需要設計者嘗試後才能獲得不錯的學習響應，一般而言，為了避免小波類神經網路之學習能力欠佳進而影響控制響應結果，設計者往往會選用網路架構較大的小波類神經網路來進行設計，但使用過多的類神經元將會造成硬體實作上難以實現之缺點。本研究提出了自構式函數鏈結小波類神經網路(self-evolving functional-linked wavelet neutral network)，在類神經網路架構上，利用函數鏈結類神經網路為小波類神經網路之輸出層網路架構，如此可以避免類神經網路沒有達到全域最佳化之學習效果且可以強化類神經網路之學習能力。另外，在類神經網路架構學習上，本研究考慮了類神經神經元的增長機制與刪除機制。在神經元增長機制方面，當輸入資料與現有的隱藏層神經元之中心位置距離太大時，則相對應於輸入訊號增加一隱藏層神經元，借此讓該類神經網路擁有更加的學習能力；在神經元刪除機制方面，本研究引入了使用率密度的觀念，當現有的某隱藏層神經元之使用率密度過低時，及暗示著該隱藏神經元不重要，則刪除該隱藏層神經元來減少計算負擔。尤其，本研究所提出的類神經網路架構學習法則並不需要使用複雜的數學計算，所以相對應於其他已發表的方法，本研究所提出的網路架構學習法則將會更容易於硬體實現。接著，本研究提出了適應性自構式函數鏈結小波類神經網路控制器(adaptive self-evolving functional-linked wavelet neutral control)，其包含了類神經控制器與監督補償器。在類神經控制器設計中，利用了自構式函數鏈結小波類神經網路來線上即時學習近似理想控制器，整個類神經網路的參數調整方式是依據監督式梯度陡降法則來設計推導。在監督補償器設計中，是基於李亞普諾夫穩定理論所推導獲得的學習法則調整，因此可保證整個系統的穩定性。最後，將所提出的適應性自構式函數鏈結小波類神經網路控制器運用於渾沌系統與直流伺服馬達定位系統上，經由模擬結果與實驗結果均充分顯示所提出的式硬性自構式函數鏈結小波類神經網路控制系統可以獲得良好的控制響應，甚至當受控系統參數有變化時，依舊可以藉由線上學習法則即時地調整控制器參數來獲得不錯的控制響應。
關聯:	Applied Soft Computing 13(11), pp.4392–4402
DOI:	10.1016/j.asoc.2013.06.012
顯示於類別:	[電機工程學系暨研究所] 期刊論文

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	339	檢視/開啟
index.html		0Kb	HTML	275	檢視/開啟

在機構典藏中所有的資料項目都受到原著作權保護.

TAIR相關文章

資料載入中.....