Orientadores : Fernando A.C. Gomide, Keneth Loparo / Tese (doutorado) - Universidade Estadualde Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-14T00:26:14Z (GMT). No. of bitstreams: 1 Teixeira_EdilbertoPereira_D.pdf: 8393972 bytes, checksum: e7386ddbfefb0a68559f5403af21eb30 (MD5) Previous issue date: 1991 / Resumo: Esta tese apresenta um método para se controlar sistemas não lineares por meio de um esquema adaptativo implementado através de rede neurais artificiais. Para uma classe específica de sistemas, são apresentadas as condições necessárias para se ensinar o mapeamento de entrada-saída a uma rede neural treinada pela regra delta generalizada. Apresenta-se também neste trabalho, um método de linearização por realimentação, usando-se redes neurais. O método pode ser aplicado para sistemas não identificados, de tempo contínuo, discreto ou sistemas amostrados. Os procedimentos para Iinearização por real imentação podem ser realizados off-line ou de forma adaptativa, onde os pesos da rede neural são ajustados durante a operação normal do sistema. No esquema proposto, duas redes neurais são ajustadas em dois estágios diferentes. No primeiro estágio, o sistema não linear é excitado várias vezes para ensinar a dinâmica inversa do sistema a uma rede neural. No segundo estágio, o sistema é novamente excitado para treinar uma segunda rede neural com os sinais que controlam o sistema na forma desejada / Abstract: This thesis presents an approach for controlling a nonlinear system using an adaptive scheme implemented through neural networks. For a class of systems. necessary conditions for teaching the system input-output mapping to a multi-layer neural network trained by the generalized deIta rule are presented. A feedback linearization procedure, using feedforward neural networks, is also introduced in this work. The method can be applied for unknown continuous time systems as well as discrete time or sampled systems. The feedback linearization procedure can be either adaptively accomplished, having the neural network weights adjusted during normal operation of the plant, or in a non adaptive mode, having the weights adjusted off-line. In the proposed scheme, two neural networks are trained in two different stages. In the first stage, the nonlinear system is exclted several times to teach the inverse dynamics of the system to a neural network. In the second stage. the system is again excited several times to train a second neural network with input signals that desired way / Doutorado / Automação / Doutor em Engenharia Elétrica