Return to search

Identification of nonlinear systems based on extreme learning machine / Identificação de sistemas não lineares baseado em aprendizado do extremo e redes neurais multicamadas

Dissertação (mestrado)—Universidade de Brasília, Programa de Pós-Graduação em Sistemas Mecatrônicos, 2016. / Submitted by Camila Duarte (camiladias@bce.unb.br) on 2016-09-14T17:33:55Z
No. of bitstreams: 1
2016_EmersonGrzeidak.pdf: 5274560 bytes, checksum: 0f649b217c325601c125fad908bc164f (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2016-10-21T18:14:35Z (GMT) No. of bitstreams: 1
2016_EmersonGrzeidak.pdf: 5274560 bytes, checksum: 0f649b217c325601c125fad908bc164f (MD5) / Made available in DSpace on 2016-10-21T18:14:35Z (GMT). No. of bitstreams: 1
2016_EmersonGrzeidak.pdf: 5274560 bytes, checksum: 0f649b217c325601c125fad908bc164f (MD5) / O presente trabalho considera o problema de identificação de sistemas não-lineares comestrutura incerta na presença de distúrbios limitados. Dado a estrutura incerta do sistema, a estimação dos estados é baseada em redes neurais com uma camada escondida e então, para assegurar a convergência dos erros residuais de estimação dos estados para zero, as leis de aprendizagem são projetadas usando a teoria de estabilidade de Lyapunov e resultados já disponíveis na teoria de controle adaptativo. Primeiramente, um esquema de identificação usando aprendizagem extrema é apresentado. O modelo proposto assegura a convergência dos erros residuais de estimação dos estados para zero e a limitação de todos os demais erros e distúrbios. Usando o lema de Barbalat e uma análise tipo Lyapunov, é empregado um modelo de rede neural dinâmica com uma camada escondida (SHLNN) gerada aleatoriamente para assegurar as propriedades supramencionadas. Dessa maneira, assegura-se uma convergência mais rápida e melhor eficiência computacional do que os modelos SHLNN convencionais. Além disso, com algumas modificações que envolvem a seleção da função ativação e a estrutura do vetor regressor, o algoritmo proposto pode ser aplicado para qualquer rede neural parametrizável linearmente. Em seguida, como uma extensão da metodologia proposta, um modelo de rede neural com uma camada escondida e parametrizável não-linearmente (SHLNN) é estudado. Os pesos da camada escondida e de saída são ajustados simultaneamente por leis adaptativas robustas obtidas através da teoria de estabilidade de Lyapunov. O segundo esquema também assegura a convergência dos erros residuais de estimação dos estados para zero e a limitação de todos os demais erros de aproximação associados, mesmo na presença de erros de aproximação e distúrbios. Adicionalmente, como no primeiro esquema, não é necessário conhecimento prévio sobre os pesos ideias, erros de aproximação ou distúrbios. Simulações extensivas para a validação dos resultados teóricos e demonstração dos métodos propostos são fornecidos. _________________________________________________________________________________________________ ABSTRACT / The present research work considers the identification problem of nonlinear systems with uncertain structure and in the presence of bounded disturbances. Given the uncertain structure of the system, the state estimation is based on single-hidden layer neural networks and then, to ensure the convergence of the state estimation residual errors to zero, the learning laws are designed using the Lyapunov stability theory and already available results in adaptive control theory. First, an identification scheme via extreme learning machine neural network is developed. The proposed model ensures the convergence of the state estimation residual errors to zero and boundedness of all associated approximation errors, even in the presence of approximation error and disturbances. Lyapunov-like analysis using Barbalat’s Lemma and a dynamic single-hidden layer neural network (SHLNN) model with hidden nodes randomly generated to establish the aforementioned properties are employed. Hence, faster convergence and better computational efficiency than conventional SHLNNs is assured. Furthermore, with a few modifications regarding the selection of activation function and the regressor vector’s structure, the proposed algorithm can be applied to any linearly parameterized neural network model. Next, as an extension of the proposed methodology, a nonlinearly parameterized single-hidden layer neural network model (SHLNN) is studied. The hidden and output weights are simultaneously adjusted by robust adaptive laws that are designed via Lyapunov stability theory. The second scheme also ensures the convergence of the state estimation residual errors to zero and boundedness of all associated approximation errors, even in the presence of approximation error and disturbances. Additionally, as in the first scheme, it is not necessary any previous knowledge about the ideal weights, approximation error and disturbances. Extensive simulations to validate the theoretical results and show the effectiveness of the two proposed methods are also provided.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.unb.br:10482/21603
Date03 June 2016
CreatorsGrzeidak, Emerson
ContributorsRuiz Vargas, José Alfredo
Source SetsIBICT Brazilian ETDs
LanguageInglês
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UnB, instname:Universidade de Brasília, instacron:UNB
RightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data., info:eu-repo/semantics/openAccess

Page generated in 0.002 seconds