論文の概要: Sliding Mode Learning Control of Uncertain Nonlinear Systems with
Lyapunov Stability Analysis
- arxiv url: http://arxiv.org/abs/2103.11274v1
- Date: Sun, 21 Mar 2021 01:03:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 10:26:42.877436
- Title: Sliding Mode Learning Control of Uncertain Nonlinear Systems with
Lyapunov Stability Analysis
- Title（参考訳）: リアプノフ安定解析による不確かさ非線形システムのスライディングモード学習制御
- Authors: Erkan Kayacan
- Abstract要約: スライディングモード学習アルゴリズムの安定性は文献で証明された。
全体のシステムの安定性は n 次不確定非線形系に対して証明される。
SMLCアルゴリズムは、数学的モデル知識がなければシステムの振る舞いを学習することができる。
- 参考スコア（独自算出の注目度）: 3.2996723916635267
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper addresses to Sliding Mode Learning Control (SMLC) of uncertain
nonlinear systems with Lyapunov stability analysis. In the control scheme, a
conventional control term is used to provide the system stability in compact
space while a Type-2 Neuro-Fuzzy Controller (T2NFC) learns system behavior so
that the T2NFC takes the overall control of the system completely in a very
short time period. The stability of the sliding mode learning algorithm was
proven in literature; however, it is so restrictive for systems without the
overall system stability. To address this shortcoming, a novel control
structure with a novel sliding surface is proposed in this paper and the
stability of the overall system is proven for nth-order uncertain nonlinear
systems. To investigate the capability and effectiveness of the proposed
learning and control algorithms, the simulation studies have been achieved
under noisy conditions. The simulation results confirm that the developed SMLC
algorithm can learn the system behavior in the absence of any mathematical
model knowledge and exhibit robust control performance against external
disturbances.
- Abstract（参考訳）: 本稿では、リアプノフ安定性解析を用いた不確実性非線形システムのスライディングモード学習制御(SMLC)について述べる。
制御方式では,2型ニューロファジィコントローラ(T2NFC)がシステム動作を学習し,T2NFCがシステム全体の制御を極めて短時間で完全に行うのに対して,システム安定性を提供するために,従来の制御用語を用いる。
スライディングモード学習アルゴリズムの安定性は文献で証明されたが、システム全体の安定性を欠いたシステムでは限定的である。
そこで本論文では, 新規なすべり面を有する新規な制御構造を提案し, n次不確実な非線形系に対して, システム全体の安定性を証明した。
提案する学習制御アルゴリズムの性能と有効性を検討するために, 雑音条件下でのシミュレーション実験を行った。
シミュレーションの結果,smlcアルゴリズムは,数学的モデル知識がなければシステムの挙動を学習でき,外部外乱に対してロバストな制御性能を示すことがわかった。
関連論文リスト
- Learning to Boost the Performance of Stable Nonlinear Systems [0.0]
クローズドループ安定性保証による性能ブースティング問題に対処する。
本手法は,安定な非線形システムのための性能ブースティング制御器のニューラルネットワーククラスを任意に学習することを可能にする。
論文 参考訳（メタデータ） (2024-05-01T21:11:29Z) - Learning Over Contracting and Lipschitz Closed-Loops for
Partially-Observed Nonlinear Systems (Extended Version) [1.2430809884830318]
本稿では非線形な部分観測力学系に対する学習に基づく制御のためのポリシーパラメータ化を提案する。
結果のYoula-RENパラメータ化は自動的に安定性(収縮)とユーザチューニング可能な堅牢性(Lipschitz)を満足することを示した。
We found that the Youla-REN are also like to existing learning-based and optimal control method, also ensure stability and exhibiting improve robustness to adversarial disturbances。
論文 参考訳（メタデータ） (2023-04-12T23:55:56Z) - Improving the Performance of Robust Control through Event-Triggered
Learning [74.57758188038375]
LQR問題における不確実性に直面していつ学習するかを決定するイベントトリガー学習アルゴリズムを提案する。
本研究では,ロバストな制御器ベースライン上での性能向上を数値例で示す。
論文 参考訳（メタデータ） (2022-07-28T17:36:37Z) - Neural Koopman Lyapunov Control [0.0]
データから安定化可能な双線形制御系とその関連する可観測物を特定し,構築するためのフレームワークを提案する。
提案手法は、未知のダイナミクスを持つ非線形制御系に対して、大域的安定性の証明可能な保証を提供する。
論文 参考訳（メタデータ） (2022-01-13T17:38:09Z) - Bayesian Algorithms Learn to Stabilize Unknown Continuous-Time Systems [0.0]
線形力学系は、不確実な力学を持つ植物の学習に基づく制御のための標準モデルである。
この目的のための信頼性の高い安定化手順は、不安定なデータから有効に学習し、有限時間でシステムを安定化させることができない。
本研究では,未知の連続時間線形系を安定化する新しい学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-30T15:31:35Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Stable Online Control of Linear Time-Varying Systems [49.41696101740271]
COCO-LQは、大規模なLTVシステムの入出力安定性を保証する効率的なオンライン制御アルゴリズムである。
COCO-LQの性能を実証実験とパワーシステム周波数制御の両例で実証した。
論文 参考訳（メタデータ） (2021-04-29T06:18:49Z) - The Impact of Data on the Stability of Learning-Based Control- Extended
Version [63.97366815968177]
本稿では,Lyapunovをベースとした,認証制御性能に対するデータの影響の定量化手法を提案する。
ガウス過程を通じて未知系の力学をモデル化することにより、モデルの不確実性と安定性条件の満足度の間の相互関係を決定できる。
論文 参考訳（メタデータ） (2020-11-20T19:10:01Z) - Robust Model-Free Learning and Control without Prior Knowledge [1.14219428942199]
本稿では,未知の離散時間線形系を頑健に学習し,安定化するモデルフリー制御アルゴリズムを提案する。
コントローラはシステムダイナミクス、障害、ノイズに関する事前の知識を必要としない。
一般化と簡易性にもかかわらず、制御器はクローズドループ性能がよいことを示すシミュレーション結果で結論を下す。
論文 参考訳（メタデータ） (2020-10-01T05:43:33Z) - Learning Stabilizing Controllers for Unstable Linear Quadratic
Regulators from a Single Trajectory [85.29718245299341]
線形2次制御器(LQR)としても知られる2次コストモデルの下で線形制御器を研究する。
楕円形不確実性集合内の全ての系を安定化させる制御器を構成する2つの異なる半定値プログラム(SDP)を提案する。
高い確率で安定化コントローラを迅速に識別できる効率的なデータ依存アルゴリズムであるtextsceXplorationを提案する。
論文 参考訳（メタデータ） (2020-06-19T08:58:57Z) - Adaptive Control and Regret Minimization in Linear Quadratic Gaussian
(LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。
LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文 参考訳（メタデータ） (2020-03-12T19:56:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。