دوره 17، شماره 2 - ( مجله کنترل، جلد 17، شماره 2، تابستان 1402 )
جلد 17 شماره 2,1402 صفحات 79-47 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Lotfi M, Menhaj M B. An overview of intelligent systems (neural networks) from the perspective of classical theory and their application in modeling and control of complex systems. JoC 2023; 17 (2) :47-79
URL: http://joc.kntu.ac.ir/article-1-1010-fa.html
URL: http://joc.kntu.ac.ir/article-1-1010-fa.html
لطفی محمد، منهاج محمدباقر. مروری بر سیستم‌های هوشمند (شبکه‌های عصبی) از دیدگاه تئوری کلاسیک و کاربرد آن‌ها در مدل‌سازی و کنترل سیستم‌های پیچیده. مجله کنترل. 1402; 17 (2) :47-79
محمد لطفی1 
، محمدباقر منهاج* 1
، محمدباقر منهاج* 1
1- دانشکده مهندسی برق، گروه کنترل، دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران)، ایران
چکیده: (938 مشاهده)
امروزه با پیشرفت صنعت و فناوری، شاهد پیچیده‌تر شدن روزافزون سیستم‌ها هستیم. این پیچیدگی در صنعت، مستلزم پیشرفت موازی برای کنترل‌کننده‌ها نیز بوده است که نیازمندی به سیستم‌های کنترل یا کنترل‌کننده‌های پیشرفته و هوشمند را چندین برابر کرده است. یکی از مهم‌ترین معیارها در طراحی هر سیستم کنترلی، شناخت دقیق سیستم یا به بیان دقیق‌تر مدل‌سازی سیستم است. با در نظر گفتن این دو چالش، در این مقاله به بررسی سیستم‌های هوشمند و به طور خاص شبکه‌های عصبی از دیدگاه تئوری کلاسیک و کاربرد آن‌ها در مدل‌سازی و کنترل سیستم‌های پیچیده پرداخته می‌شود. در این راستا، ابتدا عنصر اصلی شبکه‌های عصبی یعنی نرون معرفی شده و انواع مدل آن (جمعی و شعاعی) ارائه می‌گردد. سپس انواع شبکه‌های عصبی از قبیل شبکه‌های عصبی پرسپترون چندلایه (MLP)، شبکه‌های عصبی شعاعی پایه (RBF) و شبکه‌های عصبی بازگشتی (RNN) تشریح می‌گردند و در مورد تعداد لایه‌ها و تعداد مناسب نرون‌های لایه‌های پنهان این شبکه‌های عصبی برای کاربردهای مختلف و به‌خصوص جهت تقریب توابع غیرخطی بحث می‌شود. در ادامه سعی می‌شود که پلی بین مفاهیم و اصطلاحات شبکه‌های عصبی (دنیای هوشمند) و دنیای کلاسیک زد و از دیدگاه تئوری کلاسیک آن‌ها را موردبررسی قرار داد. نشان داده می‌شود که از دیدگاه تئوری کلاسیک، یک شبکه عصبی را می‌توان به‌عنوان یک ساختار مدل و وزن‌ها و بایاس‌های آن را به‌عنوان پارامترهای مجهول این ساختار در نظر گرفت. در شبکه‌های عصبی، از الگوریتم‌های یادگیری برای تعیین پارامترهای مجهول شبکه (وزن‌ها و بایاس‌ها) استفاده می‌شود. در این راستا، الگوریتم‌های یادگیری شبکه‌های عصبی از دیدگاه تئوری کلاسیک و به‌طور خاص در ارتباط با بهینه‌سازی عددی موردمطالعه و بررسی قرار می‌گیرند و یک پل ارتباطی میان الگوریتم‌های یادگیری و روش‌های بهینه‌سازی عددی زده خواهد شد و در ادامه مهم‌ترین الگوریتم‌های یادگیری شبکه‌های عصبی به همراه مزایا و معایب آن‌ها معرفی می‌شوند. در پایان نیز به دو مورد از کاربردهای مهم شبکه‌های عصبی، مدل‌سازی و کنترل، پرداخته می‌شود و برای هر یک از کاربردهای مذکور، مثال‌های مختلفی ارائه می‌گردد تا کارایی شبکه‌های عصبی به‌وضوح مشاهده شود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
شماره ویژه (رویکرد های نو در مهندسی کنترل)
دریافت: 1402/5/6 | پذیرش: 1402/6/26 | انتشار الکترونیک پیش از انتشار نهایی: 1402/6/30 | انتشار: 1402/6/30
دریافت: 1402/5/6 | پذیرش: 1402/6/26 | انتشار الکترونیک پیش از انتشار نهایی: 1402/6/30 | انتشار: 1402/6/30
فهرست منابع
1. محمدباقر منهاج، هدی نخبه الفقهایی، "تحلیل و کنترل سیستم های دینامیکی و چند متغیره خطی"، جلد اول، انتشارات دانشگاه صنعتی امیرکبیر، 1401.
2. محمدباقر منهاج، هدی نخبه الفقهایی، "تحلیل و کنترل سیستم های دینامیکی و چند متغیره خطی"، جلد دوم، پیش‌انتشار.
3. محمدباقرمنهاج، محمد لطفی، "سیستم‌های دینامیکی هایبرید، جلد اول، پیش‌انتشار.
4. محمدباقر منهاج، "سیستم‌های کنترل تطبیقی"، انتشارات نهر دانش، 1395
5. محمدباقرمنهاج، "مبانی شبکه‌های عصبی"، انتشارات دانشگاه صنعتی امیرکبیر، 1397.
6. محمدباقر منهاج، "محاسبات فازی"، انتشارات دانش نگار، 1394.
7. محمدباقر منهاج، یاسر شکری کلاندرق، "کنترل فازی"، انتشارات نهر دانش، 1394.
8. [8]. F. P. Brooks, "What's real about virtual reality?," in IEEE Computer Graphics and Applications, vol. 19, no. 6, pp. 16-27, Nov.-Dec. 1999, doi: 10.1109/38.799723. [DOI:10.1109/38.799723]
9. [9]. Xue, Dingyü, YangQuan Chen, and Derek P. Atherton. Linear feedback control: analysis and design with MATLAB. Society for Industrial and Applied Mathematics, 2007. [DOI:10.1137/1.9780898718621]
10. [10]. Mayr, Otto. "The origins of feedback control." Scientific American 223.4, 110-119, 1970. [DOI:10.1038/scientificamerican1070-110]
11. [11]. Minorsky, Nicolas. "Directional stability of automatically steered bodies." Journal of the American Society for Naval Engineers 34.2, 280-309, 1922. [DOI:10.1111/j.1559-3584.1922.tb04958.x]
12. [12]. Ziegler, John G., and Nathaniel B. Nichols. "Optimum settings for automatic controllers." Transactions of the American society of mechanical engineers 64.8, 759-765, 1942. [DOI:10.1115/1.4019264]
13. [13]. Nyquist, Harry. "Regeneration theory." Bell system technical journal 11.1, 126-147, 1932. [DOI:10.1002/j.1538-7305.1932.tb02344.x]
14. [14]. Bode, Hendrik W. "Network analysis and feedback amplifier design.", Princeton, NJ:Van Nostrand, 1945.
15. [15]. James, Hubert Maxwell, et al., eds. Theory of servomechanisms. Vol. 25. New York: McGraw-Hill, 1947.
16. [16]. Evans, Walter R. "Graphical analysis of control systems." Transactions of the American Institute of Electrical Engineers 67.1, 547-551, 1948. [DOI:10.1109/T-AIEE.1948.5059708]
17. [17]. Pontryagin, L. S., Boltyanskii, V. G., Gamkrelidze, R. V., & Mishchenko, E. F., "The mathematical theory of optimal processes", Wiley. New York, 1962.
18. [18]. Bellman, Richard. "Dynamic programming" Science 153.3731, 34-37, 1966. [DOI:10.1126/science.153.3731.34]
19. [19]. Kalman, Rudolf E. "On the general theory of control systems." Proceedings First International Conference on Automatic Control, Moscow, USSR, 1960. [DOI:10.1016/S1474-6670(17)70094-8]
20. [20]. Kalman, Rudolf Emil. "Mathematical description of linear dynamical systems." Journal of the Society for Industrial and Applied Mathematics, Series A: Control 1.2, 152-192, 1963. [DOI:10.1137/0301010]
21. [21]. Kalman, Rudolf Emil. "When is a linear control system optimal?.", Transactions of ASME Journal of Basic Engineering Series D, 51-60, 1964. [DOI:10.1115/1.3653115]
22. [22]. Doyle, John, and Gunter Stein. "Robustness with observers." IEEE transactions on automatic control 24.4, 607-611, 1979. [DOI:10.1109/TAC.1979.1102095]
23. [23]. Bryson, Arthur Earl. Applied optimal control: optimization, estimation and control. Routledge, 2018. [DOI:10.1201/9781315137667]
24. [24]. Berkovitz, Leonard David. Optimal control theory. Vol. 12. Springer Science & Business Media, 2013. [DOI:10.1201/b12739]
25. [25]. Hocking, Leslie M. Optimal control: an introduction to the theory with applications. Oxford University Press, 1991. [DOI:10.1093/oso/9780198596752.001.0001]
26. [26]. Krstic, Miroslav, and Hua Deng. Stabilization of nonlinear uncertain systems. London: Springer, 1998.
27. [27]. Gajic, Zoran. Optimal control of singularly perturbed linear systems and applications. CRC Press, 2001. [DOI:10.1201/9780203907900]
28. [28]. Trentelman, Harry L., Anton A. Stoorvogel, and Malo Hautus. Control theory for linear systems. Springer Science & Business Media, 2001. [DOI:10.1007/978-1-4471-0339-4]
29. [29]. Naidu, Desineni Subbaram. "optimal control systems.", CRC press, 2002.
30. [30]. Chen, Wen-Hua, Donald J. Ballance, and Peter J. Gawthrop. "Optimal control of nonlinear systems: a predictive control approach." Automatica 39.4 (2003): 633-641. [DOI:10.1016/S0005-1098(02)00272-8]
31. [31]. Kirk, Donald E. Optimal control theory: an introduction. Courier Corporation, 2004.
32. [32]. Athans, Michael, and Peter L. Falb. Optimal control: an introduction to the theory and its applications. Dover publication, 2006.
33. [33]. Lewis, Frank L., Lihua Xie, and Dan Popa. Optimal and robust estimation: with an introduction to stochastic control theory. CRC press, 2007.
34. [34]. Sinha, Alok. Linear systems: optimal and robust control. CRC press, 2007. [DOI:10.1201/9781420008883]
35. [35]. Bhattacharyya, Shankar P., Aniruddha Datta, and Lee H. Keel. Linear control theory: structure, robustness, and optimization. CRC press, 2009.
36. [36]. Speyer, Jason L., and David H. Jacobson. Primer on optimal control theory. Society for Industrial and Applied Mathematics, 2010. [DOI:10.1137/1.9780898718560]
37. [37]. Berkovitz, Leonard David, and Negash G. Medhin. Nonlinear optimal control theory. CRC press, 2012. [DOI:10.1201/b12739]
38. [38]. Lewis, Frank L., Draguna Vrabie, and Vassilis L. Syrmos. Optimal control. John Wiley & Sons, 2012. [DOI:10.1002/9781118122631]
39. [39]. Sussmann, Hector J. Nonlinear controllability and optimal control. Routledge, 2017. [DOI:10.1201/9780203745625]
40. [40]. Kolosov, Gennadii E. Optimal Design of Control Systems: Stochastic and Deterministic Problems (Pure and Applied Mathematics: A Series of Monographs and Textbooks/221), 3rd Edition, CRC Press, 1999.
41. [41]. Fortuna, Luigi, Mattia Frasca, and Arturo Buscarino. Optimal and Robust Control: Advanced Topics with MATLAB®. CRC press, 2021. [DOI:10.1201/9781003196921]
42. [42]. Jadamba, Baasansuren, et al., eds. Deterministic and Stochastic Optimal Control and Inverse Problems. CRC Press, 2021. [DOI:10.1201/9781003050575]
43. [43]. Thyagarajan, T., and D. Kalpana. Linear and Non-Linear System Theory. CRC Press, 2020. [DOI:10.1201/9780429323454]
44. [44]. Hernández-Lerma, Onésimo, et al. An introduction to optimal control theory: The dynamic programming approach. Springer, 2023. [DOI:10.1007/978-3-031-21139-3]
45. [45]. G. Johnson, "A deterministic theory of estimation and control," in IEEE Transactions on Automatic Control, vol. 14, no. 4, pp. 380-384, 1969, doi: 10.1109/TAC.1969.1099191. [DOI:10.1109/TAC.1969.1099191]
46. [46]. Isermann, Rolf, and Rolf Isermann. "Stochastic Control Systems (Introduction)." Digital Control Systems: Volume 2: Stochastic Control, Multivariable Control, Adaptive Control, Applications (1991): 3-9. [DOI:10.1007/978-3-642-86420-9_1]
47. [47]. Chen, Goong, Guanrong Chen, and Shih-Hsun Hsu. Linear stochastic control systems. Vol. 3. CRC press, 1995.
48. [48]. Krstic, Miroslav, and Hua Deng. Stabilization of nonlinear uncertain systems. London: Springer, 1998.
49. [49]. Deng, Hua, Miroslav Krstic, and Ruth J. Williams. "Stabilization of stochastic nonlinear systems driven by noise of unknown covariance." IEEE Transactions on automatic control 46.8 (2001): 1237-1253. [DOI:10.1109/9.940927]
50. [50]. Åström, Karl J. Introduction to stochastic control theory. Dover Publications, 2006.
51. [51]. Kouvaritakis, Basil, and Mark Cannon. "Model predictive control." Switzerland: Springer International Publishing 38 (2016). [DOI:10.1007/978-3-319-24853-0]
52. [52]. Zhang, Weihai, Lihua Xie, and Bor-Sen Chen. Stochastic H2/H∞ control: A Nash game approach. CRC Press, 2017.
53. [53]. Pinsky, Mark A. Stochastic analysis and applications. CRC Press, 2019. [DOI:10.1201/9781003064923]
54. [54]. Buckdahn, Rainer, Hans J. Engelbert, and Marc Yor, eds. Stochastic Processes and Related Topics: Proceedings of the 12th Winter School, Siegmundsburg (Germany), February 27-March 4, 2000. Vol. 12. CRC Press, 2002. [DOI:10.1201/9781482265231]
55. [55]. Wei, Guoliang, Zidong Wang, and Wei Qian. Nonlinear Stochastic Control and Filtering with Engineering-oriented Complexities. CRC Press, 2016. [DOI:10.1201/9781315367651]
56. [56]. Kulkarni, Vidyadhar G. Modeling and analysis of stochastic systems. Crc Press, 2016. [DOI:10.1201/9781315367910]
57. [57]. Jadamba, Baasansuren, et al., eds. Deterministic and Stochastic Optimal Control and Inverse Problems. CRC Press, 2021. [DOI:10.1201/9781003050575]
58. [58]. Zames, George. "Feedback and optimal sensitivity: Model reference transformations, multiplicative seminorms, and approximate inverses." IEEE Transactions on automatic control 26.2 (1981): 301-320. [DOI:10.1109/TAC.1981.1102603]
59. [59]. Bhattacharyya, Shankar P., and Lee H. Keel, eds. Control of uncertain dynamic systems. Vol. 230. Boca Raton, FL: CRC Press, 1991.
60. [60]. Wang, Youyi, Lihua Xie, and Carlos E. De Souza. "Robust control of a class of uncertain nonlinear systems." Systems & control letters 19.2 (1992): 139-149. [DOI:10.1016/0167-6911(92)90097-C]
61. [61]. C Edwards and S Spurgeon, " Sliding Mode Control Theory And Applications", CRC Press, 1998. [DOI:10.1201/9781498701822]
62. [62]. Bechlioulis, Charalampos P., and George A. Rovithakis. "Robust adaptive control of feedback linearizable MIMO nonlinear systems with prescribed performance." IEEE Transactions on Automatic Control 53.9 (2008): 2090-2099. [DOI:10.1109/TAC.2008.929402]
63. [63]. Safonov, Michael George. "Robust control, stability margin." Encyclopedia of Optimization 5 (1999): 44-49.
64. [64]. Wen, Changyun, et al. "Robust adaptive control of uncertain nonlinear systems in the presence of input saturation and external disturbance." IEEE Transactions on Automatic Control 56.7 (2011): 1672-1678. [DOI:10.1109/TAC.2011.2122730]
65. [65]. Duan, Guang-Ren, and Hai-Hua Yu. LMIs in control systems: analysis, design and applications. CRC press, 2013. [DOI:10.1201/b15060]
66. [66]. Liu, Tengfei, Zhong-Ping Jiang, and David J. Hill. Nonlinear control of dynamic networks. CRC Press, 2018. [DOI:10.1201/b16759]
67. [67]. Raol, Jitendra R., and Ramakalyan Ayyagari. "Control systems: classical, modern, and AI-based approaches". CRC Press, 2019. [DOI:10.1201/9781351170802]
68. [68]. Tsui, Chia-Chi. Robust control system design: advanced state space techniques. CRC Press, 2022. [DOI:10.1201/9781003259572]
69. [69]. Marino, R. I. C. C. A. R. D. O., and P. A. T. R. I. Z. I. O. Tomei. "Global adaptive output-feedback control of nonlinear systems." Proceedings of the 30th IEEE Conference on Decision and Control. IEEE, 1991.
70. [70]. Khalil, Hassan K. "Adaptive output feedback control of nonlinear systems represented by input-output models." IEEE transactions on Automatic Control 41.2 (1996): 177-188. [DOI:10.1109/9.481517]
71. [71]. Astolfi, Alessandro, Dimitrios Karagiannis, and Romeo Ortega. Nonlinear and adaptive control with applications. Vol. 187. London: Springer, 2008. [DOI:10.1007/978-1-84800-066-7]
72. [72]. Yang, Guang-Hong, and Dan Ye. Reliable control and filtering of linear systems with adaptive mechanisms. CRC Press, 2010. [DOI:10.1201/EBK1439835227]
73. [73]. Chen, Mou, Shuzhi Sam Ge, and Beibei Ren. "Adaptive tracking control of uncertain MIMO nonlinear systems with input constraints." Automatica 47.3 (2011): 452-465. [DOI:10.1016/j.automatica.2011.01.025]
74. [74]. Bellman, Richard, and Robert Kalaba, eds. Classic Papers in Control Theory. Courier Dover Publications, 2017.
75. [75]. Chalam, V. V. Adaptive control systems: Techniques and applications. Marcel Dekker, Inc., 2017. [DOI:10.1201/9781315136646]
76. [76]. Song, Yong-Duan. Control of nonlinear systems via PI, PD and PID: Stability and performance. CRC Press, 2018. [DOI:10.1201/9780429455070]
77. [77]. https://faradars.org/
78. ]78[. محمد فتحی، فرینا زمانی اسکویی، تئوری و کاربرد شبکه‌های عصبی در MATLAB، انتشارات کانون نشر علوم، چاپ اول، 1397.
79. ]79[. سید مصطفی کیا، شبکه‌های عصبی در MATLAB، انتشارات نشر دانشگاهی کیا، چاپ پنجم، 1395.
80. [80].Feldman, Jerome A., and Dana H. Ballard. "Connectionist models and their properties." Cognitive science 6.3 (1982): 205-254. [DOI:10.1016/S0364-0213(82)80001-3]
81. [81]. J. Heaton, "Introduction to Neural Networks for Java", 2nd Edition, Heaton Research, Inc., 2008.
82. [82]. J. Nocedal and S. J. Wright, "Numerical Optimization", 2Nd Edition, Springer-Verlag New York, 2006.
83. [83]. A. Papoulis, "Probability & Statistics", Prentice Hall, 1990.
84. [84]. Sistu, Phani B., and B. Wayne Bequette. "Nonlinear predictive control of uncertain processes: Application to a CSTR." AIChE Journal 37.11 (1991): 1711-1723. [DOI:10.1002/aic.690371114]
85. [85]. Narendra, Kumpati S. and Kannan Parthasarathy, "Learning Automata Approach to Hierarchical Multiobjective Analysis," IEEE Transactions on Systems, Man and Cybernetics, Vol. 20, No. 1, January/February 1991, pp. 263-272. [DOI:10.1109/21.101158]
86. [86]. Hagan, M.T., O. De Jesus, and R. Schultz, "Training Recurrent Networks for Filtering and Control," Chapter 12 in Recurrent Neural Networks: Design and Applications, L. Medsker and L.C. Jain, Eds., CRC Press, pp. 311-340.
87. [87]. Narendra, K.S., and S. Mukhopadhyay, "Adaptive Control Using Neural Networks and Approximate Models," IEEE Transactions on Neural Networks, Vol. 8, 1997, pp. 475-485. [DOI:10.1109/72.572089]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
