Pretražite po imenu i prezimenu autora, mentora, urednika, prevoditelja

Napredna pretraga

Pregled bibliografske jedinice broj: 200457

Implementacija neuronskog regulatora u prostoru stanja


Rogina, Aleksandar
Implementacija neuronskog regulatora u prostoru stanja, 2005., diplomski rad, Fakultet elektrotehnike i računarstva, Zagreb


CROSBI ID: 200457 Za ispravke kontaktirajte CROSBI podršku putem web obrasca

Naslov
Implementacija neuronskog regulatora u prostoru stanja
(Implementation of neural network - based controler in discrete-time state space)

Autori
Rogina, Aleksandar

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad

Fakultet
Fakultet elektrotehnike i računarstva

Mjesto
Zagreb

Datum
14.07

Godina
2005

Stranica
49

Mentor
Petrović, Ivan

Neposredni voditelj
Matuško, Jadranko

Ključne riječi
neuronski regulator; neuronske mreže; linearni regulator u vremenski diskretnom prostoru stanja; RGN algoritam učenja neuronskih mreža; koncept postavljanja polova
(neural network - based controler; neural network; linear controler in discrete - time state space; recursive Gauss - Newton learning rules of neural networks; pole placement control koncept)

Sažetak
U ovom radu obrađeni su neki problemi koji se javljaju prilikom upravljanja nelinearnim sustavima u diskretnom prostoru stanja. Osnovna zadaća ovog rada jest pokušaj rješavanja tih problema korištenjem neuronskih mreža kao nelinearnih modela. U radu se također obrađuju neuronski regulatori i daje usporedba s klasičnim linearnim regulatorom. Prvi dio rada sadrži kratak pregled teorije linearnih sustava i izvedbe linearnih regulatora. Potom se istažuje kako se modeli neuronskih mreža mogu uklopiti u upravljačke algoritme, te je ponuđen kratak pregled struktura i algoritama učenja neuronskih mreža (rekurzivni Gauss - Newton). Nadalje, u radu se opisuje kako se u svakom koraku može dobiti lineariziran model u prostoru stanja iz naučene neuronske mreže, te na taj način omogućiti primjenu teorija linearnih sustava u svakom trenutku diskretizacije. Neuronski model dobiven je na temelju podataka sakupljenih prilikom identifikacije laboratorijskog elektromehaničkog postrojenja. Pomoću u svakom koraku lineariziranog modela u prostoru stanja moguće je iskoristiti poznati koncept postavljanja polova. Na kraju je upravljački koncept isproban na simulacijskom modelu elektromehaničkog sustava (u Simulinku, Matlab), a kasnije i na laboratorijskom elektromehaničkom postrojenju. Taj upravljački koncept uspoređen je s upravljanjem pomoću linearnog regulatora.

Izvorni jezik
Hrvatski

Znanstvena područja
Elektrotehnika



POVEZANOST RADA


Projekti:
0036018

Ustanove:
Fakultet elektrotehnike i računarstva, Zagreb

Profili:

Avatar Url Jadranko Matuško (mentor)


Citiraj ovu publikaciju:

Rogina, Aleksandar
Implementacija neuronskog regulatora u prostoru stanja, 2005., diplomski rad, Fakultet elektrotehnike i računarstva, Zagreb
Rogina, A. (2005) 'Implementacija neuronskog regulatora u prostoru stanja', diplomski rad, Fakultet elektrotehnike i računarstva, Zagreb.
@phdthesis{phdthesis, author = {Rogina, Aleksandar}, year = {2005}, pages = {49}, keywords = {neuronski regulator, neuronske mre\v{z}e, linearni regulator u vremenski diskretnom prostoru stanja, RGN algoritam u\v{c}enja neuronskih mre\v{z}a, koncept postavljanja polova}, title = {Implementacija neuronskog regulatora u prostoru stanja}, keyword = {neuronski regulator, neuronske mre\v{z}e, linearni regulator u vremenski diskretnom prostoru stanja, RGN algoritam u\v{c}enja neuronskih mre\v{z}a, koncept postavljanja polova}, publisherplace = {Zagreb} }
@phdthesis{phdthesis, author = {Rogina, Aleksandar}, year = {2005}, pages = {49}, keywords = {neural network - based controler, neural network, linear controler in discrete - time state space, recursive Gauss - Newton learning rules of neural networks, pole placement control koncept}, title = {Implementation of neural network - based controler in discrete-time state space}, keyword = {neural network - based controler, neural network, linear controler in discrete - time state space, recursive Gauss - Newton learning rules of neural networks, pole placement control koncept}, publisherplace = {Zagreb} }




Contrast
Increase Font
Decrease Font
Dyslexic Font