Přejít k obsahu


Functional Adaptive Control for Nonlinear Stochastic Systems in Presence of Outliers

Citace: [] KRÁL, L., HERING, P., ŠIMANDL, M. Functional Adaptive Control for Nonlinear Stochastic Systems in Presence of Outliers. IFAC-PapersOnline, 2009, roč. 15, č. 1, s. 1505-1510. ISSN: 1474-6670
Druh: ČLÁNEK
Jazyk publikace: eng
Anglický název: Functional Adaptive Control for Nonlinear Stochastic Systems in Presence of Outliers
Rok vydání: 2009
Místo konání: Neuveden
Název zdroje: International Federation of Automatic Control
Autoři: Ing. Ladislav Král Ph.D. , Ing. Pavel Hering Ph.D. , Prof. Ing. Miroslav Šimandl CSc.
Abstrakt CZ: Tento článek představuje pokrok ve funkcionálním adaptivním řízení nelineárních stochastických systémů představující zvýšení jeho robustnosti vzhledem k přítomnosti poruch na výstupu měřeného systému. Poruchy jsou uvažovány ve formě velkých odchylek v měřeném signálu, které se objevují pouze v malém procentu měření. Tyto poruchy, jakkoliv jsou řídké, znamenají špatné odhady parametrů a následně výrazně zhoršují kvalitu řízení díky svojí amplitudě. Systém je modelován vícevrstvou perceptronovou sítí a šum měření je modelován směsí Gaussových rozložení. Jeden člen směsi popisuje měření bez poruchy a další členy popisují různé typy poruch. Parametry sítě společně s predikcí výstupu komponent dat bez poruchy se odhadují pomocí metody založené na směsi Gaussových rozložení. Návrh řídicího algoritmu je založen na bikriteriálním duálním přístupu. Výhody navrženého regulátoru jsou ilustrovány na příkladu pomocí simulace a analýzy Monte Carlo.
Abstrakt EN: This paper presents an enhancement of a functional adaptive control of nonlinear stochastic systems that renders it to be robust with respect to the occurrence of outliers in the plant measured output. Outliers are considered to be large deviations of a signal being measured, only occurring in a few percent of the observations. Therefore, although rare, the outliers cause poor parameter estimates and, consequently, heavily degrade control performance due to their large amplitude. A system is modelled using a multi-layer perceptron network and the measurement noise is modelled by a mixture of Gaussian distributions. One component of the mixture describes uncorrupted process data, while the others describe various types of outliers. Parameters of the network together with output prediction of the uncorrupted data component are estimated by an estimation method based on the mixture of Gaussian distributions. Control design is based on a bicriterial dual approach. The advantages of the proposed controller are illustrated in an example by simulation and Monte Carlo analysis.
Klíčová slova

Zpět

Patička