توضیحات
This book thoroughly discusses computationally efficient (suboptimal) Model Predictive Control (MPC) techniques based on neural models. The subjects treated include:
A few types of suboptimal MPC algorithms in which a linear approximation of the model or of the predicted trajectory is successively calculated on-line and used for prediction.
Implementation details of the MPC algorithms for feed forward perceptron neural models, neural Hammerstein models, neural Wiener models and state-space neural models.
The MPC algorithms based on neural multi-models (inspired by the idea of predictive control).
The MPC algorithms with neural approximation with no on-line linearization.
The MPC algorithms with guaranteed stability and robustness.
Cooperation between the MPC algorithms and set-point optimization.
Thanks to linearization (or neural approximation), the presented suboptimal algorithms do not require demanding on-line nonlinear optimization. The presented simulation results demonstrate high accuracy and computational efficiency of the algorithms. For a few representative nonlinear benchmark processes, such as chemical reactors and a distillation column, for which the classical MPC algorithms based on linear models do not work properly, the trajectories obtained in the suboptimal MPC algorithms are very similar to those given by the “ideal” MPC algorithm with on-line nonlinear optimization repeated at each sampling instant. At the same time, the suboptimal MPC algorithms are significantly less computationally demanding.
————————————————————–
ترجمه ماشینی :
این کتاب به طور کامل تکنیکهای کنترل پیشبینی مدل (MPC) کارآمد محاسباتی (نابهینه) مبتنی بر مدلهای عصبی را مورد بحث قرار میدهد. موضوعات مورد بررسی عبارتند از:
چند نوع الگوریتم MPC کمتر از حد بهینه که در آنها یک تقریب خطی از مدل یا مسیر پیشبینیشده بهطور متوالی بر روی خط محاسبه شده و برای پیشبینی استفاده میشود.
جزئیات پیادهسازی الگوریتمهای MPC برای مدلهای عصبی پرسپترون پیشخور، مدلهای Hammerstein عصبی، مدلهای عصبی وینر و مدلهای عصبی فضای حالت.
الگوریتمهای MPC مبتنی بر چند مدل عصبی (الهامگرفته از ایده پیشبینی کنترل).
الگوریتمهای MPC با تقریب عصبی بدون خطیسازی آنلاین.
الگوریتمهای MPC با ثبات و استحکام تضمینشده.
همکاری بین MPC الگوریتمها و بهینهسازی نقطه تنظیم.
به لطف خطیسازی (یا تقریب عصبی)، الگوریتمهای زیر بهینه ارائهشده نیازی به بهینهسازی غیرخطی آنلاین ندارند. نتایج شبیهسازی ارائهشده دقت و کارایی محاسباتی الگوریتمها را نشان میدهد. برای چند فرآیند معیار غیرخطی معرف، مانند راکتورهای شیمیایی و ستون تقطیر، که الگوریتمهای MPC کلاسیک مبتنی بر مدلهای خطی به درستی کار نمیکنند، مسیرهای بهدستآمده در الگوریتمهای MPC کمتر از حد بهینه بسیار شبیه به آنهایی هستند که توسط «` الگوریتم MPC ideal” با بهینهسازی غیرخطی آنلاین که در هر لحظه نمونهبرداری تکرار میشود. در عین حال، الگوریتمهای MPC کمتر از حد بهینه به طور قابلتوجهی از نظر محاسباتی کمتر نیاز دارند.
tag : دانلود کتاب الگوریتم های کنترل پیش بینی مدل کارآمد محاسباتی: رویکرد شبکه عصبی , Download الگوریتم های کنترل پیش بینی مدل کارآمد محاسباتی: رویکرد شبکه عصبی , دانلود الگوریتم های کنترل پیش بینی مدل کارآمد محاسباتی: رویکرد شبکه عصبی , Download Computationally Efficient Model Predictive Control Algorithms: A Neural Network Approach Book , الگوریتم های کنترل پیش بینی مدل کارآمد محاسباتی: رویکرد شبکه عصبی دانلود , buy الگوریتم های کنترل پیش بینی مدل کارآمد محاسباتی: رویکرد شبکه عصبی , خرید کتاب الگوریتم های کنترل پیش بینی مدل کارآمد محاسباتی: رویکرد شبکه عصبی , دانلود کتاب Computationally Efficient Model Predictive Control Algorithms: A Neural Network Approach , کتاب Computationally Efficient Model Predictive Control Algorithms: A Neural Network Approach , دانلود Computationally Efficient Model Predictive Control Algorithms: A Neural Network Approach , خرید Computationally Efficient Model Predictive Control Algorithms: A Neural Network Approach , خرید کتاب Computationally Efficient Model Predictive Control Algorithms: A Neural Network Approach ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.