文献

J-GLOBAL ID：201802244757779993   整理番号：18A1385209

スライディングモードと微分ニューラルネットワークオブザーバによる適応未知入力推定【JST・京大機械翻訳】

Adaptive Unknown Input Estimation by Sliding Modes and Differential Neural Network Observer

著者 (2件)： Salgado Ivan (Centro de Innovacion y Desarrollo Tecnologico, Instituto Polite ́cnico Nacional, Mexico City, Mexico) ,  Chairez Isaac (Unidad Profesional Interdisciplinaria de Biotecnologi ́a, Instituto Polite ́cnico Nacional, Mexico City, Mexico)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 29  号： 8  ページ： 3499-3509  発行年： 2018年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,ロバストオブザーバとして実装された微分ニューラルネットワーク(DNN)は,外因性未知入力により影響される摂動不確実非線形システムの動力学を推定する。最初の段階において,同定誤差は起源の周りの近傍に収束する。次に,ロバストな正確な微分器として実装した二次スライディングモード超ねじりアルゴリズムは未知の入力を再構成した。本論文で提案したアプローチは,状態ベクトル(同定問題)への完全アクセスと状態ベクトル(推定問題)への部分アクセスの場合に適用できる。第2のケースでは,研究中の非線形システムは未知の入力に関して完全な相対的な程度を明確にする必要がある。数値例は,提案したアルゴリズムの有効性を示した。最初の例は,空間ミニサテライトの動力学を記述する数学モデルへの識別子として動作するDNNをテストした。第二の例(観測器として実装されたDNNを用いた)は,正準(Brunovsky)形式で表現される単一リンクフレキシブルロボットマニピュレータ上での本論文の方法論を試験した。両方の例において,数学モデルはニューラルネットワークの試験におけるデータ発生器として役立った。両モデルの正確な数学的記述が入力推定に使用されない場合でも,DNNで得られた精度は,プラントの完全な知識を持つ高次微分器を適用する場合と同程度である。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ニューラルネットワーク ,  プラント ,  非線形系 ,  再構成 ,  ロバスト性 ,  数学モデル ,  不確実性 ,  ねじり ,  微分器 ,  アルゴリズム ,  *微分 ,  摂動
準シソーラス用語： 状態ベクトル ,  *未知入力 ,  *スライディングモード , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： スライディングモード ,  微分 ,  ニューラルネットワーク ,  オブザーバ ,  適応 ,  未知入力 ,  推定