Điều khiển nơron thích nghi hệ bồn nước

Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA LÊ SƠN NGUYÊN ĐIỀU KHIỂN NEURON THÍCH NGHI HỆ BỒN NƯỚC Chuyên ngành : Tự động hóa LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 11 năm 2007 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học : ………………………………………………………………… Cán chấm nhận xét 1: ………………………………………………………………………… Cán chấm nhận xét 2: ………………………………………………………………………… Luận văn thạc só bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ Trường Đại Học Bách Khoa, ngày …… tháng …… năm 2007 TRƯỜNG ĐẠI HỌC BÁCH KHOA PHÒNG ĐÀO TẠO SÑH - CỘNG HÒA Xà HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP - TỰ DO – HẠNH PHÚC -Tp HCM, ngày …… tháng …… năm 2007 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên : LÊ SƠN NGUYÊN Ngày, tháng, năm sinh : 24-10-1979 Chuyên ngành : TỰ ĐỘNG HÓA Phái : Nam Nơi sinh : BÌNH ĐỊNH MSHV : 01505353 I.TÊN ĐỀ TÀI : ĐIỀU KHIỂN NEURON THÍCH NGHI HỆ BỒN NƯỚC II NHIỆM VỤ VÀ NỘI DUNG: - Giới thiệu tổng quan - Nghiên cứu mạng neuron, lý thuyết điều khiển thich nghi - Xây dựng hệ thống điều khiển mạng neuron thích nghi - Ứng dụng điều khiển hệ bồn nước - Mô máy tính dùng Simulink Matlab - Thực điều khiển cho mô hình thực III NGÀY GIAO NHIỆM VỤ : …………………… IV NGÀY HOÀN THÀNH NHIỆM VỤ: …………………… V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN : PGS TS Nguyễn Thị Phương Hà CÁN BỘ HƯỚNG DẪN PGS.TS Nguyễn Thị Phương Hà CHỦ NHIỆM NGÀNH BỘ MÔN QUẢN LÝ CHUYÊN NGÀNH TS Nguyễn Đức Thành Nội dung đề cương luận văn thạc só Hội Đồng Chuyên Ngành thông qua PHÒNG ĐÀO TẠO SĐH Ngày …… tháng …… năm 2007 KHOA QUẢN LÝ NGÀNH LỜI CÁM ƠN Để hoàn thành luận văn này, nổ lực thân có động viên, giúp đỡ chuyên môn lẫn tinh thần thầy cô, bạn bè người thân Trước tiên, gởi lời cám ơn sâu sắc đến cô giáo hướng dẫn : PGS.TS Nguyễn Thị Phương Hà, nhờ hướng dẫn tận tâm cô chuyên môn nên hoàn thành luận văn Tôi xin cám ơn bạn môn Điều Khiển Tự Động giúp đỡ nhiều thời gian vừa qua Qua đây, xin gởi lời cám ơn chân thành đến tất thầy cô Khoa Điện-Điện Tử, Đại học Bách Khoa TP HCM truyền đạt cho kiến thức tảng suốt trình học Đại học Cao học Những kiến thức tảng giúp đỡ nhiều suốt trình thực luận văn Đồng thời, xin cám ơn thầy cô Hội đồng bảo vệ Đề Cương bảo vệ 50% luận văn đóng góp nhiều ý kiến phản biện giúp có nhiều ý tưởng trình thực hiệu Cuối cùng, xin gởi lời cám ơn đến gia đình, bạn bè ủng hộ hết lòng tinh thần, giúp có đủ động lực để hoàn thành luận văn Lê Sơn Nguyên TÓM TẮT LUẬN VĂN THẠC SĨ Trong luận văn thạc só trình bày toán điều khiển neuron thích nghi cho hệ phi tuyến, công thức thích nghi cập nhật số cho mạng neuron thiết lập dựa tiêu chuẩn ổn định Lyapunov Bài toán thích nghi ban đầu thiết kế cho hệ SISO mở rộng cho hệ MIMO Các hệ thống MIMO đươc nghiên cứu bao gồm nhiều hệ thống mà hệ thống dạng hồi tiếp chặt chẽ Ta chuyển hệ MIMO thành dạng hệ nối tiếp (sequential decrease cascade form) Khi sử dụng mạng neuron sấp xỉ tín hiệu điều khiển mong muốn, ta thiết lập nên điều khiển cho hệ phi tuyến MIMO mà thông qua luật hồi tiếp chiếu (backstepping) ổn định hệ thống kín đảm bảo tiêu chuẩn ổn định Lyapunov Trong luận văn hai đối tượng sử dụng để minh chứng cho lý thuyết hệ thống bồn nước, với hệ bồn nước nối tiếp( cascade tank) cho hệ SISO hệ bồn nước liên kết (couple tank ) cho hệ MIMO MỤC LỤC TÓM TẮT LUẬN VĂN THẠC SĨ MUÏC LUÏC CHƯƠNG : GIỚI THIỆU TỔNG QUAN 1.1 Đặt vấn đề 1.2 Nhiệm vụ luận văn Thạc só CHƯƠNG :LÝ THUYẾT MẠNG NEURON 2.1 Giới thiệu maïng neuron 10 2.1.1 Mạng neuron nhân tạo 10 2.1.2 Hàm tổng hợp hàm tác động: 12 2.1.3 Mô hình kết nối 13 2.1.4 Luật học 15 2.2 Một số mạng neuron thông dụng 16 2.2.1 Mạng truyền thẳng nhiều lớp với giải thuật lan truyền ngược 17 2.2.2 Các thông số học 18 2.2.3 Maïng hàm sở xuyên tâm 23 2.2.3.1 Cấu trúc mạng RBF 23 2.2.3.2 Huấn luyện mạng RBF 24 2.3 Mạng hồi quy 27 2.3.1 Mạng hồi quy toàn phần 27 2.3.2 Mạng hồi quy bán phần 29 2.4 Nhận dạng hệ thống động dùng mạng neuron 32 2.4.1 Hệ thống động 32 2.4.2 Nhaän dạng hệ thống động 33 CHƯƠNG : TỔNG QUAN VỀ CÁC HỆ ĐIỀU KHIỂN THÍCH NGHI 3.1 Khái niệm 37 3.2 Các hệ điều khiển thích nghi 38 3.2.1.Phân loại 38 3.2.2 Bộ điều khiển lịch trình độ lợi 39 3.2.3 Hệ điều khiển thích nghi sử dụng mô hình mẫu 40 3.2.4 Hệ điều khiển thích nghi tự chỉnh định 41 3.3 Hệ điều khiển thích nghi sử dụng hệ chuyên gia 41 CHƯƠNG : BỘ ĐIỀU KHIỂN NEURON THÍCH NGHI CHO HỆ PHI TUYẾN 4.1 Bộ điều khiển cho hệ SISO 45 4.1.1 Mô tả đối tượng 45 4.1.2.Phân tích ổn định 49 4.1.2.1 Hệ thích nghi trực tiếp 49 4.1.2.2 Hệ thích nghi gián tiếp 51 4.2 Bộ điều khiển cho heä MIMO 54 4.2.1 Giới thiệu đối tượng 54 4.2.2 Phân tích ổn định 55 CHƯƠNG :ỨNG DỤNG 5.1 Ứng dụng điều khiển hệ bồn nối tiếp 60 5.1.1 Giới thiệu đối tượng : 60 5.1.1.1.Giới thieäu chung 60 5.1.1.2 Thông số vật lý mô hình 64 5.1.1.3 Phương Trình Toán Học mô hình 41 5.1.1.4 Mô hình đối tượng thật simulinnk 68 5.1.2 Thiết kế điều khiển 69 5.1.2.1 Điều khiển trường hợp 69 5.1.2.2 Điều khiển trường hợp 72 5.1.2.3 Điều khiển trường hợp 74 5.1.3 Các kết thực tế 75 5.1.3.1 Kết điều khiển trường hợp 75 5.1.3.2 Kết điều khiển trường hợp 77 5.1.3.3 Kết điều khiển trường hợp 79 5.2 ng dụng mô cho hệ bồn liên kết 82 5.2.1 Mô tả đối tượng 82 5.2.2 Sơ đồ điều khiển 84 5.2.3 Kết mô 86 CHƯƠNG : KẾT LUẬN 6.1 Kết luận 91 6.2 Hướng phát triển luận văn 91 TÀI LIỆU THAM KHẢO 93 LÊ SƠN NGUYÊN Luận Văn Thạc Só CHƯƠNG GIỚI THIỆU TỔNG QUAN 1.1 ĐẶT VẤN ĐỀ: Neuron networks đóng vai trò quan trọng vấn đề điều khiển, đặc biệt vấn đề điều khiển hệ thống phi tuyến, điều có nhờ khả xấp xỉ hàm số, khả học khả thích nghi, mạng neuron thường sử dụng để xấp xỉ hàm phi tuyến Điều làm cho mạng neuron trở thành công cụ hiệu vấn đề thiết kế hệ thống điều khiển phi tuyến, có nhiều nghiên cứu điều khiển hệ thống sử dụng mạng neuron để xấp xỉ tầm rộng hàm phi tuyến với cấp độ thiết kế xác cho phép điều kiện làm việc thay đổi Trong năm gần đây, có nhiều phát triển to lớn điều khiển thích nghi hệ thống phi tuyến, có nhiều phương pháp điều khiển áp dụng cho hệ phi tuyến phương pháp tuyến tính hóa, phương pháp điều khiển trượt, điều khiển mạng neural, phương pháp điều khiển mờ…tuy nhiên khác mức độ phức tạp hệ thống phi tuyến nên ta thường gặp nhiều khó khăn phát triển giải thuật điều khiển hệ phi tuyến đơn giản lên thành giải thuật điều khiển cho hệ MIMO Trong luận văn này, trình bày giải thuật điều khiển neuron thích nghi điều khiển Giải thuật điều khiển phát triển để điều khiển cho hệ thống phi tuyến MIMO, giải thuật cập nhật trọng số mạng neuron xây dựng dựa tiêu chuẩn ổn định Lyapunov, đối tượng thiết kế hệ thống bồn nối tiếp (cascade tank) hệ bồn liên kết (couple tank) Luận văn thực mô đối tượng simulink matlab, đồng thời tiến hành chạy mô hình thực cho hệ thống bồn nối tiếp Hệ thống thực đựơc đặt nhà phòng thí nghiệm trọng điểm Đại Học Quốc Gia, tòa nhà C6, lầu 3, Trường Đại Học Bách Khoa Thành Phố Hồ Chí Minh LÊ SƠN NGUYÊN Luận Văn Thạc Só 1.2 NHIỆM VỤ LUẬN VĂN THẠC SĨ Dựa sở lý thuyết báo Shuzi Sam Ge, Jin Jang Tong Hen Lee [2] báo Kevin M.Passino[1] Luận văn đưa điều khiển neuron thích nghi cho hai hệ thống bồn nước hệ thống bồn liên kết hệêp1 Mạng neuron xây dựng để xấp xỉ hàm số phi tuyến sở xấp xỉ các hàm số phi tuyến hệ thống, xây dựng nên qui luật cập nhật trọng số mạng để điều khiển cho hệ thống Kết mô máy tính dùng Simulink Matlab 6.5 Kết chạy thực sử dụng simulink phần mềm Wincon hãng Quanser Luận văn trình bày theo bố cục sau : Giới thiệu tổng quan – giới thiệu khái quát luận văn Lý thuyết mạng neuron– trình bày khái niệm chủ yếu mạng neuron nhân tạo, mạng truyền thẳng, mạng RBF Chương đề cập nội dung lý thuyết mạng neuron Lý thuyết điều khiển thích nghi: giới thiệu hệ thống điều khiển thích nghi Xây dựng luật cập nhật cho hệ thống neuron thích nghi Ứng dụng – trình bày kết đạt so sánh kết môi trường động, có tác động nhiễu Các kết chạy mô hình thực tế Kết luận hướng phát triển đề tài – trình bày kết luận đề xuất hướng phát triển LÊ SƠN NGUYÊN Luận Văn Thạc Só CHƯƠNG LÝ THUYẾT MẠNG NEURON Mô hình neuron nhân tạo Mc Culloch Pitts đề xuất [5] Thông minh nhân tạo bắt đầu Hội nghị nghiên cứu mùa hè Dartmouth vào năm 1956 Hội nghị tổ chức Marvin Minsky, John McCarthy, Nathaiel Rochester Claude Shannon Frank Rosenblatt đưa khái niệm perceptron, tổng quát hoá khái niệm mạng neuron McCulloch-Pitts đề xuất năm 1943 thêm vào khả học Năm 1960 Windrow đóng góp thuật toán trung bình bình phương bé Minsky Papert 1969 đưa số kết nghiên cứu mạng perceptron Sau giai đoạn perceptron, nhà nghiên cứu tìm thêm nhiều cấu trúc mới, ứng dụng mới, cần kể tới : mạng truyền thẳng với thuật toán lan truyền ngược (luật Delta suy rộng) 1985, mạng dùng hàm sở xuyên tâm, mạng Hopfield hồi quy 1982, nhớ liên hợp hai chiều 1987, công trình mạng thích nghi Grossberg Kohonen Gần nay, nhà nghiên cứu phối hợp công nghệ mạng neuron với công nghệ logic mờ thuật toán di truyền, cài đặt mạng neuron nhân tạo phần cứng chuyên dụng 2.I- GIỚI THIỆU MẠNG NEURON: 2.1.1-Mạng neuron nhân tạo ? Mạng neuron nhân tạo mạng xây dựng cách mô cách tổ chức phương pháp xử lý thông tin hệ neuron người Hệ neuron người chứa khoảng từ 1011 đến 1014 neuron cấu trúc nhiều lớp, neuron xem đơn vị xử lý Lớp vào hệ kết nối với phần tử cảm biến tai, mắt, mũi, miệng, da, vân vân lớp kết nối với phần tử chân tay Giữa lớp vào lớp lớp ẩn, tín hiệu nhận từ lớp vào gởi đến lớp ẩn xử lý định lớp để điều khiển phần tử Cấu trúc neuron sinh học mô tả hình 2.1 10 LÊ SƠN NGUYÊN Luận Văn Thạc Só ¾ Đáp ứng hệ thống với tham chiếu xung vuông: Điều khiển trực tiếp Điều khiển gián tiếp 5.1.3.3 Kết điều khiển trường hợp : Cách thiết lập #3 bơm bơm nước lúc vào bồn, nước bồn chảy vào bồn Và ta điểu khiển mực nước bồn Trong trường hợp này, mực nước từ bồn chịu ảnh hưởng từ điện áp cấp cho bơm mực nước bồn mà chịu ảnh hưởng hệ 79 LÊ SƠN NGUYÊN Luận Văn Thạc Só số γ Tuy nhiên, chế độ xác lập (mực nước bồn không đổi) ta thấy bồn nước bồn không bị ảnh hưởng bồn 1, nghóa lúc ta trở với toán trường hợp Sử dụng điều khiển thiết kế ta có kết điều khiển sau : ¾ Đáp ứng hệ thống với tham chiếu sóng sine : Điều khiển trực tiếp Điều khiển gián tiếp 80 LÊ SƠN NGUYÊN Luận Văn Thạc Só ¾ Đáp ứng hệ thống với tham chiếu xung vuông: Điều khiển trực tiếp Điều khiển gián tiếp 81 LÊ SƠN NGUYÊN Luận Văn Thaùc Sú ắ Nhaọn xeựt: ã Boọ ủieu khieồn ủaừ thiết kế đáp ứng tốt môi trường thực tế • Bộ điều khiển thích nghi cần thời gian đầu để thích nghi bám theo mô hình tham chiếu • Trong trường hợp 3, ta sử dụng điều khiển thiết kế cho hệ SISO bậc (trường hợp1), để điều khiển, cho kết tương đối tốt, cho thấy điều khiển thích nghi đáp ứng tốt tầm thay đổi tương đối hệ thống 5.2 ỨNG DỤNG MÔ PHỎNG CHO HỆ BỒN LIÊN KẾT : Vì lí thiết bị luận văn thực chạy mô hình thực tế mô hình bồn nước nối tiếp phần Mô hình bồn nước liên kết ( hệ MIMO bậc 1) thiết kế mô chạy simulink Matlab 5.2.1 Mô Tả Đối Tượng: Hệ thống bồn kép liên kết gồm có bồn liên kết với bồn nước có van xả riêng Nước bơm vào bồn từ hai máy bơm độc lập với nhau, có tín hiệu vào điều khiển Mục tiêu điều khiển điều khiển mực nước hai bồn bám theo mô hình tham chiếu đặt trước, tương ứng với ngõ h1 h2 Phương trình vi phân mô tả đối tượng : { } ⎧ u (t)k − C1 a1 gh1 (t ) − C12 a12 g h1 (t ) − h2 (t ) sign(h1 (t ) − h2 (t )) ⎪h& = a1r (t ) ⎪ ⎨ u (t)k − C a 2 gh2 (t ) + C12 a12 g h1 (t ) − h2 (t ) sign(h1 (t ) − h2 (t )) ⎪& ⎪h = a r (t ) ⎩ { } 82 LE SƠN NGUYÊN Luận Văn Thạc Só Trong • u1 (k ) , u2 (k ) : tín hiệu vào (áp điều khiển cấp vào đầu máy bơm) • h1 (k ), h2 ( k ) : tín hiệu ra(mực nước bồn) • k1,k2 : hệ số máy bơm • C1, a1 : thơng số thiết diện xả bồn • C2, a2 : thơng số thiết diện xả bồn • C12, a12 : thơng số xả liên kết bồn • a1r(k), a2r(k): thiết diện ngang bồn Mô hình hệ thống simulink : Mô hình simulink 83 LÊ SƠN NGUYÊN Luận Văn Thạc Só 5.2.2 Sơ Đồ Điều Khiển: Xây dựng điều khiển sau: Sơ đồ điều khiển Hệ thống gồm có hai hệ thống bậc 1, theo lý thuyết trình bày dựa theo [2], ta thiết lập điều khiển neuron thích nghi cho hệ dựa thuật toán chiếu (backstepping) sau : Lấy tín hiệu ngõ vào hai tín hiệu sai số e1, e2 tín hiệu tham chiếu r1, r2 Sử dụng hai mạng neuron để tính sấp sỉ u1, u2 với u1 đưa vào làm ngõ vào để tính u2 ta có công thức sau : ⎧⎪u1 (k ) = Wˆ1T (k ) S1 {(e1 (k ), r1 (k )} ⎨ ⎪⎩u (k ) = Wˆ 2T (k ) S {e1 (k ), e2 (k ), r2 (k ), u1 (k )} Vaø luật cập nhật cho W1 W2 : ⎧⎪Wˆ1 (k ) = Wˆ1 (k − 1) − γ [ S ((k − 1))e1 (k ) + σ 1Wˆ1 (k − 1)] ⎨ ⎪⎩Wˆ (k ) = Wˆ (k − 1) − γ [ S ((k − 1))e (k ) + σ 2Wˆ (k − 1)] Với σ : hệ số phụ 84 LÊ SƠN NGUYÊN Luận Văn Thạc Só γ , γ :độ lợi thích nghi Sơ đồ thích nghi : ™ Sơ đồ khối tính u : Trong phần W cập nhật theo công thức cập nhật nêu trên, tính u u1 (k ) = Wˆ1T (k ) S1 {(e1 ( k ), r1 ( k )} ™ Sơ đồ khởi động init : Sử dụng tính chất mờ hóa mạng dạng RBF, nên thay khởi động trọng số ngẫu nhiên, ta chọn cho tâm độ phân tán hàm sở hợp lý để có thông tin tốt đầu vào giúp cho thích nghi W nhanh chóng hội tụ 85 LÊ SƠN NGUYÊN Luận Văn Thạc Só 5.2.3 Kết Quả Mô Phỏng : Kết mô với tín hiệu đặt xung vuông nhiễu 86 LÊ SƠN NGUYÊN Luận Văn Thạc Só Kết mô với tín hiệu đặt xung vuông có nhiễu ngõ với nhiễu có mean=0.01, var=0.01 87 LÊ SƠN NGUYÊN Luận Văn Thạc Só Kết mô với tín hiệu đặt sóng sine nhiễu 88 LÊ SƠN NGUYÊN Luận Văn Thạc Só Kết mô với tín hiệu đặt sóng sine có nhiễu ngõ có mean=0.01 var=0.01 89 LÊ SƠN NGUYÊN Luận Văn Thạc Só ¾ Nhận xét: • Hệ thống khoảng thời gian đầu cần thiết để thích nghi, sau bám theo mô hình tham chiếu • Đối với tham chiếu sóng vuông, hệ thống có dao động thời điểm lên xuống sau bám thích nghi theo mô hình • Hệ thống đáp ứng tốt với nhiễu ngẫu nhiên có giá trị nhỏ, điều giúp cho hệ thống áp dụng vào điều khiển thực tế 90 LÊ SƠN NGUYÊN Luận Văn Thạc Só CHƯƠNG KẾT LUẬN 6.1 KẾT LUẬN : Luận văn đưa giải thuật điều khiển thích nghi dùng mạng neuron qui luật cập nhật trọng số thiết lập dựa tiêu chuẩn ổn định Lyapunov Trong luận văn này, mạng neuron thích nghi thiết lập để điều khiển cho hai đối tượng hệ bồn nước nối tiếp hệ bồn nước liên kết, thực mô hình thực tế để minh chứng cho tính lý thuyết đề Dựa phân tích hệ thống phi tuyến MIMO thành môt dãy hệ thống nối tiếp, sử dụng mạng neuron để sấp sỉ hệ thống con, đưa qui luật cập nhật trọng số , thiết lập nên điều khiển neuron thích nghi cho hệ phi tuyến Điều khiển mô cho đối tượng MIMO thực hiên matlab cho kết tốt điều kiện làm việc không khắt khe ( nhiễu trắng có biên độ nhỏ) Bộ điều khiển thiết lập cho hệ MIMO tổng quát có nhược điểm chưa trì tính ổn định có nhiễu có biên độ lớn 6.2 HƯỚNG PHÁT TRIỂN ĐỀ TÀI: Bộ điều khiển neuron thích nghi thiết lập luận văn đươc áp dụng vào chạy mô cho hệ bồn nước nối tiếp liên kết, chạy thực hệ bồn nối tiếp cho kết tốt Tuy nhiên với nhiễu có giá trị nhỏ 91 LÊ SƠN NGUYÊN Luận Văn Thạc Só Do đo,ù hướng để phát triển luận văn cần phát triển thêm phần triệt tín hiệu nhiễu- phần kết hợp với GA, hay cần tính toán lọc hợp lý đểå có điều khiển ưu việt Trong đề tài sử dụng mạng neuron để xấp sỉ hàm số, nghiên cứu sử dụng phương pháp mờ, neuron mờ thay để tận dụng kinh nghiệm hệ mờ neuron 92 LÊ SƠN NGUYÊN Luận Văn Thạc Só TÀI LIỆU THAM KHAÛO [1] Hazem N Nounou, K.M.Passino, Stable Auto Tuning Of Adaptive Fuzzy /Neural Controller For Nonliear Discrete Time Systems, IEEE Vol 12, No 1, February 2004 [2] Shuzhi Sam Ge, Jin Zhang, Tong Heng Lee, Adaptive Neural Network Control For A Class Of MIMO Nonlinear Systems With Disturbances In Discrete Time, IEEE Vol 34, No 4, August 2004 [3] Raul Ordonez, K.M.Passino, Stable Multi-Input Multi-Output Adaptive Fuzzy / Neural Control, IEEE Vol 7, No 3, June 1999 [4] Shuzhi Sam Ge, Jin Zhang,Tong Heng Lee, Adaptive Neural Network Control For A Class Of Discrete Time Nonlinear Systems, Int.J.Control 2003 Vol 76, No 4, 334 -354 [5] L.X Wang and J.M Mendel, “Fuzzy basis function, universal approximation, and orthogonal least-squares learning,” IEEE Trans Neural Networks, vol 3, pp 807-814, September 1992 [6] Huỳnh Thái Hoàng, Bài Giảng Điều Khiển Thông Minh [7] Nguyễn Thương Ngô, Lý Thuyết Điều Khiển Tự Động Hiện Đại, KH&KT, 1999 [8] Karl Johan Åstrưm – Bjưm Wittenmark, Adaptive Control, Prentice-Hall, 1998 [9] Nguyễn Thị Phương Hà, Lý Thuyết Điều Khiển Thich Nghi [10] Edoardo Mosca, Optimal Predictive And Adaptive Control [11] Pestro A Ioannou, Jing Sun, Robust Adaptive Control [12] Fu Chuang Chen, Hassan K Khalil, Adaptive Control Of Nonlinear Systems Using Neural Networks [13].Y Lieral, “Robust and adaptive backstepping control of nonlinear systems using RBF networks”, IEEE Transaction on Neural networks, vol 15, No 3, pp.693-701, May 2004 [14] J.W Park, R.G Harley, G.K Venayagamoorthy, “Indirect adaptive control for synchronous generator: Comparison of MLP/RBF neuron network approach with Lyapunov stability analysis,” IEEE transaction on Neural Networks, vol 15 No 2, pp.460-464, March 2004 93 ... hệ thống neuron,mờ thông số hệ điều chỉnh để hệ xấp xỉ điều khiển mong muốn, hệ thích nghi gọi hệ điều khiển neuron, mờ thích nghi trực tiếp Bên cạnh đó, luật xây dựng theo kinh nghi? ??m điều khiển. .. kinh nghi? ??m chuyên gia vào hệ thống Cho dù có hay tham gia hệ thống chuyên gia, hệ điều khiển thích nghi hệ thống điều khiển phát triển cao có tiềm đặc biệt 3.2 CÁC HỆ ĐIỀU KHIỂN THÍCH NGHI: ... Các hệ điều khiển thích nghi 38 3.2.1.Phân loại 38 3.2.2 Bộ điều khiển lịch trình độ lợi 39 3.2.3 Hệ điều khiển thích nghi sử dụng mô hình mẫu 40 3.2.4 Hệ điều khiển thích