Điều khiển trượt dùng mạng nơron hàm cơ sở xuyên tâm

Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA 000 TRẦN QUANG THUẬN ĐIỀU KHIỂN TRƯT DÙNG MẠNG NƠRON HÀM CƠ SỞ XUYÊN TÂM Chuyên ngành: Mã số ngành: ĐIỀU KHIỂN HỌC KỸ THUẬT 05 01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, năm 2006 Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA 000 TRAÀN QUANG THUẬN ĐIỀU KHIỂN TRƯT DÙNG MẠNG NƠRON HÀM CƠ SỞ XUYÊN TÂM (SLIDING MODE CONTROL USING RADIAL BASIS FUNCTION NEURAL NETWORK) Chuyên ngành: Mã số ngành: ĐIỀU KHIỂN HỌC KỸ THUẬT 05 01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, năm 2006 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học: GVC.TS Dương Hoài Nghóa Cán chấm nhận xét 1: PGS.TS Nguyễn Mộng Hùng Cán chấm nhận xét 2: GVC.TS Nguyễn Đức Thành Luận văn thạc só bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày 16 tháng 12 năm 2006 Có thể tham khảo luận văn : THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA THÀNH PHỐ HỒ CHÍ MINH THƯ VIỆN HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA PHÒNG ĐÀO TẠO SĐH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP – TỰ DO – HẠNH PHÚC Tp.HCM, ngày … tháng…… năm 2006 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: TRẦN QUANG THUẬN Ngày tháng năm sinh: 26 / 12 / 1976 Chuyên ngành: Điều khiển học kỹ thuật I Phái : Nam Nơi sinh: Tây Ninh MSHV: 01504382 TÊN ĐỀ TÀI : ĐIỀU KHIỂN TRƯT DÙNG MẠNG NƠRON HÀM CƠ SỞ XUYÊN TÂM II NHIỆM VỤ VÀ NỘI DUNG: Tìm hiểu phương pháp điều khiển trượt Tìm hiểu phương pháp nhận dạng hệ thống phi tuyến dùng mạng RBF Thiết kế hệ thống điều khiển trượt dùng mạng RBF cho đối tượng lắc đôi Mô dùng Matlab / Simulink III NGÀY GIAO NHIỆM VỤ: / / 2006 IV NGÀY HOÀN THÀNH NHIỆM VỤ: …… / … / 2006 V CÁN BỘ HƯỚNG DẪN: TS DƯƠNG HOÀI NGHĨA CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH TS DƯƠNG HOÀI NGHĨA CN BỘ MÔN QL CHUYÊN NGÀNH TS NGUYỄN ĐỨC THÀNH Nội dung đề cương luận án thạc só Hội đồng chuyên ngành thông qua TRƯỞNG PHÒNG ĐT – SĐH Ngày tháng năm 2006 TRƯỞNG KHOA QL NGÀNH LỜI CÁM ƠN Trước hết xin chân thành cảm ơn tất thầy cô Bộ môn Điều Khiển Tự Động thuộc Khoa Điện – Điện tử, bạn lớp Cao học Điều khiển học kỹ thuật (Tự động hóa) khóa 15 động viên, giúp đỡ suốt trình học tập nghiên cứu Cảm ơn ban giám đốc Học viện Công nghệ Bưu Viễn thông tất đồng nghiệp tạo điều kiện thuận lợi cho yên tâm học tập công tác Đặc biệt xin cảm ơn thầy Tiến só Dương Hoài Nghóa (Phó Trưởng Khoa Điện – Điện tử, trường Đại học Bách Khoa), giáo viên hướng dẫn, tận tình hướng dẫn, trao đổi, thảo luận, cung cấp cho thông tin, tài liệu liên quan đến đề tài Cảm ơn Thạc só Đồng Só Thiên Châu (Nghiên cứu sinh trường Đại học Bách Khoa), ý kiến đóng góp trao đổi bổ ích đề tài, đặc biệt kỹ thuật nhận dạng hệ thống phi tuyến dùng mạng nơron hàm sở xuyên tâm Tôi xin gửi lời cảm ơn chân thành đến tác giả tài liệu tham khảo sử dụng luận văn Cuối xin gửi lời cảm ơn sâu sắc đến người thân gia đình động viên, cảm thông giúp đỡ nhiều sống để an tâm học tập hoàn thành luận văn Học viên Cao học Trần Quang Thuận TÓM TẮT LUẬN VĂN THẠC SĨ Đề Tài: ĐIỀU KHIỂN TRƯT DÙNG MẠNG NƠRON HÀM CƠ SỞ XUYÊN TÂM Luận văn trình bày phương pháp điều khiển trượt (SMC – Sliding Mode Control), phương pháp nhận dạng hệ thống phi tuyến dùng mạng nơron hàm sở xuyên tâm ứng dụng để thiết kế hệ thống điều khiển trượt dùng mạng RBF cho đối tượng lắc đôi (coupled double pendulum) Luận văn gồm có chương: Chương 1: TỔNG QUAN Chương trình bày: - Lý chọn đề tài, mục đích, đối tượng phạm vi nghiên cứu, ý nghóa khoa học thực tiễn đề tài nghiên cứu - Phân tích, đánh giá công trình nghiên cứu có tác giả nước liên quan mật thiết đến đề tài, nêu vấn đề tồn tại, vấn đề mà đề tài cần tập trung nghiên cứu giải Chương 2: GIỚI THIỆU PHƯƠNG PHÁP ĐIỀU KHIỂN TRƯT Phần trình bày sở lý thuyết, lý luận phương pháp điều khiển trượt như: - Khái niệm điều khiển trượt - Nguyên lý điều khiển bám - Nguyên lý điều khiển ổn định hóa - Hiện tượng chattering Chương 3: NHẬN DẠNG MÔ HÌNH PHI TUYẾN DÙNG MẠNG NƠRON HÀM CƠ SỞ XUYÊN TÂM Chương trình bày sở lý thuyết, lý luận phương pháp nhận dạng mô hình hệ phi tuyến dùng mạng nơron RBF bao gồm: - Giới thiệu toán nhận dạng mô hình - Cấu trúc mô hình nhận dạng dùng mạng RBF - Một số thuật toán nhận dạng hệ thống động dùng mạng RBF Chương 4: GIỚI THIỆU ĐỐI TƯNG ĐIỀU KHIỂN Giới thiệu cấu trúc vật lý hệ thống lắc đôi, trình bày ý nghóa toán đưa mô hình toán học đối tượng Chương 5: ĐIỀU KHIỂN TRƯT DÙNG MẠNG NƠRON HÀM CƠ SỞ XUYÊN TÂM Dựa sở lý thuyết nghiên cứu, tác giả thực hiện: - Thiết kế điều khiển trượt cho hệ thống lắc đôi - Nhận dạng mô hình đối tượng lắc đôi dùng mạng RBF - Thiết kế điều khiển trượt cho hệ thống lắc đôi dựa vào kết nhận dạng mô hình dùng mạng RBF - Viết chương trình mô MATLAB Nhận xét kết thu mô So sánh kết mô hệ thống điều khiển trượt dùng mạng RBF với hệ thống điều khiển trượt lý tưởng Khảo sát ảnh hưởng nhiễu thay đổi thông số đối tượng đến đáp ứng hệ thống KẾT LUẬN VÀ KIẾN NGHỊ ABSTRACT Thesis: SLIDING MODE CONTROL USING RADIAL BASIS FUNCTION NEURAL NETWORKS This thesis deals with sliding mode control (SMC), nonlinear system identification using radial basis function (RBF) neural networks, control of a coupled double pendulum using SMC with RBF model The thesis is divided into five chapters: Chapter 1: Introduction Chapter 2: Sliding mode control This chapter presents: - The principles of sliding mode control - Tracking - Regulation - Chattering problem Chapter 3: Nonlinear system identification using radial basis function neural networks This chapter presents: - Model identification - The structure of the RBF model - Identification algorithm for RBF model Chapter 4: The coupled double pendulum Chapter 5: Sliding mode control using radial basis function model - Control of a coupled double pendulum using SMC - Identification of the double pendulum using RBF model - Control of a coupled double pendulum using SMC approach with RBF model Simulation results Comparison between the traditional SMC and the RBF SMC Robustness of the system against noise and parameter change Comments and Remarks Finally, some comments and remarks are carried out The perspectives of the thesis are also given MỤC LỤC Chương 1: TỔNG QUAN Chương 2: GIỚI THIỆU PHƯƠNG PHÁP ĐIỀU KHIỂN TRƯT 2.1 Khái niệm điều khiển trượt 2.2 Điều khiển bám mục tiêu (tracking) 2.3 Điều khiển ổn định hóa (regulation) 2.4 Hiện tượng chattering Chương 3: NHẬN DẠNG HỆ THỐNG PHI TUYẾN DÙNG MẠNG RBF 3.1 Giới thiệu toán nhận dạng mô hình 3.2 Cấu trúc mô hình nhận dạng dùng mạng RBF 3.2.1 Mô hình mạng đơn giản 12 3.2.2 Mô hình RBF-ARX 12 3.2.3 Mô hình mạng ART-RBF 13 3.3 Một số thuật toán nhận dạng mô hình dùng mạng RBF 14 3.3.1 Nhận dạng cấu trúc 16 3.3.1.1 Lựa chọn trọng tâm ngẫu nhiên theo vector ngõ vào 16 3.3.1.2 Thuật toán lựa chọn trọng tâm K-means 17 3.3.1.3 Lựa chọn trọng tâm giám sát 18 3.3.1.4 Nhận dạng có giám sát cấu trúc mạng hàm sở xuyên tâm (RBF) sử dụng phương pháp lai 19 3.3.1.5 Một số thuật toán xây dựng cấu trúc mạng thích nghi 21 3.3.2 Nhận dạng thông số 23 83 Hình 5.63 So sánh tín hiệu mô hình tín hiệu đối tượng 5.2.3 Điều khiển trượt bám mục tiêu dùng mạng RBF 5.2.3.1 Thiết kế Các hàm f1(X) f2(X) nhận dạng cách sử dụng mạng nơron RBF trình bày mục 5.2.2 Khi luật điều khiển u1 u2 xác định dựa vào hàm f1(X) f2(X) nhận dạng là: ! ⎤ u1 = − J1 ⎡ fˆ1 ( X ) + a1 x3 + k1sign( S1 ) − ( x1(2) d + a1 x1d ) ⎦ ⎣ (5.40) u2 = − J ⎡ fˆ2 ( X ) + a2 x4 + k2 sign( S2 ) − ( x2(2)d + a2 x!2 d ) ⎤ ⎣ ⎦ (5.41) Thay (5.40) vào (5.29), ta có: ∧ S!1 = f1 ( X ) − fˆ1 ( X ) + a1 ( x3 − x3 ) − k1sign( S1 ) (5.42) 84 Thay (5.41) vào (5.37), ta có: ∧ S!2 = f ( X ) − fˆ2 ( X ) + a2 ( x4 − x ) − k2 sign( S2 ) (5.43) Chọn k1 k2 cho: Khi S1 > S!1 < S1 < S!1 > Khi S2 > S!2 < S2 < S!2 > Theo (5.42), neáu S1 > 0: ∧ ∧ S!1 = f1 ( X ) − fˆ1 ( X ) + a1 ( x3 − x ) − k1 < ⇔ k1 > f1 ( X ) − fˆ1 ( X ) + a1 ( x3 − x ) (5.44) neáu S1 < 0: ∧ ∧ S!1 = f1 ( X ) − fˆ1 ( X ) + a1 ( x3 − x ) + k1 > ⇔ k1 > − f1 ( X ) + fˆ1 ( X ) + a1 ( − x3 + x3 ) (5.45) Theo (5.43), neáu S2 > 0: ∧ ∧ S!2 = f ( X ) − fˆ2 ( X ) + a2 ( x4 − x ) − k2 < ⇔ k2 > f ( X ) − fˆ2 ( X ) + a2 ( x4 − x ) (5.46) neáu S2 < 0: ∧ ∧ S!2 = f ( X ) − fˆ2 ( X ) + a2 ( x4 − x ) + k2 > ⇔ k2 > − f ( X ) + fˆ2 ( X ) + a2 ( − x4 + x ) Đặt: ( ) ∧ ( ) ∧ (5.47) B f1 = sup f1 ( X ) − fˆ1 ( X ) , Bx3 = sup( x3 − x ) B f2 = sup f ( X ) − fˆ2 ( X ) , Bx4 = sup( x4 − x ) Như tầm giá trị k1 vaø k2 laø: k1 > B f1 + a1 Bx3 (5.48) k2 > B f2 + a2 Bx4 (5.49) 5.2.3.2 Mô Kết mô phỏng: 85 Hình 5.64 Tín hiệu y1 y2 hệ thống điều khiển trượt bám dùng mạng RBF Hình 5.65: Tín hiệu dy1/dt dy2/dt hệ thống điều khiển trượt bám dùng mạng RBF 86 Hình 5.66: Sự biến thiên S1 S2 hệ thống điều khiển trượt bám dùng mạng RBF Hình 5.67: Tín hiệu điều khiển u1 u2 hệ thống điều khiển trượt bám dùng mạng RBF 87 Hình 5.68: Quỹ đạo pha hệ thống điều khiển trượt bám dùng mạng RBF Nhận xét: - Thời gian reaching mode: khoảng giây - Thời gian sliding mode: khoảng giây - Có vọt lố thời điểm chuyển trạng thái - Chattering: biên độ dao động không lớn 5.2.4 So sánh, nhận xét kết Kết mô hệ thống điều khiển trượt bám cho thấy tín hiệu bám sát tín hiệu mong muốn, có sai số thời điểm tín hiệu thay đổi giá trị Sai số khắc phục cách tăng hệ số hàm sign (k1, k2) Khi hệ thống bền vững hơn, thông số đối tượng M1, M2 thay đổi rộng Tuy nhiên, tăng hệ số hàm sign biên độ tín hiệu điều khiển u1, u2 88 tăng, điều lợi cho hệ thống Dạng tín hiệu điều khiển u1 u2 có gai nhọn giá trị lớn thời điểm Ta sử dụng mạch xén để làm giảm gai nhọn Kết mô hệ thống điều khiển trượt bám dùng mạng RBF bám sát kết mô hệ thống điều khiển trượt bám Các tín hiệu y1, y2, S1, S2, u1, u2 có sai số không đáng kể Sai số xuất có sai số nhận dạng đối tượng 89 KẾT LUẬN VÀ KIẾN NGHỊ Luận văn thực việc sau: Tìm hiểu mô hình toán học hệ thống lắc đôi xây dựng mô hình mô cho hệ thống Tìm hiểu phương pháp điều khiển trượt ổn định hóa áp dụng để thiết kế điều khiển trượt ổn định hóa cho hệ thống lắc đôi Mô hệ thống danh định, hệ thống có nhiễu tác động thông số đối tượng thay đổi Tìm hiểu phương pháp điều khiển trượt bám mục tiêu áp dụng để thiết kế điều khiển trượt bám mục tiêu cho hệ thống lắc đôi Mô hệ thống danh định, hệ thống có nhiễu tác động thông số đối tượng thay đổi Tìm hiểu phưong pháp nhận dạng mô hình đối tượng phi tuyến động dùng mạng nơron hàm sở xuyên tâm (RBF) áp dụng nhận dạng đối tượng lắc đôi Thiết kế mô điều khiển trượt ổn định hóa dùng mạng RBF cho hệ thống lắc đôi Mô hệ thống danh định, hệ thống có nhiễu tác động thông số đối tượng thay đổi So sánh kết mô điều khiển trượt ổn định hóa dùng mạng RBF với kết mô điều khiển trượt ổn định hóa kinh điển Thiết kế mô điều khiển trượt bám mục tiêu dùng mạng RBF cho hệ thống lắc đôi So sánh kết mô điều khiển trượt bám mục tiêu dùng mạng RBF với kết mô điều khiển trượt bám mục tiêu kinh điển 90 Các kết mô cho thấy hệ thống điều khiển trượt dùng mạng RBF có chất lượng tương đương với hệ thống điều khiển trượt lý tưởng Ưu điểm phương pháp người thiết kế không cần biết mô hình phi tuyến xác đối tượng để thiết kế hệ thống điều khiển trượt kinh điển, người thiết kế phải biết mô hình phi tuyến xác đối tượng Luận văn phát triển theo hướng: Điều khiển trượt thích nghi dùng mạng RBF Điều khiển trượt thích nghi dùng mạng RBF kết hợp với giải thuật di truyền (GA) 91 DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ NĂM 2006 [1] Trần Quang Thuận, Dương Hoài Nghóa Đồng Só Thiên Châu, “Sliding Mode Control Using Radial Basis Function Neural Networks”, 10th Vietnam Conference on Radio and Electronics (REV’06), Session 5: Electronics, Control and IT, No.6, pp.263-267, 2006 Xem tại: http://rev.vn/Site/News/Article.aspx?ArticleID=127 [2] Trần Quang Thuận, Dương Hoài Nghóa Đồng Só Thiên Châu, “Mô điều khiển trượt dùng mạng nơron nhân tạo” báo cáo Hội thảo Quốc gia Một Số Vấn Đề Chọn Lọc Của Công Nghệ Thông Tin lần IX tổ chức từ ngày 15 đến 17/6/2006 Đại học Đà Lạt Xem tại: http://www.dlu.edu.vn/HoithaoCNTT2006 92 TÀI LIỆU THAM KHẢO [1] M.Önder Efe, Okayay Kaynak, Xinghuo Yu, Bogdan M.Wilamowski, “Sliding Mode Control of Nonlinear Systems Using Gaussian Radial Basis Function Neural Networks”, IEEE, pp.474-479, 2001 [2] Jeffrey T.Spooner and M Passino, “Decentralized Adaptive Control of Nonlinear Systems Using Radial Basis Neural Networks”, IEEE Transactions on Automatic Control, Vol.44, No.11, pp.2050-202057, 1999 [3] M.Önder Efe, “Variable Structure Systems Theory in Training of Radial Basis Function Neurocontrollers – Part II: Applications”, NIMIA-SC2001 – 2001 NATO Advanced Study Institude on Neural Networks for Instrumentation, Measurement, and Related Industrial Applications: Study Cases Crema, Italy, 920 October 2001 [4] Ahmed Belhani, Khaled Belarbi and Fateh Mehazem, “Design of Multivariable Backstepping Controller Using Genetic Algorithm”, ACSE 05 Conference, CICC, Cairo, Egypt, 19-21 December 2005 [5] Emelyanov, S.V “Variable structure control sytems”, Moscow, Nauka, 1967 [6] Lê Tấn Duy, “Bộ điều khiển trượt cho hoạt động bền vững tay máy robot”, Tạp chí Khoa học công nghệ, ĐH Đà Nẵng, số (5) 2004 [7] Nguyễn Hữu Hậu, “Ứng dụng mạng RBF xử lý tín hiệu trải phổ”, Tạp chí Tin học Điều khiển học, T.16, S.2 (2000) [8] Dong Si Thien Chau and Duong Hoai Nghia, “Nonlinear System Identification Using Radial Basis Neural Networks”, International Symposium on Electrical & Electronics Engineering 2005 – HCM City, Vietnam [9] Lê Thị Kim Loan, “Điều khiển trượt mờ - Ứng dụng nâng vật từ trường”, Luận văn thạc só – ĐHBK TP.HCM, 2005 93 [10] Nguyễn Duy Khanh, “Ứng dụng mạng RBF nhận dạng điều khiển chế độ làm việc trạm biến áp Bình Triệu”, Luận văn thạc sỹ, ĐHBK TP.HCM, 2001 [11] Simon Haykin, “Neural Networks – A Comprehentive Foundation”, 2nd Edition, Prentice Hall International Inc, 1999, pp 256-317 [12] Rafal Bogacz, Christophe Giraud, “Supervised Competitive Learning for Finding Position of Radial Basis Functions”, Computer Science anh Management Dept., Technical University of Wroclaw [13] Hui Peng, Tohru Ozaki, “A Parameter Optimization Methode for Radial Basis Function Type Models”, IEEE Transactions on Neural Networks, Vol.14, No.2 (2003), pp.432-438 [14] Shie-Jue Lee, Chun-Liang Hou, “An ART-Based Construction of RBF Network”, IEEE Transactions on Neural Networks, Vol.13, No.6 (2002), pp.1308-1321 [15] Alexander P.Molchanov, Derong Liu, “Robust Absolute Stability of Time Varying Nonlinear Discrete Time Systems”, IEEE Transactions on Neural Networks, Vol.49, No.8 (2002), pp.1129-1137 [16] Chu Kiong Loo, Mandava Rajeswari, M.V.C Rao, “Novel Direct and Self – Regulating Approaches to Determine Optimum Growing Multi-Expert Network Structure”, IEEE Transactions on Neural Networks, Vol.15, No.6 (2004), pp.1378-1395 [17] Piotr Ciskowski, Ewaryst Rafajlowicz, “Context – Dependent Neural Nets – Structures and Learning”, IEEE Transactions on Neural Networks, Vol.15, No.6 (2004), pp.1367-1378 94 [18] Eiji Mizutani, Kenchico Nishio, “Multi-Illuminant Color Reproduction for Electronic Cameras Via CANFIS Neuro – Fuzzy Modular Network Device Characterization”, IEEE Transactions on Neuron Networks, Vol.13, No.4 (2002) [19] Alessio Micheli, Diego Sona, at al., “Contextual Processing of Structured Data by Recursive Cascade Correlation”, IEEE Transactions on Neural Networks, Vol 15, No.6 (2004), pp.1396-1410 [20] S.Jagannathan, G.Galan, “Adaptive Critic Neuron Network – Based Object Grasping Control Using a 3-Finger Gripper”, IEEE Transactions on Neuron Networks, Vol.15, No.2 (2004), pp 395-407 [21] H Khalil, Nonlinear Systems, 2002 95 PHỤ LỤC Các file chương trình (Matlab 6.5): Thư mục Regulation: Parameter.m → khởi động thông số đối tượng điều khiển Parameter_M.m → khởi động thông số đối tượng điều khiển khối lïng lắc đối tượng khác khối lïng lắc điều khiển smc_dps.mdl → mô hệ thống SMC danh định lấy data huấn luyện mạng RBF smc_dps_M.mdl → mô hệ thống SMC khối lượng lắc thay đổi smc_dps_noise.mdl → mô hệ thống SMC có nhiễu tác động Model_Ident.m → nhận dạng mô hình dùng mạng RBF Model1.m → mô hình mạng RBF Model2.m → mô hình mạng RBF Result_SMC.m → kết mô hệ thống SMC danh định 10 Result_SMC_M m → kết mô hệ thống SMC khối lượng lắc thay đổi 11 Result_SMC_Noise.m → kết mô hệ thống SMC có nhiễu 12 smc_dps_rbf.mdl → mô hệ thống SMC danh định dùng mạng RBF 13 smc_dps_rbf_m.mdl → mô hệ thống SMC khối lượng lắc thay đổi dùng mạng RBF 14 smc_dps_rbf_noise.mdl → mô hệ thống SMC có nhiễu dùng mạng RBF 96 15 Result_SMC_RBF.m → kết mô hệ thống SMC danh định dùng mạng RBF 16 Result_SMC_RBF_M.m → kết mô hệ thống SMC khối lượng lắc thay đổi dùng mạng RBF 17 Result_SMC_RBF_Noise.m → kết mô hệ thống SMC có nhiễu dùng mạng RBF có nhiễu Thư mục Tracking_Input 18 Signal_gent.m → tạo tín hiệu nhị phân ngẫu nhiên 19 Model1.m → mô hình mạng RBF 20 Model2.m → mô hình mạng RBF 21 Model_Ident.m → nhận dạng mô hình dùng mạng RBF 22 Parameter.m → khởi động thông số đối tượng điều khiển 23 smc_dps.mdl → mô hệ thống SMC bám lấy data huấn luyện mạng RBF 24 Result_SMC.m → kết mô hệ thống SMC bám 25 smc_dps_rbf.mdl → mô hệ thống SMC bám dùng mạng RBF 26 Result_SMC_RBF.m → kết mô hệ thống SMC bám dùng mạng RBF TÓM TẮT LÝ LỊCH TRÍCH NGANG Họ tên: TRẦN QUANG THUẬN Sinh ngày: 26 – 12 – 1976 Email: thuantq@ptithcm.edu.vn Nơi sinh: Tây Ninh QUÁ TRÌNH ĐÀO TẠO: Từ năm 1993 đến 1998: Học Đại học quy chuyên ngành Điện Tử trường đại học Bách Khoa TP.HCM Từ năm 2004 đến 2006: Học Cao học chuyên ngành Điều Khiển Học Kỹ Thuật (Tự Động Hóa) trường đại học Bách Khoa – Đại học Quốc gia TP.HCM QUÁ TRÌNH CÔNG TÁC: Từ năm 1998 đến nay: Giảng viên Khoa Kỹ thuật Điện Tử, Học Viện Công Nghệ Bưu Chính Viễn Thông, sở Tp.Hồ Chí Minh CÔNG TRÌNH NGHIÊN CỨU KHOA HỌC: Chủ trì đề tài cấp Học viện “Nghiên Cứu Chế Tạo Bộ Nguồn Switching Điện Áp ±5V, ±12V, 48V, Nguồn Tín Hiệu Chuông Điện Thoại Phục Vụ Giảng Dạy Thí Nghiệm, Thực Hành Các Môn Kỹ Thuật Điện Tử “, mã đề tài 21-2000HV-RD-ĐT, năm 2000 Nghiệm thu đạt loại tốt Chủ trì đề tài cấp Học viện “Thiết kế, thi công điều khiển vị trí dùng DC Servo Motor, vi điều khiển AVR”, mã đề tài 29-HV-2006-RD-ĐT, năm 2006 Đang thực Bài đăng kỷ yếu: Trần Quang Thuận, Dương Hoài Nghóa Đồng Só Thiên Chaâu, “Sliding Mode Control Using Radial Basis Function Neural Network”, 10th Vietnam Conference on Radio and Electronics (REV’06), Session 5: Electronics, Control and IT, No.6, pp.263-267, Hanoi 2006 Ngoaøi ra, tác giả tham gia biên soạn số giảng dùng giảng dạy cho hệ Đại học Cao đẳng Học Viện Công Nghệ Bưu Chính Viễn Thông, sở TP Hồ Chí Minh ... 5: ĐIỀU KHIỂN TRƯT DÙNG MẠNG NƠRON HÀM CƠ SỞ XUYÊN TÂM Dựa sở lý thuyết nghiên cứu, tác giả thực hiện: - Thiết kế điều khiển trượt cho hệ thống lắc đôi - Nhận dạng mô hình đối tượng lắc đôi dùng. .. hình mạng hàm sở xuyên tâm (RBF) khác Nhiều nhà nghiên cứu đưa mạng hàm sở xuyên tâm (RBF) nhiều lớp ẩn, ngõ lớp ngõ vào lớp Hoặc số nhà nghiên cứu khác lại đưa mô hình mạng hàm sở xuyên tâm (RBF)... p=1 Với mạng hàm sở xuyên tâm (RBF), hàm fˆ có dạng: yˆ = fˆ ( X ) = ∑θiϕ ( X − μi n ) (3.6) i =1 {ϕ ( X − μi ) | i = 1,2, , N } tập hàm sở xuyên tâm chuẩn Euclidean Các hàm sở xuyên tâm thường