Adaptation and Learning in Some Classes of Identification and Control Systems

Abstract

The purpose of the paper is to establish the global convergence conditions of the gradient online learning algorithm in the neural network model by utilizing the probabilistic asymptotic analysis and to derive the convergent adaptive control algorithm guaranteeing the boundedness of the signals in the closed-loop system which contains the multivariable memoryless plant with an arbitrary matrix gain in the presence of unmeasurable disturbances whose bounds are unknown.

Рассмотрены задача обучения нейросетевых моделей для идентификации неопределенных нелинейных систем в стохастической среде и задача адаптивного управления линейным многомерным объектом без памяти с произвольным матричным коэффициентом усиления при наличии нерегулярных ограниченных возмущений, уровни которых априори неизвестны. Установлены достаточные условия сходимости алгоритма обучения нейронных сетей и асимптотические свойства алгоритма адаптивного управления многомерным объектом. Полученные результаты являются фундаментальными.

Розглянуто задачу навчання нейромережних моделей для ідентифікації невизначених нелінійних систем у стохастичному середовищі та задачу адаптивного керування лінійним багатовимірним об'єктом без пам'яті з довільним матричним коефіцієнтом підсилення за наявності нерегулярних обмежених збурень, рівні яких апріорі невідомі. Встановлено достатні умови збіжності алгоритму навчання нейронних мереж, а також асимптотичні властивості алгоритму адаптивного керування багатовимірним об'єктом. Одержані результати є фундаментальними.