Помощь в написании студенческих работ
Антистрессовый сервис

Теория и методы адаптивного управления нелинейными динамическими объектами с применением искусственных нейронных сетей

Диссертация: Теория и методы адаптивного управления нелинейными динамическими объектами с применением искусственных нейронных сетей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработана система адаптивного сравнения шаблонов для автоматической обработки и распознавания визуальной информации об объекте в условиях возмущений среды (освещенность, прозрачность) и неопределенности информации об объекте (фокальные возмущения как следствие физического перемещения объекта). Система сравнения шаблонов построена на основе временного кодирования и временной обработки информации… Читать ещё >

Теория и методы адаптивного управления нелинейными динамическими объектами с применением искусственных нейронных сетей (реферат, курсовая, диплом, контрольная)

Содержание

  • Основные обозначения и сокращения
  • 1. Проблемы адаптации в управляемых нелинейных детерминированных системах
    • 1. 1. Логические постановки проблемы адаптивного управления
      • 1. 1. 1. Поисковый принцип адаптации и экстремальные системы
      • 1. 1. 2. Беспоисковый принцип адаптации
    • 1. 2. Математические постановки задачи адаптивного управления
    • 1. 3. Методы синтеза адаптивных систем управления нелинейными динамическими объектами
      • 1. 3. 1. Системы с линейной и выпуклой параметризацией
      • 1. 3. 2. Системы с невыпуклой параметризацией
      • 1. 3. 3. Метод аналитического синтеза агрегированных адаптивных регуляторов и принцип инвариантного погружения
    • 1. 4. Проблемы адаптивного управления нелинейными объектами
    • 1. 5. Новый подход к решению проблемы адаптации в нелинейных системах и постановка задач диссертации
  • 2. Функциональный анализ динамических систем
    • 2. 1. Операторное описание динамических систем
    • 2. 2. Свойства операторов устойчивых систем
    • 2. 3. Постановка задачи функционального анализа и регулирования неравновесных, открытых и неустойчивых систем
    • 2. 4. Анализ и синтез систем с локально ограниченными операторами
      • 2. 4. 1. Анализ реализуемости соединений систем с локально ограниченными операторами
      • 2. 4. 2. Задача функционального синтеза адаптивного регулятора. Принцип разделения
    • 2. 5. Анализ асимптотического поведения систем с локально ограниченными операторами
    • 2. 6. Анализ асимптотического поведения неустойчивых систем
      • 2. 6. 1. Теорема о малом контурном усилении для неравномерной сходимости
      • 2. 6. 2. Характеризация притягивающего множества по Милнору
      • 2. 6. 3. Системы с сепарабельной динамикой
    • 2. 7. Выводы по разделу
  • 3. Задачи адаптивного управления для некоторых классов математических моделей объектов и внешней среды
    • 3. 1. Постановка задачи адаптивного управления в условиях функциональной неопределенности и нелинейной параметризации
    • 3. 2. Синтез прямого адаптивного управления нелинейными динамическими объектами
      • 3. 2. 1. Метод виртуального алгоритма адаптации. Достаточные условия реализуемости
      • 3. 2. 2. Задача вложения. Достаточные условия разрешимости
      • 3. 2. 3. Задача прямого адаптивного управления классом объектов с моделями в нижнетреугольной форме
    • 3. 3. Задача адаптивного регулирования к инвариантным множествам
      • 3. 3. 1. Объекты с параметрической неопределенностью и нелинейной параметризацией
      • 3. 3. 2. Объекты с сигнальными возмущениями и линейной параметризацией
    • 3. 4. Задача адаптивного управления взаимосвязанными нелинейными системами
      • 3. 4. 1. Системы с немоделируемой динамикой
      • 3. 4. 2. Функциональная нормализация немоделируемых возмущений
      • 3. 4. 3. Децентрализованное адаптивное управление
    • 3. 5. Задача параметрической идентификации объектов с нелинейно параметризованными моделями одного класса
    • 3. 6. Задача недоминирующего управления объектами с нелинейной параметризацией общего вида
    • 3. 7. Выводы по разделу
  • 4. Применение искусственных нейронных сетей в задачах адаптивного управления
    • 4. 1. Задача адаптивного управления объектами с неопределенной физической моделью возмущений
    • 4. 2. Задача ко-монотонной нейросетевой аппроксимации функций
    • 4. 3. Задача синтеза алгоритмов настройки параметров
      • 4. 3. 1. Формальная постановка задачи
      • 4. 3. 2. Аппроксимация функций с помощью логистических уравнений
      • 4. 3. 3. Синтез алгоритмов оценки параметров систем логистических уравнений
    • 4. 4. Выводы по разделу
  • 5. Решения прикладных задач адаптивного управления и идентификации нелинейных динамических систем
    • 5. 1. Задача управления динамикой автомобиля в режиме разгона / торможения в условиях неопределенности качества дорожного покрытия
      • 5. 1. 1. Система прямого адаптивного управления
      • 5. 1. 2. Результаты моделирования
    • 5. 2. Задача идентификации моделей электрической активности клеток нервной системы по измерениям мембранного потенциала
      • 5. 2. 1. Формальная постановка задачи
      • 5. 2. 2. Анализ модели
      • 5. 2. 3. Синтез алгоритма идентификации
    • 5. 3. Задача адаптивного сравнения шаблонов в системах обработки визуальной информации
      • 5. 3. 1. Постановка задачи
      • 5. 3. 2. Условия синхронизации осцилляторов-детекторов совпадений
      • 5. 3. 3. Синтез подсистемы адаптивной фильтрации оптических возмущений
      • 5. 3. 4. Результаты экспериментальной апробации системы
    • 5. 4. Выводы по разделу

С момента публикации первых работ по адаптивным системам в первой половине 20 века до настоящего дня приспосабливающиеся системы или системы с адаптацией эволюционировали от сравнительно простых экстремальных систем управления линейными объектами до адаптивных регуляторов линейных объектов, порядок математической модели которых существенно превосходит порядок математической модели объекта. В подавляющем большинстве практических приложений теория адаптивных систем управления и идентификации, как совокупность общесистемных положений и методов, используется для решения стандартных задач регулирования хорошо изученных и исследованных, зачастую устойчивых по Ляпунову объектов. Однако потенциальная роль этих теорий, по меньшей мере на этапе их возникновения, представлялась значительно шире.

В естественных науках, таких, как физика, химия или биология, понимание механизмов и самих принципов адаптации, «приспособления» на сегодняшний день является одной из наиболее актуальных проблем [299]. Именно в этих областях знаний применение методов адаптации и управления наиболее перспективно для анализа явлений, не поддающихся анализу на языке «родной» науки. Хорошим примером может служить применение кибернетических методов в физике [85]. Не менее актуален адаптивный подход при проектировании систем управления функционально сложными техническими объектами и технологическими процессами в условиях неконтролируемых изменений собственных свойств и свойств внешней среды. В то же время применение «классических» методов оказывается в значительной мере затруднительным или малоэффективным [67, 68, 69]. Причиной тому является то, что условия применимости классических методов в рамках существующей теории требуют точного знания уравнений математической модели объекта, линейности по неизвестным параметрам, устойчивости по Ляпунову целевых движений и, более того, известности функции Ляпунова (зачастую со знакоопределенной производной по времени) для целевых движений [291, 253, 218, 231, 156, 186, 38]. Каждое из этих требований в отдельности ограничивает роль существующей теории адаптивных систем в приложении к актуальным проблемам естественных наукв совокупности они представляют собой «стандартный» подход, который оказывается ограниченным даже для решения типовых задач управления техническими объектами.

Таким образом, тема диссертационной работы — разработка теории и методов адаптивного управления нелинейными динамическими объектами с применением искусственных нейронных сетей в развитие известных «стандартных» методов теории адаптивных систем является актуальной.

Основные цели работы.

Целью диссертационной работы является построение теории и методов адаптивного управления нелинейными динамическими объектами:

— с потенциально неустойчивой по Ляпунову и неравновесной целевой динамикой;

— при условии потенциальной невозможности задания целевых множеств в явном виде;

— с использованием минимальной, качественной информации об объекте, а также в условиях недоступности информации о точных математических моделях объекта;

— с использованием моделей неопределенностей, максимально адекватных физической сущности процессов и явлений в самом объекте;

— с возможностью реализации механизмов управления в типовых и однородных структурах типа искусственных нейронных сетей прямого действия.

Необходимыми компонентами такой теории адаптивного управления являются: 1) аппарат анализа свойств нелинейных систем, который не требует точного знания математических моделей исследуемых объектов и не зависит от того, устойчив ли объект по Ляпунову- 2) принципы и методы адаптации к неконтролируемым, неизмеряемым возмущениям и неопределенностям среды и модели объекта, использующие лишь их общесистемные, фундаментальные свойства- 3) поиск, анализ и синтез структур реализации алгоритмов нелинейного управления, адаптации и идентификации. В соответствии с этим, для достижения поставленных целей в работе решаются следующие задачи:

1) Разработка и обоснование математического аппарата, позволяющего анализировать реализуемость, полноту и ограниченность состояния объектов и их соединений на основе моделей в виде отображений «вход-выход» и «вход-состояние» в предположении, что эти отображения известны лишь с точностью до мажорирующих. Результатом использования этого аппарата анализа должны быть формулировки желаемых принципов макроорганизации адаптивных систем и целевых ограничений, реализация которых не требует a priori устойчивости по Ляпунову целевых движений, знания целевых множеств в явном виде, а также полной определенности математической модели управляемого объекта.

2) Разработка и обоснование метода реализации полученных принципов и целевых ограничений для классов моделей нелинейных динамических объектов в виде частично известных систем нелинейных дифференциальных уравнений. Результатом применения этого метода при решении задач синтеза систем адаптивного управления нелинейными динамическими объектами является комплекс методов решений типовых задач адаптивного управления. Для возможности использования в процессе управления адекватных, нелинейных физических моделей, методы должны допускать нелинейную параметризацию моделей неопределенности в широком и практически значимом классе функций.

3) Разработка подхода к синтезу типовых структур адаптивных систем управления на основе искусственных нейронных сетей, включая решения задачи выбора подходящей архитектуры сетей и разработки методов настройки параметров полученного класса регуляторов.

Объектами исследования в работе являются нелинейные динамические системы и их соединения, представимые в виде локально ограниченных отображений, систем дифференциальных уравнений, системы аппроксимации функций с настраиваемым базисом.

Предмет исследования — свойства реализуемости, полноты, ограниченности состояния адаптивных систем управления, условия достижения целевых множеств и их окрестностей, законы адаптивного управления, процедуры оценки неизвестных параметров нелинейных отображений, качество переходных процессов при условии неполноты информации об объекте и в условиях параметрических, сигнальных и функциональных возмущений.

Основные положения, выносимые на защиту.

Результатами, выносимыми на защиту являются:

1) Математический аппарат анализа нелинейных динамических объектов их соединений в терминах отображений «вход-выход» и «вход-состояние» .

2) Принципы макроорганизации и целевые ограничения для систем адаптивного управления нелинейными динамическими объектами.

3) Метод синтеза законов адаптивного управления нелинейными динамическими объектами на основе виртуального алгоритма адаптации.

4) Метод синтеза адаптивных недоминирующих законов управления нелинейными динамическими объектами с моделями неопределенности в классе функций, удовлетворяющих условию Липшица по неизвестному параметру.

5) Комплекс методов решения типовых задачах адаптивного управления: задачи прямого адаптивного управления, задачи адаптивного регулирования к инвариантным множествам, децентрализованное адаптивное управление, адаптивное управление с идентификацией параметров неопределенности.

6) Подход к реализации алгоритмов адаптивного управления нелинейными объектами с применением многослойных нейронных сетей в качестве универсального устройства однородной и типовой структуры.

7) Метод оценки оптимальных параметров базиса для класса систем аппроксимирующих функций с нелинейно параметризованными базисными функциями в многослойных нейросетях.

Научная новизна и практическая ценность работы.

Новые научные результаты работы состоит в следующем:

1) Математический аппарат анализа нелинейных динамических объектов их соединений в терминах свойств эмпирически проверяемых отображений «вход-выход» и «вход-состояние» позволяет формулировать условия реализуемости, полноты, ограниченности состояния и достижения целевых множеств для систем, состоящих из последовательных, параллельных и замкнутых соединений нелинейных объектов в условиях неопределенности информации о математических моделях объекта. В отличие от известных методов класс допустимых моделей объектов расширен до локально-ограниченных операторов в функциональных пространствах, известных с точностью до оценок норм их мажорирующих отображений.

2) Принципы макроорганизации и целевые ограничения для систем адаптивного управления нелинейными динамическими объектами формулируются в терминах свойств систем как отображений в функциональных пространствах и позволяют гарантировать желаемое поведение объекта при возможном сохранении его исходных и потенциально полезных нелинейных особенностей типа метаи мультистабильности, неустойчивости по Ляпунову, бифуркаций, неравновесности, перемежаемости. Предложенные принципы и ограничения в отличие от известных не требуют вычисления функций Ляпунова для целевых движений расширенной системы и допускают неопределенность модели объекта с точностью до динамики макропеременных.

3) Метод синтеза законов адаптивного управления на основе виртуального алгоритма адаптации, отличается от известных возможностью систематически синтезировать классы законов и алгоритмов адаптивного управления, реализующие желаемые принципы макрорганизации и целевые ограничения в виде ограничений на свойства регулятора в функциональных нормированных пространствах для нелинейных динамических объектов с моделями в классе нелинейных дифференциальных уравнений.

4) Метод синтеза адаптивных недоминирующих законов управления нелинейными динамическими объектами с моделями неопределенности в классе функций, удовлетворяющих условию Липшица по неизвестному параметру отличается от известных тем, что условия его применимости не требуют линейной параметризации неопределенности, точного знания целевой динамики объекта, приведения уравнений модели объекта к каноническим формам адаптивного наблюдателя, мажорирования неопределенности отрицательными обратными связями с высокими коэффициентами контурного усиления.

5) Комплекс методов решения типовых задачах адаптивного управления, отличающихся от известных тем, что условия их применимости не требуют знания функций Ляпунова для целевых движений, допускают нелинейную параметризацию моделей неопределенности, а также неполноту информации о целевых множествах;

6) Подход к реализации алгоритмов адаптивного управления нелинейными объектами с применением многослойных нейронных сетей, позволяет, в отличие от известных, ре-ализовывать алгоритмы адаптивного управления в классе моделей неопределенности без привлечения рекуррентных обратных связей в структуре сети и настройки параметров базисных функций в реальном времени, что снимает, во-первых, проблемы устойчивости в задаче реализации нейроконтроллеров и, во-вторых, снижает требования к вычислительной мощности аппаратной реализации таких систем.

7) Метод настройки базиса класса систем аппроксимирующих функций с нелинейно параметризованными базисными функциями в многослойных нейросетях, позволяет в отличие от известных методов глобальной оптимизации гарантированно и эффективно (в вычислительном плане) оценивать оптимальные параметры базиса с помощью стандартных в т. ч. градиентных методов теории адаптивного управления.

Практическая ценность работы состоит в возможности решения актуальных задач анализа (идентификации) физических явлений в условиях неопределенности (например, таких, как идентификация изменения свойств клеточных мембран и ионных токов под действием токсинов при условии измерений лишь мембранного потенциала), задач синтеза технических систем управления в условиях неопределенности и при условии нелинейной параметризации моделей, задач анализа и синтеза систем адаптивной обработки информации и распознавания с нелинейно параметризованными фильтрами и мультистабильной целевой динамикой для поиска альтернатив.

Апробация работы.

Результаты, вошедшие в диссертационную работу были представлены на Всероссийской научно-технической конференции «Нейрокомпьютеры и их применение». Москва, 16−18 февраля 2000 (НКП-2000) — II научно-технической конференции молодых ученых «Навигация и управление движением». 28−30 марта 2000 г. Санкт-Петербург. СПб. ГНЦ РФ ЦНИИ «Электроприбор» — Всероссийской научной конференции «Управление и информационные технологии», Санкт-Петербург, 2003 г.- международных конференциях и симпозиумах: 2-й международной конференции по управлению колебаниями и хаосом, июль 2000 г., г. Санкт-Петербург (2nd Int. Conf. «Control of Oscillations and Chaos». July 5−7, St. Petersburg, Russia, 2000) — 5-м симпозиуме ИФАК «Нелинейные системы управления», г. Санкт-Петербург, 2001 г. (5th IFAC Symposium «Nonlinear Control Systems» (NOLCOS'01), St.-Petersburg, Russia, July 4−6, 2001) — 2-й международной конференции по нейронным сетям и искусственному интеллекту, г. Минск, Беларусь, 2001 г. (2th Int. Conf. on Neural Networks and Artificial Intelligence (ICNNAI'2001), Minsk) — 6-ой Европейской конференции по управлению, 2003 г., в г. Кембридж, Великобритания (6-th European Control Conference, ECC'2003) — симпозиуме ИФАК по адаптивным и обучающимся системам в управлении и обработке сигналов, 2004, Йокогама, Япония (IFAC Workshop on Adaptation and Learning in Control and Signal Processing, ALCOSP'2004) — 6-м симпозиуме ИФАК по нелинейным системам, г. Штуттгарт, Германия, 2004 (6-th IFAC Symposium on Nonlinear Control Systems) — IEEE конференциях по принятию решений и управлении, Сидней, Австралия, 2000 г., Невада, США, 2002 г. (39-th, 41-st IEEE Conferences on Decisions and Control) — IEEE конференции по нейронным сетям, Гаваи, США, 2002 г. (IEEE Joint Conference on Neural Networks) — Американской конференции по управлению, Портланд, США, 2005 г. (American Control Conference, АСС'2005)1- 16-ом конгрессе ИФАК по автоматическому управлению, г. Прага, Чехия, 2005 (16-th IFAC World Congress on Automatic Control).

Кроме того, результаты работы докладывались и обсуждались на городском семинаре по информационным системам, Санкт-Петербург, 2005, на регулярных семинарах Университетов Ньюкастла (University of New Castle upon the Tyne) и Сандерланда (University of Sunderland), Великобритания, 2005, а также на семинарах Технического Университета г. Эйндховена (Eindhoven Technical University), Нидерланды, 2005.

Представленные результаты по приложению излагаемого в диссертации метода к задачам экстремального торможения удостоена премии за лучшую работу в секции по приложениям в автомобилестроении.

Основное содержание работы опубликовано в 47 научных статьях в реферируемых научных изданиях и монографиях.

Работа выполнялась в Санкт-Петербургском государственном электротехническом университете «ЛЭТИ» имени В. И. Ульянова (Ленина) на кафедре автоматики и процессов управления факультета компьютерных технологий и информатики (ФКТИ). Часть работы была инициирована экспериментальными исследованиями в Институте Физики и Химии, Институте Мозга (RIKEN Brain Science Institute), г. Вако, Япония.

Структура диссертации.

В первом разделе дается обзор существующих подходов к решению задач адаптивного управления нелинейными динамическими объектами и формулируются основные проблемы, возникающие в стандартных постановках [82, 84, 253, 218] и производится постановка задачи работы. К числу проблем существующих методов в работе относятся: неоднозначность самого понятия адаптивной системы, качества управления, ограничнность классов целей управления2 и моделей неопределенности, требования точной информации о модели объекта (т. е. знание дифференциальных уравнений) и отсутствие типовых средств реализации в общем случае нелинейных законов управления. На основе проведенного анализа дается постановка задачи диссертаций.

Во втором разделе вводится описание нелинейных систем с использованием лишь качественной информации и свойствах «вход-состояние» и «вход-выход», вводится математический аппарат анализа соединений динамических систем с локально ограниченными по состоянию и неограниченными по свободной переменной (времени) операторами. Ставится и решается задача функционального синтеза адаптивных систем и обосновывается принцип разделения — возможность независимого решения задач функционального синтеза обратной связи, алгоритма адаптации и наблюдателя. При этом желаемые фактические взаимодействия между этими подсистемами формулируются в виде принадлежности соответствующих выходов к заданным функциональным пространствам.

В третьем разделе работы, с учетом результатов предыдущего раздела, дается новая постановка задачи адаптивного управления нелинейными объектами в условиях неопределенности математической модели объекта, возможной неустойчивости по Ляпунову целе.

2К числу наиболее существенных ограничений стоит отнести ограничения на устойчивость по Ляпунову целевых движений в системе и необходимость точной спецификации целевого множества. Последнее требование в условиях неопределенности модели приводит либо к необходимости предварительной идентификации объекта, что противоречит самой сути большинства методов прямого адаптивного управления, либо к искусственному, силовому введению в систему движений, не свойственных самому объекту вой динамики, нелинейной параметризации и частичной неопределенности целевых функционалов. Общая задача адаптивного управления ставится как задача регулирования влияния неопределенности в заданное функциональное пространство, что позволяет избежать использования аппарата функций Ляпунова и, как следствие, потенциальных ограничений этого метода при решении задач синтеза. В рамках общей постановки задачи приводятся частные постановки задач адаптивного регулирования к инвариантным множествам, управления соединением взаимосвязанных систем и идентификации. Для решения совокупности этих задачи в работе вводится и обосновывается метод виртуального алгоритма адаптации, приводятся условия применимости этого метода для классов моделей объектов в рамках поставленных задач.

В четвертом разделе ставится задача построения адаптивных регуляторов с применением нейронных сетей в качестве настраиваемых моделей неопределенности. Вводится и обосновывается архитектура таких сетей, а также приводятся оценки скоростей сходимости аппроксимационного ряда в выбранном базисе функций. Для настройки функционального и в общем случае нелинейно параметризованного базиса вводится метод, основанный на представлении базисных функций линейной комбинацией решений нелинейных дифференциальных уравнений с линейными параметрами. Приводятся условия сходимости параметров базиса в окрестность оптимальных значений для заданной аппроксимируемой функции.

В пятом разделе приводятся решения прикладных задач управления и идентификации, решения которых в рамках стандартных постановок либо не известны, либо затруднительны в силу ограничений самой задачи. В частности, рассматриваются и решаются задачи оптимального экстренного торможения в условиях неопределенности свойств дорожного покрытия, задача идентификации динамики класса клеток (биологических нейронов) головного мозга животных, задача синтез адаптивной системы обработки визуальной информации, включая проблемы распознавания линейно несепарабельных и перекрывающихся объектов.

В шестом разделе излагаются основные научные результаты диссертации.

В приложениях приводятся доказательства лемм и теорем, сформулированных во втором, третьем и четвертом разделах диссертации.

Список цитируемых источников включает научную библиографию по теме диссертации, в том числе, опубликованные автором лично и в соавторстве, в значительной степени отражающие вклад автора в научные результаты диссертации.

5.4. Выводы по разделу 5.

В разделе рассмотрены вопросы прикладного применения теоретических положений диссертационной работы на примере решений типовых задач в различных предметных областях: в автомобилестроении, в экспериментальной биофизике и в области систем технического зрения.

1) Разработаны законы адаптивного управления управления динамикой колеса в режиме разгона/торможения в условиях неопределенности свойств дорожного покрытия. Предложенные законы управления обеспечивают выполнение маневра при одновременном выводе параметров движения системы в область, гарантирующую максимальные значения коэффициента сцепления. Особенностью введенных схем управления являются, во-первых, отсутствие скользящих режимов, что позволяет избежать чрезмерного износа исполнительных механизмовво-вторых, простота схем настройки системы, что открывает возможность реализации самого алгоритма настройки с использованием стандартных средств, например, таких, как ПИ-регулиторыв-третьих, независимость алгоритмов настройки параметров от конкретного вида используемых нелинейных моделей трения при условии, что они остаются монотонными по параметру качества дорожного полотна.

2) Разработаны алгоритмы идентификации моделей электрической активности клеток нервной системы в условиях неопределенности физических моделей процесса и неполноты измеряемой информации о состоянии объекта. Введенные алгоритмы идентификации позволяют оценивать состояние и параметры моделей по измерениям мембранного потенциала клетки в ответ на электрическую стимуляцию, т. е. по измерениям «вход — выход». Особенностью предложенных алгоритмов является, во-первых, их применимость к процессам, математические модели которых не приводятся к каноническим формам адаптивного наблюдателяво-вторых, эти алгоритмы допускают возможность нелинейной параметризации модели по части параметров. В-третьих, в отличие от известных минимаксных алгоритмов [129] они не требуют дополнительных внешних воздействий на наблюдаемый объект, что позволяет оставаться в рамках существующих протоколов экспериментов.

3) Разработана система адаптивного сравнения шаблонов для автоматической обработки и распознавания визуальной информации об объекте в условиях возмущений среды (освещенность, прозрачность) и неопределенности информации об объекте (фокальные возмущения как следствие физического перемещения объекта). Система сравнения шаблонов построена на основе временного кодирования и временной обработки информации об объекте, что является эффективным с позиции использования вычислительного ресурса. Кроме того, этот способ обработки информации позволяет проводить сравнение непосредственно в темпе сканирования информации об объекта. Особенностью системы является, с одной стороны, возможность использования моделей пространственных возмущений, приводящих к нелинейно параметризованным моделям фильтров, что позволяет обеспечить инвариантность распознавания к широкому спектру типовых моделируемых возмущений с восстановлением информации о параметрах возмущения. С другой стороны, использование хаотических осцилляторов в качестве детекторов совпадений позволяет гибко регулировать чувствительность системы (вплоть до сверхчувствительности) к малым немоделируемым возмущениям.

6.

Заключение

.

В работе предложена теория и методы адаптивного управления нелинейными динамическими объектами с применением искусственных нейронных сетей. В отличие от известных результатов в области сфера применимости теоретических положений работы наряду со стандартными содержит объекты с неустойчивой целевой динамикой, нелинейной параметризацией и неполнотой информации о математической модели процессов. Как иллюстрируется примерами, рассмотренными в работе, эти отличия позволяют использовать результаты диссертационного исследования для решения актуальных проблем эффективного адаптивного управления, системного анализа и обработки информации. Содержание предложенной теории и методов кратко может быть охарактеризовано следующей совокупностью основных выводов и результатов:

1) Разработан математический аппарат анализа нелинейных динамических объектов их соединений в терминах свойств эмпирически проверяемых отображений «вход-выход» и «вход-состояние», позволяющий формулировать условия реализуемости, полноты, ограниченности состояния и достижения целевых множеств для систем, состоящих из последовательных, параллельных и замкнутых соединений нелинейных объектов в условиях неопределенности информации о математических моделях объекта.

2) Сформулированы и обоснованы принципы макроорганизации и целевые ограничения для систем адаптивного управления нелинейными динамическими объектами в терминах свойств систем как отображений в функциональных пространствах. Это позволяет гарантировать желаемое поведение объекта при возможном сохранении его исходных и потенциально полезных нелинейных особенностей типа метаи мульти-стабильности, неустойчивости по Ляпунову, бифуркаций, неравновесности, перемежаемости. Предложенные принципы и ограничения не требуют вычисления функций Ляпунова для целевых движений расширенной системы и допускают неопределенность модели объекта с точностью до динамики макропеременных.

3) Разработан метод синтеза законов адаптивного управления на основе виртуального алгоритма адаптации, позволяющий систематически синтезировать классы законов и алгоритмов адаптивного управления, реализующие желаемые принципы макрорганизации и целевые ограничения в виде ограничений на свойства регулятора в функциональных нормированных пространствах для нелинейных динамических объектов с моделями в классе нелинейных дифференциальных уравнений.

4) Разработан метод синтеза адаптивных недоминирующих законов управления нелинейными динамическими объектами с моделями неопределенности в классе функций, удовлетворяющих условию Липшица по неизвестному параметру. Метод не требует точного знания целевой динамики объекта, приведения уравнений модели объекта к каноническим формам адаптивного наблюдателя и дэмпфирования (мажорирования) неопределенности отрицательными обратными связями с высокими коэффициентами контурного усиления.

5) Получен комплекс методов решения типовых задачах адаптивного управления, не требующий знания функций Ляпунова для целевых движений и допускающий нелинейную параметризацию в классе монотонных по заданному функционалу моделей неопределенности, а также неполноту информации о целевых множествах;

6) Предложен подход к реализации алгоритмов адаптивного управления нелинейными объектами с применением многослойных нейронных сетей, позволяющий реализовывать алгоритмы адаптивного управления в классе моделей неопределенности без привлечения рекуррентных обратных связей в структуре сети и настройки параметров базисных функций в реальном времени, что снимает, во-первых, проблемы устойчивости в задаче реализации нейроконтроллеров и, во-вторых, снижает требования к вычислительной мощности аппаратной реализации таких систем.

7) Введен и обоснован метод настройки базиса класса систем аппроксимирующих функций с нелинейно параметризованными базисными функциями в многослойных нейро-сетях, позволяющий гарантированно и эффективно (в вычислительном плане) оценивать оптимальные параметры базиса с помощью стандартных в т. ч. градиентных методов теории адаптивного управления.

Показать весь текст

Список литературы

  1. Алгоритмы управления и обучения в интеллектуальных системах с многослойными нейронными сетями / В. А. Терехов, В. Б. Яковлев, Д. В. Ефимов, И. Ю. Тюкин // Труды 2-го международного симпозиума INTELS'96.— Т. 1, — Санкт-Петербург: 1996, — С. 10−14.
  2. Аналитические самонастраивающиеся системы автоматического управления / Под ред. А. А. Солодовникова. — М.: Машиностроение, 1965. — 356 с.
  3. В. И. Теория катастроф, — М.: Наука, 1990. — 128 с.
  4. Е. А. Введение в теорию устойчивости. — М.: Наука, 1967. — 224 с.
  5. Н. П., Бундзен П. В., Гоголицин Ю. Л. Мозговые коды психической деятельности. — Л.: Наука, 1985.
  6. А. А., Имаев Д. X. Эволюционный синтез систем управления. — Л.: Ленинградский ордена Ленина Электротехнический Институт, 1983. — 80 с.
  7. В. Н., Червоненкис А. Я. Теория распознавания образов,— М.: Наука, 1974.- 416 с.
  8. А. А., Рутковский В. Ю. Современное состояние и перспективы развития адаптивных систем // Сб. ВК-59 «Вопросы кибернетики: проблемы теории и практики адаптивного управления», — М.: Изд-во АН СССР, 1985, — С. 5−48.
  9. В. И. Задачи и методы исследования устойчивости и стабилизации движения по отношению к части переменных: направления исследования, результаты, особенности // Автоматика и телемеханика. — 1993. — № 3. — С. 3−62.
  10. Д. И. Системы самооптимизации или самонастраивающиеся системы автоматического регулирования // Тр. 1-го межд. конгресса ИФАК «Теория дискретных, оптимальных и самонастраивающихся систем», — Т. 2, — М.: Изд.-во АН СССР, 1961, — С. 745−763.
  11. . П. Лекции по теории устойчивости, — М.: Наука, 1967.
  12. Ч. С., Ли И. Т. Автоматическая оптимизация управляемых систем / Под ред. Б. Н. Петрова. — М.: Изд-во иностр. лит., 1960. — 240 с.
  13. М. В., Никифоров В. О., Фрадков А. Л. Методы адаптивного управления нелинейными объектами по выходу // Автоматика и Телемеханика. — 1996. — № 2. С. 3−33.
  14. Р., Харт П. Распознавание образов и анализ сцен. — М.: Мир, 1976. — 512 с.
  15. Д. В., Терехов В. А., Тюкин И. Ю. Синергетический подход к синтезу систем управления с использованием многослойных нейронных сетей // Известия СПбГЭТУ «ЛЭТИ». 1998. — № 520. — С. 3−25.
  16. Д. В., Тюкин И. Ю. Алгоритмы настройки многослойных нейросетей в системах управления // Труды 2-й конференции «Навигация и управление движением». — Санкт-Петербург, СПб. ГНЦ РФ ЦНИИ «Электроприбор»: 2000. С. 121−130.
  17. Л., Дезоер Ч. Теория линейных систем / Под ред. Г. С. Поспелова. — М.: Наука, 1970. 704 с.
  18. Т. А., Терехов В. А., Тюкин И. Ю. Алгоритмы обучения многослойных нейронных сетей в задачах управления // Нейрокомпьютеры и их применение (НКП)-2000. Т. 2. — Москва: 2000. — 16−18 февраля.
  19. А. Г. Задачи экстремального регулирования // Изв. АН СССР. Техническая кибернетика. — 1956. — № 10. — С. 41−56.
  20. А. Кибернетические системы с комбинированным управлением. — Киев: Техника, 1966. — 512 с.
  21. В. В. Способ автоматического регулирования различных процессов по максимуму или по минимуму. Авт. св. № 66 335 от 25.11.1943 // Бюлл. изобретений. 1946. — № 10.
  22. В. В. Системы экстремального регулирования и некоторые способы улучшения их качества и устойчивости // Автоматическое управление и вычислительная техника. — М.: Машгиз, 1958. — С. 66−96.
  23. Ю. М., Евланов JI. Г. О теории самонастраивающихся систем с поиском градиента методом вспомогательного оператора // Тр. П-го межд. конгресса ИФАК. — Т. 3. М.: Наука, 1965. — С. 252−262.
  24. X. О допустимом адаптивном управлении // Тр. Н-го межд. симпозиума ИФАК по самонастраивающимся системам. — М.: Наука, 1969. — С. 17−22.
  25. Ю. М., Юсупов Р. М. Беспоисковые самонастраивающиеся системы, — М.: Наука, 1969. 455 с.
  26. А. А. Синергетическая Теория Управления, — М.- Энергоатомиздат, 1994. 260 с.
  27. А. А. Основы Синергетической Теории Управления,— М.: ИСПО-Сервис, 2000. 260 с.
  28. А. Н., Фомин С. В. Элементы теории функций и функционального анализа. — М.: Наука, 1976. — 544 с.
  29. А. А. Динамика непрерывных самонастраивающихся систем. — М.: Физ-матгиз, 1963. — 468 с.
  30. А. А. Оптимизационный подход в теории управления. Часть I // Современная прикладная теория управления / Под ред. А. А. Колесникова. — Таганрог: ТРТУ, 2000. 400 с.
  31. А. А., Буков В. Н., Шендрик В. Универсальные алгоритмы оптимального управления непрерывными процессами. — М.: Наука, 1977. — 272 с.
  32. В. И. Динамика самонастраивающихся систем со стабилизацией частотных характеристик. — М.: Машиностроение, 1970. — 232 с.
  33. Г. А. Проблема Броккета в теории устойчивости линейных дифференциальных уравнений // Алгебра и анализ. — 2001. — Т. 13, № 4. — С. 134−155.
  34. Г. А. Стабилизационная проблема Броккета // Автоматика и Телемеханика. 2001. — № 5, — С. 190−193.
  35. Ли Я.-Ц., Ван дер Вальде У. И. Теория нелинейных самонастраивающихся систем // Тр. 1-го межд. конгресса ИФАК «Теория дискретных, оптимальных и самонастраивающихся систем». Т. 2. — М.: Изд.-во АН СССР, 1961. — С. 726−744.
  36. М., Леондес К. Т. О теории самонастраивающейся системы регулирования- метод обучающейся модели // Тр. 1-го межд. конгресса ИФАК «Теория дискретных, оптимальных и самонастраивающихся систем», — Т. 2, — М.: Изд.-во АН СССР, 1961, — С. 683−698.
  37. И. В., Никифоров В. О., Фрадков А. Л. Нелинейное и адаптивное управление сложными динамическими системами // Анализ и синтез нелинейных систем. СПб.: Наука, 2000. — 549 с.
  38. Нейросетевые системы управления / В. А. Терехов, Д. В. Ефимов, И. Ю. Тю-кин, В. А. Антонов, — С-Пб.: Санкт-Петербургский Государственный Университет, 1999. 266 с.
  39. Новое в синергетике: Взгляд в третье тысячелетие // Информатика: неограниченные возможности и возможные ограничения / Под ред. И. М. Макарова. — М.: Наука, 2002. 478 с.
  40. Новое в синергетике. Новая реальность, новые проблемы, новое поколение, сборник статей. Часть 1 // Фракталы, хаос, вероятность / Под ред. Г. Г. Малинецкого. — М.: Радиотехника, 2006, — 120 с.
  41. Новые классы регуляторов технических систем. Часть III // Современная прикладная теория управления / Под ред. А. А. Красовского. — Таганрог: Изд-во ТРТУ, 2000. — 559 с.
  42. Л. С. Обыкновенные дифференциальные уравнения. — Наука, 1965.
  43. Прикладной интервальный анализ / Л. Жолен, М. Кифер, О. Дидри, Э. Вальтер- Под ред. Б. Т. Поляка. — М. Ижевск: Институт компьютерных исследований, 2005. — 468 с.
  44. Принципы построения и проектирования самонастраивающихся систем управления / Б. Н. Петров, В. Ю. Рутковский, И. Н. Крутова, С. Д. Земляков. — М.: Машиностроение, 1972. — 260 с.
  45. Д. В., Терехов В. А., Тюкин И. Ю. Об условиях применимости алгоритмов адаптивного управления в невыпуклых задачах // Автоматика и Телемаханика. — 2002. № 2. — С. 101−108.
  46. К. А., Капалин В. И., Ющенко А. С. Функциональные ряды в теории нелинейных систем. — М.: Наука, 1976. — 478 с.
  47. В. В. Методы построения адаптивных систем управления нелинейными нестационарными динамическими объектами с функционально-параметрической неопределенностью // Дисс. на соискание уч. степени д-ра техн. наук, — СПб.: СПбГЭТУ, 1993. 603 с.
  48. В. В., Озиранер А. С. Устойчивость и стабилизация движения по отношению к части переменных, — М.: Наука, 1987.
  49. Сар ид ис Д. Самоорганизующиеся стохастические системы управления. — М.: Наука, 1980.- 400 с.
  50. Синергетика: процессы самоорганизации и управления / А. А. Колесников, Г. Е. Веселое, А. Н. Попов и др.- Под ред. А. А. Колесникова. — Таганрог: ТРТУ, 2004, — 360 с.
  51. Синергетический подход в теории управления. Часть II // Современная прикладная теория управления / Под ред. А. А. Красовского. — Таганрог: ТРТУ, 2000. — 559 с.
  52. В. Г. Теория адаптивных систем. — М.: Наука, 1981. — 384 с.
  53. В. А., Антонов В. И., Тюкин И. Ю. Адаптивное управление в технических системах, — Санкт-Петербургский Государственный Университет, 2001, — 262 с.
  54. В. А., Ефимов Д. В., Тюкин И. Ю. Адаптивная система управления с нейронной сетью // Известия Санкт-Петербургского Государственного Электротехнического Университета «ЛЭТИ». 1996. — № 490. — С. 32−35.
  55. В. А., Ефимов Д. В., Тюкин И. Ю. Адаптивные системы управления с использованием многослойных нейронных сетей (МНС) // Известия
  56. Санкт-Петербургского Государственного Электротехнического Университета «ЛЭТИ». 1996. — № 498. — С. 36−56.
  57. В. А., Ефимов Д. В., Тюкин И. Ю. Искусственные нейронные сети и их применение в системах автоматического управления. — ИПЦ Санкт-Петербургского Государственного Электротехнического Университета, 1997. — 64 с.
  58. В. А., Ефимов Д. В., Тюкин И. Ю. Структурный синтез адаптивных систем управления с многослойными нейронными сетями // Известия Санкт-Петербургского Государственного Электротехнического Университета «ЛЭТИ». 1997. — № 510. — С. 3−13.
  59. В. А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления // Нейрокомпьютеры и их применение / Под ред. В. И, Галушкина, — М.: ИПРЖР, 2002. Т. 8. — 480 с.
  60. В. А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления. Учебное пособие для ВУЗов. — М.: Высшая Школа, 2002. — 182 с.
  61. В. А., Тюкин И. Ю. Адаптивный алгоритм обучения многослойных нейронных сетей // Труды международной научно-технической конференции «Нейронные, реляторные и непрерывно-логические сети». — Санкт-Петербург: 1998. — С. 62−64.
  62. В. А., Тюкин И. Ю. Адаптивное управление на многообразиях // Труды 6-го международного симпозиума (SPAS'99). Т. 2. — С-Пб.: 1999. — С. 157−160.
  63. В. А., Тюкин И. Ю. Исследование устойчивости процессов обучения нейронных сетей. Часть I // Автоматика и Телемеханика. — 1999.— Т. 60, № 10. — С. 145−161.
  64. В. А., Тюкин И. Ю. Исследование устойчивости процессов обучения нейронных сетей. Часть II // Автоматика и Телемеханика. — 1999. — Т. 60, № 11. — С. 136−144.
  65. В. А., Тюкин И. Ю. Нейросетевые системы управления: проблемы теории и практики // Труды 2-й конференции «Навигация и управление движением», — Санкт-Петербург, СПб. ГНЦ РФ ЦНИИ «Электроприбор»: 2000. С. 97−121.
  66. В. А., Тюкин И. Ю. Синергетический синтез нейросетевых систем управления // Современная прикладная теория управления. Часть III / Под ред. К. А. А. — Москва: Интеграция, 2000.
  67. В. А., Тюкин И. Ю. Адаптивные системы управления: проблемы и тенденции // Труды всероссийской конференции «Управление и информационные технологии». — Т. 1. — Санкт-Петербург: ИСПО Сервис, 2003. — С. 145−154.
  68. В. А., Тюкин И. Ю. Эволюция и проблемы теории адаптивных систем управления. Часть I // Мехатроника, автоматизация, управление. — 2003. — № 6. — С. 9−18.
  69. В. А., Тюкин И. Ю. Эволюция и проблемы теории адаптивных систем управления. Часть II // Мехатроника, автоматизация, управление. — 2003. — № 7. — С. 3−9.
  70. В. А., Яковлев В. В., Тюкин И. Ю. Исследование устойчивости процессов обучения многослойных нейронных сетей методом функций Ляпунова // Труды 3-го международного симпозиума INTELS'98. — Псков: 1998. — С. 145−147.
  71. А. В. Адаптивные робототехнические комплексы. — Машиностроение, 1988. 332 с.
  72. Д. Самонастраивающиеся системы (обзорный доклад) // Тр. П-го межд. конгресса ИФАК «Дискретные и самонастраивающеся системы», — М: Наука, 1965. — С. 240−251.
  73. И. Ю. Устойчивость алгоритма обучения многослойных нейронных сетей прямого действия // Сер. «Управление, информатика и вычислительная техника» / Научно-технический сборник ТЭТУ. — 1998. — № 1.
  74. И. Ю. Устойчивость по Ляпунову процессов обучения многослойной нейронной сети в динамических системах управления // Сер. «Приборостроение» / Известия ВУЗов. 1999. — № 9.
  75. И. Ю. Алгоритмический синтез нейросетевых систем управления нелинейными динамическими объектами в условиях неопределенности // Дисс. на соискание уч. степени к-та техн. наук. — СПб.: СПбГЭТУ, 2001. — 272 с.
  76. И. Ю. Алгоритмы адаптации в конечной форме для нелинейных динамических объектов // Автоматика и Телемаханика. — 2003. — Т. 64, № 6. — С. 951−974.
  77. И. Ю., Терехов В. А. Нейросетевое решение задачи адаптивного управления для класса нелинейных динамических объектов с невыпуклой параметризацией // Нейрокомпьютеры и их применение. — 2004. — № 7−8.
  78. А. А. Вычислительные устройства в автоматических системах,— М.: Физматгиз, 1959. — 800 с.
  79. А. А. Проблемы самоприспосабливающихся (адаптивных) систем // Тр, 1-й межд. сесоюз. конф. по самонастраивающимся системам. — М.: Наука, 1965.
  80. В. Н., Фрадков А. Л., Якубович В. А. Адаптивное управление динамическими объектами. — М.: Наука, 1981. — 448 с.
  81. А. Л. Схема скоростного градиента и ее применение в адаптивном управлении // Автоматика и Телемеханика. — 1979. — Т. 40, № 9. — С. 90−101.
  82. А. Л. Адаптивное управление в сложных системах: беспоисковые методы. — М.: Наука, 1990.- 286 с.
  83. А. Л. О применении кибернетических методов в физике // Успехи Физических Наук. 2005. — Т. 175, № 2. — С. 113−138.
  84. Фу К. С. Класс самообучающихся систем автоматического регулирования, основанный на использовании теории статистических решений // Тр. П-го межд. симпозиума ИФАК по самонастраивающимся системам. — М.: Наука, 1969. — С. 7−15.
  85. Ю. С. Электрический регулятор экономичности, авт. заявка № 231 496 от 4.04.1940. авт. св. СССР № 170 566 // Бюлл. изобретений. 1965. — № 9.
  86. . Я. 3. Адаптация и обучение в автоматических системах. — М.: Наука, 1968. 400 с.
  87. Я. 3. Основы теории обучающихся систем. — М.: Наука, 1970. — 252 с.
  88. Я. 3. Информационная теория идентификации. — М.: Наука, Физматлит, 1995. 336 с.
  89. В. А. К теории адаптивных систем // ДАН СССР. 1968. — Т. 182, № 3. -С. 518−521.
  90. ABS control using optimum search via sliding modes / S. Drakunov, U. Ozguner, P. Dix, B. Ashrafi // IEEE Trans, on Control Systems Technology. — 1995. — no. 3. — Pp. 79−85.
  91. Adaptive Control Systems / Ed. by E. Mishkin, L. B. J. Braun. — N.-Y Toronto -London: McGraw-Hill Book Co. Inc., 1961.
  92. Amari S., Nakahara H. Difficulty of singularity in population coding // Neural Computation. 2005. — Vol. 17. — Pp. 839−858.
  93. Ampazis N., Perntonis S. J., Taylor J. G. A dynamical model for the analysis and acceleration of learning in feedforward networks // Neural Networks. — 2001. — Vol. 14. — Pp. 1075−1088.
  94. Annaswamy A. M., Skantze F. P., Loh A.-P. Adaptive control of continuous time systems with convex/concave parametrization // Automatica. — 1998. — Vol. 34, no. 1. — Pp. 33−49.
  95. Arcak M., Angeli D., Sontag E. A unifying intergal ISS framework for stability of nonlinear cascades // SI AM J. Contr. and Optim. 2002. — Vol. 40. — Pp. 1888−1904.
  96. Arecchi F. T. Chaotic neuron dynamics, synchronization and feature binding // Physica A. 2004. — Vol. 338. — Pp. 218−237.
  97. Arimoto S., Kawamura S., Miyazaki F. Bettering operation of robots by learning // J. Robotic Syst. 1984. — Vol. 1, no. 2. — Pp. 123−124.
  98. Arimoto S., Kawamura S., Miyazaki F. Realization of robot motion based on a learning method // IEEE Trans. Man. Cybern. 1988. — Vol. 18, no. 1. — Pp. 126−134.
  99. Armstrong-Helouvry В. Control of Machines with Friction. — Kluwer, 1991.
  100. Armstrong-Helouvry B. Stick silp and control in low-speed motion // IEEE Trans, on Automatic Control. 1993. — Vol. 38, no. 10. — Pp. 1483−1496.
  101. Artstein Z. Uniform asymptotic stability via the limiting equations // J. Diff. Equat. — 1978. Vol. 27. — Pp. 172−189.
  102. Aseltine J. A., Mancini A. R., Sarture C. W. A survey of adaptive control systems // IRE Trans, on Automatic Control. 1958. — Vol. AC-6, no. 12. — Pp. 102−108.
  103. AstolfiA., Ortega R. Immension and invariance: A new tool for stabilization and adaptive control of nonlinear systems // IEEE Trans, on Automatic Control. — 2003. — Vol. 48, no. 4. Pp. 590−605.
  104. Astrom K. J., Wittenmark B. Adaptive Control (2nd ed.). — Reading, MA: Addison-Wesley, 1961.
  105. Auditory sensitivity provided by self-tuned critical oscillations of hair cells / S. Ca-malet, T. Duke, F. Julicher, J. Prost // Proceedings of National Academy of Science. — 2000. Vol. 97, no. 7. — Pp. 3183−3188.
  106. Bachmayer R., Whitcomb L. L., Grosenbaugh M. A. An accurate four-quadrant nonlinear dynamical model for marine thrusters: Theory and experimental validation // IEEE Journal of Oceanic Engineering. — 2000. — Vol. 25, no. 1. — Pp. 146−159.
  107. Bak P., Pakzusci M. Complexity, contingency and criticality // Proc. National Academy of Science. 1995. — Vol. 92. — Pp. 6689−6696.
  108. Bak P., Sneppen K. Punctuated equilibrium and criticality in a simple model of evolution // Physical Review Letters. 1993. — Vol. 71, no. 24. — Pp. 4083−4086.
  109. Barabanov N. E., Prokhorov D. V. A new method for stability analysis of nonlinear discrete-time systems // IEEE Trans, on Automatic Control. — 2003.— Vol. 48, no. 12. Pp. 2250−2255.
  110. Barron A. R. Universal approximation bounds for superposition of a sigmoidal function // IEEE Trans, on Information Theory. — 1993. — Vol. 39, no. 3. — Pp. 930−945.
  111. Bastin G., Gevers M. Stable adaptive observers for nonlinear time-varying systems // IEEE Trans, on Automatic Control. — 1988. — Vol. 33, no. 7. — Pp. 650−658.
  112. R. К., Leviatan D. On comonotone appoximation // Canad. Math. Bull.— 1983. Vol. 26, no. 2. — Pp. 220−225.
  113. Beggs J. M., Plenz D. Neuronal avalanches in neocortical circuits // J. Neurosci. — 2003. Vol. 22, no. 35. — Pp. 11 167−11 177.
  114. Bellman R. Adaptive Control Processes A Guided Tour. — Princeton, N.J.: Princeton University Press, 1961.
  115. Bellman R., Kalaba R. Dynamic programming and adaptive control processes: Mathematical foundations // IRE Trans, on Automatic Control. — 1960. — Vol. AC-5. — Pp. 5−10.
  116. Bellman R., Kalaba R. Dynamic Programming and Modern Control Theory. — N.-Y.: Academic Press, 1965.
  117. Birkhoff G. D. Dynamical Systems. — Providence, American Mathematical Society Colloquium Publications, volume IX, 1927.
  118. Bischi G.-I., Stefanini L., Gardini L. Synchronization, intermittency and critical curves in a duopoly game // Mathematics and Computers in Simulation. — 1998. — Vol. 44. — Pp. 559−585.
  119. Blondel V., Gevers M. Simultaneous stabilizability of three linear systems is rationally undecidable // Mathematics of Control, Signals and Systems. — 1993. — Vol. 6. — Pp. 135−145.
  120. Boskovic J. Stable adaptive control of a class of first-order nonlinearly parameterized plants // IEEE Trans, on Automatic Control. 1995. — Vol. 40, no. 2. — Pp. 347−350.
  121. Brenner N., Bialek W., de Ruyter van Steveninck R. Adaptive rescaling maximizes information transmission // Neuron. — 2000. — Vol. 26, no. 3. — Pp. 695−702.
  122. Brockett R. W. A stabilization problem // V.D. Blondel, E.D. Sontag, M. Vadyasagar, .C. Willems editors, Open Problems in Mathematical Systems and Control Theory, Communications and Control Engineering, chapter 16. — 1998. — Pp. 75−78.
  123. Buonomano D. V., Merzenich M. Neural network model of temporal code generation and position-invariant pattern recognition // Neural Computation. — 1999. — Vol. 11. — Pp. 103−116.
  124. Byrnes С. I., Isidori A. Limit sets, zero dynamics, and internal models in the problem of nonlinear output regulation // IEEE Trans, on Automat. Contr. — 2003. — Vol. 48, no. 10, — Pp. 1712−1723.
  125. Canudas de Wit C., Tsiotras P. Dynamic tire models for vehicle traction control // Proceedings of the 38th IEEE Control and Decision Conference. — 1999.
  126. Canudas de Wit C., Tsiotras P. Dynamic tire models for vehicle traction control // Proceedings of the 38th IEEE Control and Decision Conference. — 1999.
  127. Cao C., Annaswamy A., Kojic A. Parameter convergence in nonlinearly parametrized systems // IEEE Trans, on Automatic Control. 2003. — Vol. 48, no. 3. — Pp. 397−411.
  128. Carr С. E., Friedman M. A. Evolution of time coding systems // Neural Computation. — 1999, — Vol. 11.- Pp. 1−20.
  129. Carr J. Applications of the Center Manifold Theory. — Springer-Verlag, 1981.
  130. Chadderton P., Margrie T. W., Haussler M. Integration of quanta in cerenellar granule cells during sensory processing // Nature. — 2004. — Vol. 428. — Pp. 856−859.
  131. Cheney E. W. Introduction to Approximation Theory. — McGraw-Hill Book Company, 1966.
  132. Chizhevsky V. N. Coexisting attractors in a C02 laser with modulated losses // J. Opt. B: Quantum Semiclass. Opt. 2000. — Vol. 2. — Pp. 711−717.
  133. Chizhevsky V. N. Multistability in dynamical systems induced by weak periodic perturbations // Physical Review E. 2001. — Vol. 64, no. 3. — Pp. 36 223−36 226.
  134. Chizhevsky V. N., Corbalan R. Phase scaling properties of perturbation-induced multi-stability in a driven nonlinear system // Physical Review E. — 2002. — Vol. 66, no. 1. — Pp. 16 201−16 205.
  135. Conant R. C., Ashby W. R. Every good regulator of a system must be a model of that system // Int. J. Syst. Sci. 1970. — Vol. 1. — Pp. 89−98.
  136. Concurrent processing and complexity ot temporally encoded neuronal messages in visual perception / J. W. McClurkin, L. M. Optican, B. J. Richmond, T. J. Gawne // Science. 1991. — Vol. 253. — Pp. 675−677.
  137. В. Т., de Queiroz M. S., Dawson D. M. A new learning control approach to the active magnetic bearing benchmark system. — 2000.
  138. Criticality and scaling in evolutionary ecology / R. V. Sole, S. C. Manrubia, M. Benton et al. // TREE. 1999. — Vol. 14, no. 4. — Pp. 156−160.
  139. Cybenko G. Approximation by superpositions of a sigmoidal function //Math, of Control, Signals and Systems. 1989. — Vol. 2. — Pp. 303−314.
  140. Dayan P., Abbott L. Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems. — MIT Press, 2001.
  141. Design issues in adaptive control / R. H. Middleton, G. C. Goodwin, D. J. Hill, D. Q. Mayne // IEEE Trans, on Automatic Control. 1988. — Vol. 33, no. 1. — Pp. 5058.
  142. Deur J., Asgari J., Hrovat D. Modeling and analysis of longitudinal tire dynamics // Tech. Report SRR-2000−0145, Ford Research Laboratory. 2000.
  143. Didinsky G., Pan Z., Basar T. Parameter identification for uncertain plants using hoc methods // Automatica. 1995. — Vol. 31. — Pp. 1227−1250.
  144. Dierckx P. Curve and surface fitting with splines. — 1995. — 285 pp.
  145. Ding Z. Adaptive control of triangular systems with nonlinear parameterization // IEEE Trans. Automatic Control. 2001. — Vol. 46, no. 12. — Pp. 1963−1968.
  146. Ditchburn R. W., L. G. B. Vision with a stabilized retinal image // Nature. — 1952. — Vol. 170, no. 4314, — Pp. 36−37.
  147. Dynamics of low-pressure and high-pressure fuel cell air supply systems / S. Gelfi, A. G. Stefanopoulou, J. T. Pukrushpan, H. Peng // Proceedings of the American Control and Conference. — 2003.
  148. EcclesJ. C. The Neurophysiological Basis of Mind. The Principles of Neurophysiology. — Clarendon, 1953.
  149. Egmont-Petersen M., de Ridder D., Handels H. Image processing with neural net-works-a review // Pattern Recognition. 2002. — Vol. 35, no. 10. — Pp. 2279−2301.
  150. Essential nonlinearities in hearing / V. M. Eguiluz, M. Ospeck, Y. Choe et al. // Physical Review Letters. 2000. — Vol. 84, no. 22. — Pp. 5232−5235.
  151. Evolution as a self-organized critical phenomenon / K. Sneppen, P. Bak, H. Flyvbjerg, M. H. Jensen // Proc. National Academy of Science. — 1995. — Vol. 92. — Pp. 52 095 213.
  152. Experimental evidence of subharmonic bifurcations, multistability, and turbulence in a q-switched gas laser / F. T. Arecchi, R. Meucci, G. Puccioni, J. Tredicce // Phys. Rev. Lett. 1982. — Vol. 49, no. 17. — Pp. 1217−1220.
  153. Eykhoff P. System Identification. Parameter and State Estimation. — Univ. of Techn. Eindhoven, 1975.
  154. Florentin J. J. Optimal probing, adaptive control of a simple bayesian system // J. Electronics Contr. — 1962. — no. 13. — P. 165.
  155. Fradkov A. L. Integro-differentiating velocity gradient algorithms // Sov. Phys. Dokl. — 1986, — Vol. 31, no. 2, — Pp. 97−98.
  156. Francis B. A., Wonham W. M. The internal model principle of control theory // Auto-matica. 1976. — Vol. 12. — Pp. 457−465.
  157. Fredenhagen S., Oberle H. J., Opfer G. On the construction of optimal monotone cubic spline interpolations //Journal of Approximation Theory. — 1999. — Vol. 96. — Pp. 182— 200.
  158. French M. An analytical comparison between the nonsingular quadratic performance of robust and adaptive backstepping designs // IEEE Trans, on Automatic Control.— 2002. Vol. 47, no. 4. — Pp. 670−675.
  159. French M., Szepesvari C., Rogers E. Uncertainty, performance, and model dependency in approximate adaptive nonlinear control // IEEE Trans, on Automatic Control.— 2000. Vol. 45, no. 2. — Pp. 353−358.
  160. Fritsch F. N., Carlson R. E. Monotone piecewise cubic interpolation // SIAM J. Numer. Anal. 1983. — Vol. 17, no. 2. — Pp. 238−246.
  161. Funahashi К.-I. On the approximate realizations of continuous mapping by neuarl networks // Neural Networks. 1989. — no. 2. — Pp. 183−192.
  162. Fu K. S. Syntactic Pattern Recognition and Applications. — Prentice-Hall, 1982.
  163. Gain-scheduled wheel slip control in automotive brake systems / T. Johansen, I. Petersen, J. Kalkkuhl, J. Ludemann // IEEE Trans, on Control Systems Technology. — 2003, — no. 6, — Pp. 799−811.
  164. D. J., С. B. J. Intermittent loss of synchronization in coupled chaotic oscillators: Toward a new criterion for high-quality synchronization // Physical Review Letters. — 1996. Vol. 77, no. 9. — Pp. 1751−1754.
  165. Ghosh В. K., Byrnes С. I. Simultaneous stabilizator! and simultaneous pole-placement by nonswitching dynamic compensation // IEEE Trans, on Automatic Control. — 1983. — Vol. 28, no. 6, — Pp. 735−741.
  166. A global optimum approach for one-layer neural networks / E. Castillo, 0. Fontenla-Romero, B. Guijarro-Berdinas, A. Alonsa-Betanzos // Neural Computation. — 2002. — Vol. 14. Pp. 1429−1449.
  167. Grune L., Sontag E., Wirth F. R. Asymptotic stability equals exponential stability, and ISS equals finite energy gain if you twist your eyes // Systems к Control Letters. — 1999. — Vol. 38. — Pp. 127−134.
  168. Guay M., Dochain D., Perrier M. Adaptive extremum seeking control of continuous stirred tank bioreactors with unknown growth kinetics // Automatica. — 2004, — Vol. 40, no. 5. Pp. 881−888.
  169. Guckenheimer ., Holmes P. Nonlinear Oscillations, Dynamical Systems and Bifurcations of Vector Fields. — Springer, 2002.
  170. Gustaffson F. Slip-based tire-road friction estimation // Automatica. — 1997. — Vol. 33, no. 6, — Pp. 1087−1099.
  171. Handbook of Global Optimization / Ed. by R. Horst, P. Pardalos. — Kluwer, Dordrecht, 1995.
  172. Hansel D., Sompolinsky H. Synchronization and computation in a chaotic neural network // Physical Review Letters. 1992. — Vol. 68. — Pp. 718−721.
  173. Hansen E. Global Optimization Uzing Interval Analysis. — Marcel Dekker, 1992.
  174. Haykin S. Neural Networks: A Comprehensive Foundation. — Prentice Hall, 1999.
  175. Hindmarsh J. L., Rose R. M. A model of the nerve impulse using two first-order differential equations // Nature. 1982. — Vol. 269. — Pp. 162−164.
  176. Hindmarsh J., Rose R. A model of neuronal bursting using 3 coupled 1st order differential-equations // Proc. R. Soc. Lond. 1984. — Vol. В 221, no. 1222. — Pp. 87 102.
  177. Hodgkin A. L., Huxley A. F. Quantitative description of ion currents and its applications to conduction and excitation in nerve membranes // J. Physiol. (Lond.). — 1952. — Vol. 117, — Pp. 500−544.
  178. Hopfield J. J. Pattern recognition computation using action potential timing for stimulus representation // Nature. — 1995. — no. 376. — Pp. 33−36.
  179. Hornik K. Universal approximation of an unknown function and its derivatives using multilayer neural networks // Neural Networks. — 1991. — no. 4. — Pp. 251−257.
  180. Hornik K. Degree of approximation results for feedforward networks approximating unknown mappings and their derivatives // Neural Computation. — 1994. — no. 6. — Pp. 1262−1275.
  181. Hornik K., Stinchcombe K., White H. Universal approximation of an unknown function and its derivatives using multilayer neural networks // Neural Networks. — 1990. — no. 3. Pp. 551−560.
  182. Human perceptual thresholds of friction in haptic interfaces / D. Lawrence, L. Pao, A. Dougherty et al. // Proc. ASME Dynamic Systems and Control Division, ASME Int. Mech. Engr. Cong, к Expo, Anaheim, CA. 1998. — Pp. 287−294.
  183. Identification of linearly overparametrized nonlinear systems / G. Bastin, R. Bitmead, G. Campion, M. Gevers // IEEE Trans, on Automatic Control. — 1992, — Vol. 37, no. 7. Pp. 1073−1078.
  184. Ilchman A. Universal adaptive stabilization of nonlinear systems // Dynamics and Control. 1997. — no. 7. — Pp. 199−213.
  185. Iliev G. L. Exact estimates for partially monotone approximation // Analysis Mathe-matica. 1978. — Vol. 4. — Pp. 181−197.
  186. Isidori A. Nonlinear control systems: An Introduction. — Second edition. — Springer-Verlag, 1989.
  187. Iterative feedback tuning: Theory and applications / H. Hjalmarsson, M. Gevers, M. Gunnarsson, 0. Lequin // IEEE Control Systems. — 1998. — no. August. — Pp. 2641.
  188. Izhikevich E. M. Which model to use for cortical spiking neurons? // IEEE Transactions on Neural Networks. 2004. — Vol. 15. — Pp. 1063−1070.
  189. Jain A. K., Duin R. P. W., Mao J. Statistical pattern recognition: A review // IEEE Trans, on Pattern Analysis and Machine Inteligence. — 2000, — Vol. 22, no. 1, — Pp. 4−37.
  190. Jiang Z.-P., Teel A. R., Praly L. Small-gain theorems for ISS systems and applications // Math. Control Signals Systems. 1994. — no. 7. — Pp. 95−120.
  191. Jingang Y., Alvares L., Horowitz R. Adaptive emergency braking control with underestimation of friction coefficient // IEEE Trans, on Control Systems Technology. — 2002. — Vol. 10, no. 3, — Pp. 381−392.
  192. Jones L. K. A simple lemma on greedy approximation in Hilbert sapce and convergence rates for projection pursuit regression and neural network training // The Annals of Statistics. 1992. — Vol. 20, no. 1. — Pp. 608−613.
  193. Julicher F., Andor D., Duke T. Physical basis of two-tone interference in hearing // Proceedings of National Academy of Science. — 2001, — Vol. 98, no. 16. — Pp. 90 809 085.
  194. Kammler D. W. Approximation with sums of exponentials in Lp0, oc) // Journal of Approximation Theory. 1976. — Vol. 16. — Pp. 384−408.
  195. Kaneko К. Clustering, coding, switching hierarchical ordering and control in a network of chaotic elements // Physica D. 1990. — Vol. 41. — Pp. 137−172.
  196. Kaneko K. Relevance of dynamic clustering to biological networks // Physica D.— 1994. Vol. 75. — Pp. 137−172.
  197. Kaneko K., Tsuda I. Complex Systems: Chaos and Beyond. — Springer, 2000.
  198. Kaneko K" Tsuda I. Chaotic itinerancy // Chaos. 2003. — Vol. 13, no. 3. — Pp. 926 936.
  199. Kanellakopoulos I., Kokotovic P. V., Morse A. S. Systematic design of adaptive controllers for feedback linearizable systems // IEEE Trans, on Automatic Control.— 1991, — Vol. 36, — Pp. 1241−1253.
  200. Karsenti L., Lamnabhi-Lagarrige F., Bastin G. Adaptive control of nonlinear systems with nonlinear parameterization // System and Control Letters. — 1996. — Vol. 27. — Pp. 87−97.
  201. Khalil H. Nonlinear Systems (3d edition). Prentice Hall, 2002.
  202. Kiencke U. Realtime estimation of adhersion characteristics between tire and road // Proceedings of IFAC World Congress. — 1993. — Vol. 1.
  203. Kirkpatrick S., Gelatt C., Vecchi M. P. Optimization by simulated annealing // Science. 1983. — Vol. 220. — Pp. 671−680.
  204. Kitching K., Cole D., Cebon D. Performance of a semi-active damper for heavy vehicles // ASME Journal of Dynamic Systems Measurement and Control. — 2000. — Vol. 122, no. 3. Pp. 498−506.
  205. Koch C. Biophysics of Computation. Information Processing in Signle Neurons. — Oxford University Press, 2002.
  206. Kojic A., Annaswamy A. Adaptive Control of Nonlinearly Parameterized Systems with a Triangular Structure // Automatica. 2002. — Vol. 38, no. 1. — Pp. 115−123.
  207. Kopotun K., Shardin A. On fc-monotone approximation by free knot splines 11 SIAM J. Math. Anal. 2003. — Vol. 34, no. 4. — Pp. 901−924.
  208. Kreisselmeier G. Adaptive obsevers with exponential rate of convergence // IEEE Trans. Automatic Control. 1977. — Vol. AC-22. — Pp. 2−8.
  209. Krener A. J., Kang W., Chang D. E. Control bifurcations // IEEE Trans, on Automatic Control. 2004. — Vol. 49, no. 8. — Pp. 1231−1246.
  210. Krichman M., Sontag E., Wang Y. Input-output-to-state-stability 11 S1AM J. Control and Optimization. 2001. — Vol. 39. — Pp. 1874−1928.
  211. Krstic M., Kanellakopoulos I., Kokotovic P. Adaptive nonlinear control without over-parametrization // Systems and Control Letters. — 1992. — Vol. 19. — Pp. 177−185.
  212. Krstic M., Kanellakopoulos /., Kokotovic P. Nonlinear design of adaptive controllers for linear systems // IEEE Trans, on Automatic Control. — 1994, — Vol. 39, no. 4.— Pp. 738−752.
  213. Krstic M., Kanellakopoulos I., Kokotovic P. Nonlinear and Adaptive Control Design. — Wiley and Sons Inc., 1995.
  214. Krstic M., Kokotovic P. Transient-performance improvement with new class of adaptive controllers // Systems and Control Letters. — 1993. — Vol. 21. — Pp. 451−461.
  215. Krstic M., Kokotovic P. Adaptive nonlinear output-feedback schemes with marino-tomei controller 11 IEEE Trans, on Automatic Control. — 1996. — Vol. 41, no. 2. — Pp. 274 280.
  216. Krstic M., Wang H.-H. Stability of extremum seeking feedback for general nonlinear dynamic systems // Automatica. — 2000. — Vol. 36, — Pp. 595−601.
  217. LaSalle J., Lefschetz S. Stability by Liapunov’s direct method with applications. — Academic Press, 1961.
  218. La Salle J. P. Stability theory and invariance principles // Dynamical Systems, An International Symposium / Ed. by J. H. L. Cesari, J. L. Salle. — Vol. 1.— 1976. — Pp. 211−222.
  219. Lee H.-C. Review of image-blur models in a photographic system using the principles of optics // Optical Engineering. 1990. — Vol. 29, no. 5. — Pp. 405−421.
  220. Lee R. C. Optimal estimation, identification and control. — Cambridge, Mass.: MIT Press, 1964.
  221. Lee T.-H., Narendra К. S. Robust adaptive control of discrete-time systems using persistent excitation // Automation. 1988. — Vol. 24, no. 6. — Pp. 781−788.
  222. Leonov G. The Brockett stabilization problem // Int. Conf. of Oscill. and Chaos. — 2000. Pp. 38−39.
  223. Liew A. W.-C., Yan H., Yang M. Pattern recognition techniques for the emerging field of bioinformatics: A review // Pattern Recognition. — 2005, — Vol. 38, no. 11. — Pp. 2055−2073.
  224. Lin W., Qian C. Adaptive control of nonlinearly parameterized systems: A nonsmooth feedback framework // IEEE Trans. Automatic Control. — 2002. — Vol. 47, no. 5. — Pp. 757−773.
  225. Lin W., Qian C. Adaptive control of nonlinearly parameterized systems: The smooth feedback case // IEEE Trans. Automatic Control. — 2002. — Vol. 47, no. 8. — Pp. 12 491 266.
  226. Ljung L. System Identification: Theory for the User. — Prentice-Hall, 1999.
  227. Loh A.-P., Annaswamy A., Skantze F. Adaptation in the presence of general nonlinear parameterization: An error model approach // IEEE Trans, on Automatic Control.— 1999. Vol. 44, no. 9. — Pp. 1634−1652.
  228. Lorenz E. N. Deterministic nonperiodic flow // Journal of the Atmospheric Sciences. — 1963, — Vol. 20, — Pp. 130−141.
  229. Loria A., Paneteley E., Nijmeijer H. A remark on passivity-based and discontonuous control of uncertain nonlinear systems // Automatica. — 2001. — Vol. 37. — Pp. 14 811 487.
  230. Loria A., Panteley E. Uniform exponential stability of linear time-varying systems: revisited // Systems and Control Letters. — 2003. — Vol. 47, no. 1. — Pp. 13−24.
  231. LoJ. T. Minimization through convexitizaton in training neural networks // Proceedings of IEEE International Joint Conference on Neural Networks IJCNN'2002. 2002.
  232. Luenberger D. Introduction to Dynamic Systems. Theory, Models and Applications. — Wiley, 1979.
  233. Maldonado 0., Markus M., Hess В. Coexistence of three attractors and hysteresis jumps in a chaotic spinning top 11 Phys. Lett. A. 1990. — Vol. 144. — Pp. 153−158.
  234. Marino R. Adaptive observers for single output nonlinear systems // IEEE Trans. Automatic Control. 1990. — Vol. 35, no. 9. — Pp. 1054−1058.
  235. Marino R., Tomei P. Global adaptive output-feedback control of nonlinear systems, part I: Linear parameterization // IEEE Trans. Automatic Control. — 1993. — Vol. 38, no. 1, — Pp. 17−32.
  236. Martensson B. The order of any stabilizing regulator is sufficient a priori information for adaptive stabilization // Systems and Control Letters. — 1985. — Vol. 6, no. 2. — Pp. 87−91.
  237. Martensson В., Polderman J. Correction and simplification to «the order of any stabilizing regulator is sufficient a priori information for adaptive stabilization» // Systems and Control Letters. 1993. — Vol. 20, no. 6. — Pp. 465−470.
  238. Martinez-Conde S., Macknik S. L., Hubel D. H. The role of fixational eye movements in visual perception // Nature Reviews. Neuroscience. — 2004. — Vol. 5, no. 3. — Pp. 229 240.
  239. Milnor J. On the concept of attractor // Commun. Math. Phys. — 1985, — Vol. 99, — Pp. 177−195.
  240. Mitchell S. J., Silver R. A. Shunting inhibition modulates neuronal gain during synaptic excitation // Neuron. 2003. — Vol. 38. — Pp. 433−445.
  241. Moreau L., Aeyels D. Stabilization by means of periodic output feedback // 38-th IEEE Conferense on Decision and Control. — 1999. — Pp. 108−109.
  242. Moreau L., Sontag E. Balancing at the boarder of instability // Physical Review E. — 2003. Vol. 68. — Pp. 20 901 (1−4).
  243. Moreau L., Sontag E., Arcak M. Feedback tuning of bifurcations // Systems and Control Letters. 2003. — Vol. 50. — Pp. 229−239.
  244. Morgan A. P., Narendra K. S. On the stability of nonautonomous differential equations x = A + В (t).x with skew symmetric matrix B (?) // SIAM J. Control and Optimization. 1992. — Vol. 37, no. 9. — Pp. 1343−1354.
  245. Morosanov I. S. Method of extremum seeking control // Automation and Remote Control. 1957. — Vol. 18. — Pp. 1077−1092.
  246. Morse A. S., Mayne D. Q., Goodwin G. C. Applications of hysteresis switching in parameter adaptive control // IEEE Trans, on Automatic Control. — 1988. — Vol. 37, no. 9. Pp. 1343−1354.
  247. Multiple model approaches to modelling and control, taylor and francis, london / Ed. by R. Murray-Smith, T. A. Johansen.— London: Taylor and Francis, 1997.
  248. Narendra K. S., Annaswamy A. M. Stable Adaptive systems. — Prentice-Hall, 1989.
  249. Narendra K. S., Balakrishnan J. Improving transient response of adaptive control systems using multiple models and switching // IEEE Trans, on Automatic Control.— 1994.- Vol. 39, no. 9, — Pp. 1861−1866.
  250. Narendra K. S., Balakrishnan J. Adaptive control using multiple models // IEEE Trans, on Automatic Control. 1997. — Vol. 42, no. 2. — Pp. 171−187.
  251. A nested Matrosov theorem and persistency of excitation for uniform convergence in stable nonautonomous systems / A. Loria, E. Panteley, D. Popovic, A. Teel // IEEE Trans, on Automatic Control. — 2005. — Vol. 50, no. 2. — Pp. 183−198.
  252. A new adaptive learning rule / W. Messner, R. Horowitz, W.-W. Kao, M. Bolas // IEEE Trans, on Automatic Control. — 1991. — Vol. 36, no. 2. — Pp. 188−197.
  253. Nijmeijer H., van der Schaft A. Nonlinear Dynamical Control Systems. — Springer-Verlag, 1990.
  254. Nikiforov V. O. Adaptive nonlinear tracking with complete compensation of unknown disturbances // European J. Control. 1998. — Vol. 4. — Pp. 132−139.
  255. Nonlinear control of a benchmark beam balance experiment using variable hyperbolic boas / J. Ghosh, D. Mukherjee, M. Baloh, B. Paden // Proceedings of the American Control and Conference. 2000. — Pp. 2149−2153.
  256. Optical L. M., Richmond B. J. Temporal encoding of two-dimensional patterns by single units in primate temporal cortex. Ill information theoretic analysis // Journal of Neurophysiology. 1987. — Vol. 57, no. 1. — Pp. 162−178.
  257. Ortega R., Astolfi A., Barabanov N. E. Nonlinear PI Control of Uncertain Systems: an Alternative to Parameter Adaptation // Systems and Control Letters. — 2002. — Vol. 47. Pp. 259−278.
  258. Ostrovskii I. I. Extremum regulation // Automation and Remote Control. — 1957. — Vol. 18. Pp. 900−907.
  259. Ott E., Sommerer J. Blowout bifurcations: the occurence of riddled basins // Phys. Lett. A. 1994. — Vol. 188, no. 1. — Pp. 39−47.
  260. Oud W., Tyukin I. Sufficient conditions for synchronization in an ensemble of Hindmarsh and Rose neurons: passivity-based approach // Proc. of the 6-th IFAC Symposium on Nonlinear Control Systems. — Shtutgart, Germany: 2004. — 1 3 September.
  261. Pacejka H., Bakker E. The magic formula tyre model. — 1993. — Supplement to Vehicle System Dynamics, vol. 21.
  262. Panteley E., Loria A., Teel A. Relaxed persistency of excitation for uniform asymptotic stability // IEEE Trans, on Automatic Control. 2001. — Vol. 46, no. 12. — Pp. 18 741 886.
  263. Panteley E., Ortega R., Moya P. Overcoming the detectability obstacle in certainty equivalence adaptive control // Automatica. — 2002. — Vol. 32. — Pp. 1125−1132.
  264. A parametric learning control method with application for robot manipulators / A. Oler-ro, J. Gonzales-Jimenes, J. M. Vincente, A. Corral // Proceedings of IEEE International Conference on System Engineering. — 1990, — Pp. 164−167.
  265. Pavlov A. Convergent dynamics, a tribute to Boris Pavlovich Demidovich // Systems and Control Letters. 2004. — Vol. 52. — Pp. 257−261.
  266. Pavlov A. The Output Regulation Problem: a Convergent Dynamics Approach. — PhD. Dissertation, Eindhoven University of Technology, The Netherlands, 2004. — 192 pp.
  267. Perceptual switching, eye-movements, and the bus-paradox / J. Ito, A. Nikolaev, M. Luman et al. // Perception. 2003. — Vol. 32. — Pp. 681−698.
  268. Pervozvanskii A. A. Continuous extremum control systems in the presence of random noise // Automation and Remote Control. — 1960. — Vol. 21. — Pp. 673−677.
  269. Peterson К. S., Stefanopoulou A. G. Extremum seeking control for soft landing of an electromechanical valve actuator // Automatica. — 2004. — Vol. 40, no. 6. — Pp. 1063— 1069.
  270. Peterson K. S., Stefanopoulou A. G. Extremum seeking control for soft landing of an electromechanical valve actuator // Automatica. — 2004. — Vol. 40. — Pp. 1063−1069.
  271. Phan M. Q., Frueh J. A. Iterative learning control: Analysis, design, integration, and applications // In System Identification and Learning Control, Chapter 15. — 1998. — Pp. 285−306.
  272. Pogromsky A. Y. Passivity based design of synchronizing systems // Int. J. of Bifurc. and Chaos. 1998. — Vol. 8, no. 2. — Pp. 295−319.
  273. Pogromsky A. Y., Nijmeijer H. Cooperative oscillatory behaviour of mutually coupled dynamical systems // Int. J. of Bifurc. and Chaos. — 2001. — Vol. 48, no. 2. — Pp. 152— 162.
  274. Pogromsky A. Y., Santoboni G., Nijmeijer H. An ultimate bound on the trajectories of the Lorenz system and its applications // Nonlinearity. — 2003. — Vol. 16, no. 5. — Pp. 1597−1605.
  275. Polderman J. W., Pait F. M. Editorial to the special issue on adaptive control // Systems and Control Letters. — 2003. — Pp. 1−3.
  276. Poliakov A. M., Ushakov V. V. Role of temporal parameters of the interspike interval in temperature coding // Fiziol. Zh. SSSR Im. I. M. Sechenoua. — 1983. — Vol. 69, no. 8, — Pp. 1108−1120.
  277. Pomet J.-B. Remarks on sufficient information for adaptive nonlinear regulation // Proceedings of the 31-st IEEE Control and Decision Conference. — 1992. — Pp. 1737−1739.
  278. Prokhorou D., Feldkamp L., Tyukin I. Adaptive behavior with fixed weights in recurrent neural networks // Proceedings of IEEE International Joint Conference on Neural Networks. Hawaii, USA, 2002. — May. — Vol. 3. — Pp. 2018−2022.
  279. Puetter R. C., Gosnell T. R., Yahil A. Digital image reconstruction: deblurring and denoising // Annual Rev. Astron. Astrophys. 2005. — Vol. 43. — Pp. 139−194.
  280. Qu R., Sarfraz M. Efficient method for curve interpolation with monotonicity preservation and shape control // Neural, Parallel к Scientific Computations. — 1997. — Vol. 5. Pp. 275−288.
  281. Raffone A., van Leeuwen C. Dynamic synchronization and chaos in an associative neural network with multiple active memories // Chaos. — 2003. — Vol. 13, no. 3. — Pp. 10 901 104.
  282. Rates of convex approximation in non-Hilbert spaces / M. J. Donahue, L. Gurvits, C. Darken, E. Sontag // Contructive Approximation.— 1997, — Vol. 13, no. 2.— Pp. 187−220.
  283. Ray L. R. Nonlinear tire force estimation and road friction identification: Simulation and experiments // Automatica. 1997. — Vol. 33, no. 10. — Pp. 1819−1833.
  284. Robotic needle insertion: Effects of friction and needle geometry / M. D. OLeary, C. Si-mone, T. Washio et al. // Proceedings of the 2003 IEEE International Conference on Robotics and Automation. — 2003.
  285. Sastry S. Nonlinear Systems: Analysis, Stability and Control. — Springer, 1999.
  286. Sastry S., Bodson M. Adaptive Control: Stability, Convergense, and Robustness. — Prentice Hall, 1989.
  287. Schumaker L. On shape preserving quadratic spline interpolation // SIAM J. Numer. Anal-. 1983. — Vol. 20, no. 4. — Pp. 854−864.
  288. Self-organized criticality and synchronization in a lattice model of integrate-and-fire oscillators / A. Corral, C. J. Perez, A. DHaz-Guilera, A. Arenas // Physical Review Letters. 1995. — Vol. 74. — Pp. 118−121.
  289. Seo W., Lee I. S. Model reference parametric learning cointrol of uncertain lti systems // Proceedings of Iterative Learning Control Workshop and Roundtable. — 1998. — Pp. 164— 167.
  290. Separation principles for input-output and integral-input-to-state-stability / D. Angeli, B. Ingalls, E. Sontag, Y. Wang // SIAM J. Control and Optimization.- 2004,-Vol. 43. Pp. 256−276.
  291. Sherrington С. S. Integrative Action of the Nervous System. — Charles Scribner’s Sons, 1906.
  292. Shevchuk I. A. Approximation of monotone functions by monotone polynomials // Russian Acad. Sci. Sb. Math. 1993. — Vol. 76, no. 1. — Pp. 51−64.
  293. Simultaneous stabilization of three or more plants: Conditions on the positive real axis do not suffice / V. Blondel, M. Gevers, M. Mortini et al. // SIAM J. Control and Optimization. 1994. — Vol. 32, no. 2. — Pp. 572−590.
  294. Sontag E. Some new directions in control theory inspired by systems biology // Systems Biology. 2004. — Vol. 1, no. 1. — Pp. 9−18.
  295. Sontag E., Wang Y. New characterizations of input-to-state stability 11 IEEE Trans, on Automatic Control. 1996. — Vol. 41, no. 9. — Pp. 1283−1294.
  296. Stationary and nonstationary learning characteristics of the 1ms adaptive filter / B. Widrow, J. M. McCool, M. G. Larimore, C. R. Jonson // Proc. IEEE. — 1976. — Vol. 64, no. 8, — Pp. 1151−1162.
  297. Sternby J. Extremum control systems: An area for adaptive control? // Preprints of Jont American Control Conference. — San-Francisco, CA: 1980.
  298. Stigter J. D., Keesman K. J. Optimal parametric sensitivity control of a fed-batch reactor // Automatica. 2004. — Vol. 40. — Pp. 1459−1464.
  299. Stotsky A. Lyapunov design for convergence rate improvement in adaptive control // International Journal of Control. — 1993. — Vol. 57, no. 2. — Pp. 501−504.
  300. Strogatz S. Nonlinear Dynamics and Chaos: With applications to Physics, Biology, Chemistry and Engineering. — Perseus Publishing, 2000.
  301. Structurally stable output regulation of nonlinear systems / С. I. Byrnes, F. D. Priscoli, A. Isidori, W. Kang // Automatica. 1997. — Vol. 33. — Pp. 369−385.
  302. Suemitsu Y., Nara S. A solution for two-dimensional mazes with use of chaotic dynamics in a recurrent neural network model // Neural Computation. — 2004, — Vol. 16, — Pp. 1943−1957.
  303. Takens F. Detecting strange attractors in turbulence // Dynamical systems and turbulence. Lecture Notes in Mathematics / Ed. by D. A. Rang, L. S. Young. — Vol. 898. — Berlin: Springer-Verlag, 1981.- Pp. 366−381.
  304. Terekhov V. A., Tyukin I. Y., Prokhorov D. V. Adaptive control on manifolds using RBF neural networks // Proc. of 39-th IEEE Conference on Decision and Control.— Vol. 4. Sydney, Australia: 2000. — December. — Pp. 3831−3836.
  305. Tonically active GABAa receptors: Modulating gain and maintining the tone / A. Se-myanov, M. C. Walker, D. M. Kullmann, A. Silver // Trends in Neuroscience. — 2004. — Vol. 27, no. 5. Pp. 262−269.
  306. Той J. T. Modern Control Theory. N.-Y.: McGraw-Hill Book Co., Inc., 1964. — 343 pp.
  307. Transverse laser patterns. II. variational principle for pattern selection, spatial multi-stability, and laser hydrodynamics / M. Brambilla, L. A. Lugiato, V. Penna et al. // Physical Review A. 1991. — Vol. 43, no. 9. — Pp. 5114−5120.
  308. Tsien H. S. Engineering Cybernetics. — McGraw Hill, 1954. — 289 pp.
  309. Tsiotras P., Canudas de Wit C. On the optimal braking of wheeled vechivles 11 Proceedings of the American Control Conference. — 2000, — Pp. 569−573.
  310. Tyukin I. Y., Prokhorov D. V., Terekhov V. A. Adaptive control with nonconvex parameterization // IEEE Transactions on Automatic Control. — 2003, — Vol. 48, no. 4.— Pp. 554−567.
  311. Tyukin I. Y., Prokhorov D. V., van Leeuwen C. Finite-form realization of the adaptive algorithms // Proc. of 7-th European Control Conference (ECC 2003). — University of Cambridge, UK: 2003. 1 — 4 September.
  312. Tyukin I., Efimov D., van Leeuwen C. Adaptive regulation to invariant sets // Proc. of the 16-th IFAC World Congress. Prague, Czech Republic, 2005.-4 — 8 July.
  313. Tyukin I., van Leeuwen C. Adaptation and nonlinear parameterization: Nonlinear dynamics prospective // Proceedings of the 16-th IFAC World Congress. — Prague, Czech Republic: 2005.-4 8 July.
  314. Tyukin I., van Leeuwen C., Prokhorov D. Parameter estimation of sigmoid superpositions: Dynamical system approach // Neural Computation. — 2003. — Vol. 15, no. 10. — Pp. 2419−2455.
  315. Victor J. D. Temporal aspekts of neural coding in the retina and lateral geniculate // Network: Comput. Neural Syst. 1999. — Vol. 10. — Pp. R1-R66.
  316. Vijaya Kumar В. V. К., Mahalanobis A., Juday R. D. Correlation Pattern Recognition. — Cambridge University Press, 2005.
  317. Vorotnikov V. Partial Stability and Control. — Birkhauser, 1998.
  318. Walter E., Prozanto L. Identification of Parametric Models. — Springer-Verlag, 1997.
  319. Webster M., Georgeson M., S.M. W. Neural adjustment to image blur // Nature Neu-roscience. 2002. — Vol. 5, no. 9. — Pp. 839−840.
  320. Weigel R., Jackson E. Experimental implementation of migrations in multiple-attractor systems // Int. J. Bifurc. Chaos Appl. Sci. Eng. 1998. — Vol. 8, no. 1. — Pp. 173−178.
  321. Wei K. The solution of a transcendental problem and its application in simultaneous stabilization problem // IEEE Trans, on Automatic Control. — 1992. — Vol. 37, no. 9. — Pp. 1305−1315.
  322. Wheel slip control using gain-scheduled LQ LPV/LMI analysis and experimental results / I. Petersen, T. Johansen, J. Kalkkuhl, J. Ludemann // Proceedings of IEE European Control Conference, Cambridge, UK, September 1−4. — 2003.
  323. Wittenmark В., Urquhart A. Adaptive extremal control // Proc. of 34-th IEEE Conference on Decision and Control. — New Orleans, LA: 1995. — Pp. 1639−1644.
  324. Wyss R., Konig P., Verschure P. F. M. J. Invariant representations of visual patterns in a temporal population code // Proceedings of National Academy of Science. — 2003. — Vol. 100. Pp. 324−329.
  325. Xu Z.-B., Cao F.-L. Simultaneous /^-approximation order for neural networks // Neural Networks. — 2005. — P. in press.
  326. Zadeh L. A. On the definition of adaptivity // Proc. IEEE. 1963. — Vol. 51. — Pp. 469 470.
  327. Zames G. On the input-output stability of time-varying nonlinear feedback systems, part i: Conditions derived using concepts of loop gain, conicity, and passivity // IEEE Trans, on Automatic Control. 1966. — Vol. AC-11, no. 2. — Pp. 228−238.
  328. Zhou S. P. On comonotone appoximation by polynomials in Lp space // Analysis.— 1993, — Vol. 13, — Pp. 363−376.
Заполнить форму текущей работой

Сессия? Спокойно!