Adaptation and Learning in Some Classes of Identification and Control Systems = Адаптація та навчання в деяких класах систем ідентифікації та керування

Abstract

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.

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.