Đánh giá hiệu quả của giải thuật Quasi-Newton trong điều khiển trượt thích nghi sử dụng mạng nơ-ron RBF

Pham Thanh Tung * , Nguyễn Chí Ngôn , Đồng Văn Hướng , Lê Thị Kiều Mai , Nguyễn Hứa Duy Khang và Nguyễn Đình Tứ

* Tác giả liên hệ (tungpt@vlute.edu.vn)

Article Sidebar

Full Text: PDF

Ngày nhận bài: 18-05-2018
Ngày nhận bài sửa: 31-07-2018
Ngày duyệt đăng: 29-10-2018
Ngày xuất bản: 29-10-2018
Title: Performance evaluation of the Quasi-Newton algorithm in adaptive sliding mode control using radial basis function neural networks
DOI: 10.22144/ctu.jvn.2018.120
Lượt xem
95
Downloads
82
Crossref
Scopus
Google Scholar
Europe PMC
Trích dẫn
Thanh, T. P., Ngôn, N. C., Hướng, Đ. V., Mai, L. T. K., Khang, N. H. D., & Tứ, N. Đ. (2018). Đánh giá hiệu quả của giải thuật Quasi-Newton trong điều khiển trượt thích nghi sử dụng mạng nơ-ron RBF. Tạp chí Khoa học Đại học Cần Thơ, 54(7), 27-34. https://doi.org/10.22144/ctu.jvn.2018.120
Số báo
Tập. 54 Số. 7 (2018)
Chuyên mục
Công nghệ

Abstract

This paper is aimed to evaluate the performance of the Quasi-Newton in online training of an adaptive sliding mode control using radial basis function neural networks. The controller is applied in trajectory tracking of an Omni-directional mobile robot. The sliding mode control plays a role of tracking the trajectories of the robot reaching the references. The radial basis function neural networks are used to estimate nonlinear functions in the sliding mode control law which is calculated based on the Lyapunov stability theory adapting to control conditions. The simulation results in MATLAB/SIMULINK show that the Quasi-Newton algorithm applying in the proposed controller is positive effect; the responses of the robot converge to references without steady-state error; the overshoot is only 0.442 (%), and the mean square error approximates 3.48 x 10-4.
Keywords: Adaptive sliding mode control, Omni-directional mobile robot, online training, Quasi-Newton algorithm, radial basis function neural networks

Tóm tắt

Bài báo này nhằm đánh giá hiệu quả của giải thuật Quasi-Newton trong huấn luyện trực tuyến bộ điều khiển trượt thích nghi sử dụng mạng nơ-ron RBF (radial basis function). Giải thuật này được ứng dụng trong điều khiển bám quỹ đạo robot di động đa hướng. Bộ điều khiển trượt đóng vai trò điều khiển robot bám quỹ đạo tham khảo. Mạng nơ-ron RBF được sử dụng để ước lượng các hàm phi tuyến trong luật điều khiển trượt, được tính toán dựa trên lý thuyết ổn định Lyapunov thích nghi với các điều kiện thực tế. Kết quả mô phỏng với MATLAB/SIMULINK cho thấy giải thuật Quasi-Newton áp dụng trong bộ điều khiển đề xuất đạt hiệu quả tốt; sai số xác lập của các đáp ứng bị triệt tiêu; độ vọt lố đạt 0.442 (%) và sai số trung bình bình phương xấp xỉ 3.48 x 10-4.
Từ khóa: điều khiển trượt thích nghi, giải thuật Quasi-Newton, huấn luyện trực tuyến, mạng nơ-ron RBF, robot di động đa hướng

Article Details

Tài liệu tham khảo

Likas, A. and Stafylopatis, A., 2000. Training the Random Neural Network using Quasi-Newton methods. European Journal of Operational Research. 126(2): 331–339.

Sharma, B. and K. Venugopalan, 2014. Comparison of Neural Network Training Functions for Hematoma Classification in Brain CT Images. IOSR Journal of Computer Engineering (IOSR-JCE). 16(1): 31-35.

Mukherjee, I. and Routroy, S., 2012. Comparing the Performance of Neural Networks Developed by using Levenberg – Marquardt and Quasi-Newton with the Gradient Descent Algorithm for Modelling a Multiple Response Grinding Process. Expert Systems with Applications 39(3): 2397–2407.

Liu, J., 2013. Radial Basis Function (RBF) Neural Network Control for Mechanical Systems. Springer, 374 pages.

Watanabe, K., 1998. Control of an omnidirectional Mobile Robot. Second International Conference on Knowledge-Based Intelligent Electronic Systems: 51 - 60.

Sadeghi, M., Pashaie, M., and Jafarian, A., 2016. RBF Neural Networks Based on BFGS Optimization Method for Solving Integral Equations. Advances in Applied Mathematical Biosciences. 7(1): 1-22.

Relhan, N., Jain, M., 2012. Analysis of Optimization Techniques for Feed Forward Neural Networks Based Image Compression. International Journal of Computer Science and Information Technologies. 3(2): 3291-3294.

Mahmoud, O., Anwar, F., Jimoh, M. and Salami, E., 2007. Learning Algorithm Effect on Multilayer Feed Forward Artificial Neural Network Performance in Image Coding. Journal of Engineering Science and Technology. 2(2): 188 – 199.

Djebrani, S.A., Benali, A. and Abdessemed, F., 2012. Modelling and control of an omnidirectional mobile manipulator. Int. J. Appl. Math. Comput. Sci.. 22(3): 601–616.

Burney, S.M.A., Jilani, T.A. and Ardil, C., 2007. A Comparison of First and Second Order Training Algorithms for Artificial Neural Networks. International Journal of Computer, Electrical, Automation, Control and Information Engineering. 1(1): 145 – 151.

Yang, Y.C. and Cheng, C.C., 2013. Robust adaptive trajectory control for an Omnidirectional vehicle with parametric uncertainty. Transactions of the Canadian Society for Mechanical Engineering. 37(3): 405 – 413.