RU2108612C1 - Адаптивная система управления с идентификатором и неявной эталонной моделью - Google Patents
Адаптивная система управления с идентификатором и неявной эталонной моделью Download PDFInfo
- Publication number
- RU2108612C1 RU2108612C1 RU94033714A RU94033714A RU2108612C1 RU 2108612 C1 RU2108612 C1 RU 2108612C1 RU 94033714 A RU94033714 A RU 94033714A RU 94033714 A RU94033714 A RU 94033714A RU 2108612 C1 RU2108612 C1 RU 2108612C1
- Authority
- RU
- Russia
- Prior art keywords
- input
- matrix
- output
- control
- controller
- Prior art date
Links
Abstract
Изобретение относится к системам автоматического управления динамическими объектами широкого класса с неизвестными переменными параметрами и неконтролируемыми возмущениями. Технический результат заключается в упрощении условий и сокращении времени для достижения цели адаптации замкнутой системы управления, а также в расширении области применения системы на класс существенно нестационарных (нелинейных с текущей линеаризацией) объектов управления с неконтролируемыми внешними возмущениями. Технический результат достигается за счет того, что система содержит сумматор, первый и второй регуляторы, фильтр низких частот, объект управления, блок текущей идентификации, блок априорной информации о матрице эффективности управления и блок настройки регуляторов. 1 ил.
Description
Изобретение относится к системам автоматического управления динамическими объектами широкого класса с неизвестными переменными параметрами и неконтролируемыми возмущениями.
Прототипом изобретения является беспоисковая адаптивная система управления с непрямым адаптивным управлением и неявной эталонной моделью, описанная в работе [1, с. 492]. Структурная схема адаптивной системы управления для объектов с неконтролируемыми возмущениями включает в себя сумматор, два регулятора (один в прямой и один в обратной связи), объект управления и контур адаптации. Последний в свою очередь состоит из блока текущей идентификации, блока настройки регуляторов и логического блока, осуществляющего переключение работы контура адаптации с цикла идентификации на цикл настройки регуляторов и наоборот.
Рассмотрим построение такой системы управления для следующей задачи. Пусть объект управления (ОУ) описывается следующим матричным дифференциальным уравнением
,
где
x∈Rn - непосредственно измеряемый вектор состояния ОУ;
x∈Rm - вектор управления (в дальнейшем - закон управления); f - вектор неконтролируемых внешних возмущений, ограниченный по норме; A, B и D - матрицы неизвестных параметров ОУ с соответствующими размерностями, в общем случае переменные; - непосредственно измеряется или аналитически вычисляется по x.
,
где
x∈Rn - непосредственно измеряемый вектор состояния ОУ;
x∈Rm - вектор управления (в дальнейшем - закон управления); f - вектор неконтролируемых внешних возмущений, ограниченный по норме; A, B и D - матрицы неизвестных параметров ОУ с соответствующими размерностями, в общем случае переменные; - непосредственно измеряется или аналитически вычисляется по x.
Адаптивная система должна формировать такой закон управления, чтобы ОУ вел себя подобно эталонной модели, которая задана неявным образом в виде следующего дифференциального уравнения:
где
xм - вектор состояния модели;
uм - ограниченное по норме входное воздействие модели; размерности соответствуют уравнению (1); Aм и Bм - матрицы параметров модели в общем случае переменные, причем Aм - гурвицева матрица (вещественные части собственных ее чисел строго отрицательны).
где
xм - вектор состояния модели;
uм - ограниченное по норме входное воздействие модели; размерности соответствуют уравнению (1); Aм и Bм - матрицы параметров модели в общем случае переменные, причем Aм - гурвицева матрица (вещественные части собственных ее чисел строго отрицательны).
Точный закон управления можно найти только тогда, когда выполнено условие полного соответствия моделей [2].
rankB = rank(B, Aм - A) = rank(B, Bм) = rank(B, D)
или, что тождественно
BB+(Aм - A) = Aм - A; BB+Bм = Bм; BB+D = D, (3)
где
B+ - псевдообратная матрица к B. В дальнейшем будем считать, что условие (3) выполнено, тогда управление, которое назовем точным
u* = B+[(Aм - A)x + Bмuм - Df],
обеспечит асимптотические свойства ошибки адаптации: . Действительно, подставляя (4) в уравнение (1), учитывая (3) и (2), получим уравнение ошибки адаптации
Однако по условию матрицы A, B и D неизвестны и внешние возмущения неизмеряемы, поэтому вместо (4) используется закон управления
,
где - оценки матриц A и B, доставляемые блоком текущей идентификации. Обновление параметров в законе управления производится циклически по управлению с логического блока. Блок текущей идентификации может быть построен на основе одного из известных алгоритмов идентификации.
или, что тождественно
BB+(Aм - A) = Aм - A; BB+Bм = Bм; BB+D = D, (3)
где
B+ - псевдообратная матрица к B. В дальнейшем будем считать, что условие (3) выполнено, тогда управление, которое назовем точным
u* = B+[(Aм - A)x + Bмuм - Df],
обеспечит асимптотические свойства ошибки адаптации: . Действительно, подставляя (4) в уравнение (1), учитывая (3) и (2), получим уравнение ошибки адаптации
Однако по условию матрицы A, B и D неизвестны и внешние возмущения неизмеряемы, поэтому вместо (4) используется закон управления
,
где - оценки матриц A и B, доставляемые блоком текущей идентификации. Обновление параметров в законе управления производится циклически по управлению с логического блока. Блок текущей идентификации может быть построен на основе одного из известных алгоритмов идентификации.
Таким образом, замкнутая адаптивная система управления описывается уравнениями (1), (2), (5) при условии (3), а также включает алгоритм текущей идентификации и алгоритм переключения режимов работы контура адаптации.
В работах [1, 3, 4] указывается, что для достижения цели адаптации: с течением времени e _→ 0 - требуется отсутствие неизвестных возмущений, а также необходимо иметь асимптотические оценки в конце цикла идентификации. Такое достаточно жесткое требование порождает ряд недостатков системы [3, 4]:
- необходимость обеспечения процесса управления стойким возбуждающим входным сигналом порядка не менее n;
- невозможность точной оценки параметров ОУ в замкнутой системе управления на некоторых режимах, например, на режиме стабилизации, когда uм = 0, что объясняется линейной зависимостью компонент вектор-функций x(t) и u(t), где t - текущее время;
- большое влияние на качество идентификации и управления неконтролируемых внешних возмущений;
- невысокая скорость адаптации, поскольку параметры закона управления корректируются только в конце цикла идентификации.
- необходимость обеспечения процесса управления стойким возбуждающим входным сигналом порядка не менее n;
- невозможность точной оценки параметров ОУ в замкнутой системе управления на некоторых режимах, например, на режиме стабилизации, когда uм = 0, что объясняется линейной зависимостью компонент вектор-функций x(t) и u(t), где t - текущее время;
- большое влияние на качество идентификации и управления неконтролируемых внешних возмущений;
- невысокая скорость адаптации, поскольку параметры закона управления корректируются только в конце цикла идентификации.
Следует также отметить, что затянутость по времени процесса оценивания неизвестных параметров ОУ обусловливает известное мнение о том, что указанная система на практике может обеспечить приемлемое качество управления только для линейных стационарных или квазистационарных ОУ.
Целью изобретения является упрощение условий и сокращение времени для достижения цели адаптации замкнутой системы управления, а также расширение области применения системы на класс существенно нестационарных (нелинейных с текущей линеаризацией) объектов управления с неконтролируемыми внешними возмущениями.
Для теоретического обоснования достижения цели рассмотрим вопрос адаптации в непрерывной постановке при отсутствии возмущений (Df ≡ O). В качестве алгоритма текущей идентификации будем использовать алгоритм типа стохастической апроксимации, который в непрерывной постановке описывается следующим образом [5]:
,
где
C = [A, B]; - ошибка идентификации; x = [xт,uт] - расширенный вектор состояния ОУ; Г - в общем случае переменная положительно определенная квадратная матрица размерностью (n + m), или скаляр; норма матрицы - ограничена. Из теории идентификации известно, что алгоритм (6) обладает более простыми и лучшими свойствами сходимости к нулю ε по сравнению со сходимостью оценок параметров. Действительно, если назначить функцию Ляпунова вида V = εтε , то ее производная на уравнении (6) имеет вид
Уравнение (7) показывает, что при ограниченных нормах (это справедливо для подавляющего большинства прикладных задач) и при достаточно большой норме матрицы Г с течением времени ε _→ 0 , причем без каких-либо дополнительных условий. Также можно указать, что уравнение (6) описывает динамическую систему с матрицей собственного движения xpx Г , которая имеет единственное ненулевое собственное число x Гxp , равное собственной частоте системы, или собственной частоте алгоритма идентификации (ωa) .
,
где
C = [A, B]; - ошибка идентификации; x
Уравнение (7) показывает, что при ограниченных нормах (это справедливо для подавляющего большинства прикладных задач) и при достаточно большой норме матрицы Г с течением времени ε _→ 0 , причем без каких-либо дополнительных условий. Также можно указать, что уравнение (6) описывает динамическую систему с матрицей собственного движения xpx
В связи с указанным найдем зависимость ошибки адаптации от ошибки идентификации. Для этого вычтем из уравнения (1) уравнение (2), получим
Прибавляя и вычитая из правой части полученного Aмx, комбинируя слагаемые и учитывая (3), (4), найдем
Для поиска зависимости невязки B(u - u*) от ε уравнение (5) с учетом равенств (3), (4), (6) и (1) запишем в виде
Последнее слагаемое вынесено за скобки в силу очевидного равенства . Отсюда следует, что
Уравнение (9) показывает, что его выражение в квадратных скобках всегда ортогонально строкам матрицы , или, согласно свойствам псевдообратной матрицы, - столбцам матрицы [6]. В связи с этим общее решение уравнения (9) будет иметь вид
B(u-u*)-ε = Ψξ, (10), ,
где
Ψ - матрица такая, что ; ξ - произвольный вектор соответствующей размерности. Уравнения (8) и (10) описывают искомый результат.
Прибавляя и вычитая из правой части полученного Aмx, комбинируя слагаемые и учитывая (3), (4), найдем
Для поиска зависимости невязки B(u - u*) от ε уравнение (5) с учетом равенств (3), (4), (6) и (1) запишем в виде
Последнее слагаемое вынесено за скобки в силу очевидного равенства . Отсюда следует, что
Уравнение (9) показывает, что его выражение в квадратных скобках всегда ортогонально строкам матрицы , или, согласно свойствам псевдообратной матрицы, - столбцам матрицы [6]. В связи с этим общее решение уравнения (9) будет иметь вид
B(u-u*)-ε = Ψξ, (10), ,
где
Ψ - матрица такая, что ; ξ - произвольный вектор соответствующей размерности. Уравнения (8) и (10) описывают искомый результат.
Очевидно, наиболее важным является случай, когда в уравнении (10) невязка B(u - u*) не зависит от неопределенного член Ψξ . Одним из возможных вариантов этого является случай, когда выполняется условие [7]
Для того чтобы доказать это утверждение, предположим, что rankB = k ≤ min (n, m). Тогда матрицу B можно представить через скелетное разложение в виде [6]
,
где
F и L - матрицы размерностью n • k и k • m соответственно такие, что rankF = rankL = k. В этом случае равенство (11) влечет за собой выполнения условия , или, согласно свойствам псевдообратной матрицы, . Последнее обуславливает то, что , где Ek - единичная k • k матрица [6]. Следовательно, умножение уравнения (10) слева на матрицу ограниченной нормы дает
.
Для того чтобы доказать это утверждение, предположим, что rankB = k ≤ min (n, m). Тогда матрицу B можно представить через скелетное разложение в виде [6]
,
где
F и L - матрицы размерностью n • k и k • m соответственно такие, что rankF = rankL = k. В этом случае равенство (11) влечет за собой выполнения условия , или, согласно свойствам псевдообратной матрицы, . Последнее обуславливает то, что , где Ek - единичная k • k матрица [6]. Следовательно, умножение уравнения (10) слева на матрицу ограниченной нормы дает
.
В свою очередь, частным к условию (11) является случай, когда столбцы матрицы B линейно зависимы со столбцами , т.е.
Действительно, в этом случае строки матрицы B+ линейно зависимы со строками матрицы , и на основании (10) B+Ψ = 0 . В результате умножение уравнения (10) слева на матрицу BB+ дает вместо (12)
B(u-u*) = BB+ε. .
Таким образом, если выполнено хотя бы одно из условий: (11) или (13), то уравнение ошибки адаптации описывается простым линейным дифференциальным уравнением
,
где
матрица K имеет ограниченную норму, т.е. при ε _→ 0 достигается цель адаптации.
,
где
матрица K имеет ограниченную норму, т.е. при ε _→ 0 достигается цель адаптации.
Следует однако отметить, что для выполнения условия ε _→ 0 требуется , но последнее согласно свойствам уравнений (6) и (7) приводит к увеличению скорости изменения оценок, возрастанию норм , что препятствует сходимости ошибки идентификации и может привести к возникновению высокочастотных резонансных явлений. Для устранения этого неблагоприятного факта примем во внимание, что, как правило, рабочие частоты ОУ находятся в низкочастотной области. Поэтому достаточно управление (5) пропускать через фильтр низких частот с частотой среза (ωф) меньшей, чем ωa , но превышающей диапазон рабочих частот ОУ. Действительно, фильтрация управления соответствует устранению высокочастотной составляющей оценки с сохранением ее низкочастотной части . Последняя образует низкочастотную составляющую ошибки идентификации: . Поскольку выбором матрицы Г обеспечено стремление к нулю ошибки идентификации, то стремится к нулю и указанная ее низкочастотная часть. Следовательно, в области рабочих частот ОУ будут наблюдаться асимптотические свойства ошибки адаптации.
Из изложенного следует ряд выводов:
- требование асимптотической точности оценок параметров ОУ является лишь частным случаем достижения цели адаптации;
- цель адаптации можно достигнуть, если наложить довольно слабые ограничения (11) или (13) на оценку матрицы эффективности управления объекта (если B - скаляр, то достаточно ; эти ограничения не основаны на собственных динамических свойствах ОУ и могут быть получены из небольшой априорной информации об управляемом объекте; для выполнения условия (11) или (13) в структурную схему системы целесообразно ввести блок априорной информации о матрице эффективности управления объекта; по сигналам с этого блока будет производиться коррекция текущей оценки ;
- выбором матрицы Г алгоритма идентификации (6) можно всегда добиться требуемой скорости сходимости ошибки идентификации ε , что дает, во-первых, увеличение скорости адаптации замкнутой системы, а, во-вторых, - возможность: организации непрерывной подстройки закона управления по текущим оценкам параметров ОУ, устранения цикличности работы контура адаптации, а следовательно, и устранения логического блока;
- нет никаких дополнительных требований к входному сигналу ОУ, кроме u ≢ 0 , и поэтому адаптивная система управления может функционировать на фоне естественных управляющих сигналов;
- возможно расширение области применения адаптивной системы на класс существенно нестационарных (нелинейных с текущей линеаризацией) ОУ, у которых скорость изменения параметров ограничена;
- в связи с тем, что качество адаптации явно не зависит от качества оценок, доставляемых идентификатором, возможно использование системы при воздействии на ОУ неконтролируемых внешних возмущений, ограниченных по норме; действительно, в этом случае ошибка идентификации будет иметь вид , а уравнение (7) - соответственно
,
остальные уравнения останутся прежними; в области рабочих частот ОУ норма матрицы ограничена, и поэтому выбором матрицы Г всегда возможно в указанной области частот добиться сходимости ε и e .
- требование асимптотической точности оценок параметров ОУ является лишь частным случаем достижения цели адаптации;
- цель адаптации можно достигнуть, если наложить довольно слабые ограничения (11) или (13) на оценку матрицы эффективности управления объекта (если B - скаляр, то достаточно ; эти ограничения не основаны на собственных динамических свойствах ОУ и могут быть получены из небольшой априорной информации об управляемом объекте; для выполнения условия (11) или (13) в структурную схему системы целесообразно ввести блок априорной информации о матрице эффективности управления объекта; по сигналам с этого блока будет производиться коррекция текущей оценки ;
- выбором матрицы Г алгоритма идентификации (6) можно всегда добиться требуемой скорости сходимости ошибки идентификации ε , что дает, во-первых, увеличение скорости адаптации замкнутой системы, а, во-вторых, - возможность: организации непрерывной подстройки закона управления по текущим оценкам параметров ОУ, устранения цикличности работы контура адаптации, а следовательно, и устранения логического блока;
- нет никаких дополнительных требований к входному сигналу ОУ, кроме u ≢ 0 , и поэтому адаптивная система управления может функционировать на фоне естественных управляющих сигналов;
- возможно расширение области применения адаптивной системы на класс существенно нестационарных (нелинейных с текущей линеаризацией) ОУ, у которых скорость изменения параметров ограничена;
- в связи с тем, что качество адаптации явно не зависит от качества оценок, доставляемых идентификатором, возможно использование системы при воздействии на ОУ неконтролируемых внешних возмущений, ограниченных по норме; действительно, в этом случае ошибка идентификации будет иметь вид , а уравнение (7) - соответственно
,
остальные уравнения останутся прежними; в области рабочих частот ОУ норма матрицы ограничена, и поэтому выбором матрицы Г всегда возможно в указанной области частот добиться сходимости ε и e .
Следует отметить, что если алгоритм идентификации дискретный, то требованиями сходимости ε являются: во-первых, все собственные числа матрицы Гi должны находится в пределах , а, во-вторых, период дискретизации алгоритма должен быть достаточно малым (i - текущий момент времени). Это следует из рассмотрения уравнения (6) в разностном виде
,
где
- определяется дискретным алгоритмом идентификации. Умножим последнее равенство справа на xpi, получим
При достаточно малом шаге дискретизации
,
и поэтому можно записать εi+1≈ εi(1-x Гixpi). . Сходимость дискретной ошибки ε будет иметь место, если выражение в круглых скобках последнего равенства будет по модулю меньше единицы, или 0 < x Гixpi< 2. . Поделив это неравенство на x xpi и используя отношение Релея [6], найдем указанные требования к матрице Гi. Для дискретной формы алгоритма ωa= x Гixpi/H , где H - шаг дискретизации.
,
где
- определяется дискретным алгоритмом идентификации. Умножим последнее равенство справа на xpi, получим
При достаточно малом шаге дискретизации
,
и поэтому можно записать εi+1≈ εi(1-x
Полученные выводы, в частности, подтверждаются численными исследованиями, результаты которых приведены в работе [7].
На чертеже представлена структурная схема дискретной адаптивной системы управления с идентификатором и неявной эталонной моделью.
Структурная схема содержит сумматор 1, первый 2 и второй 3 регуляторы, фильтр 4 низких частот, объект 5 управления, блок 6 текущей идентификации, блок 7 априорной информации о матрице эффективности управления объект, блок 8 настройки регуляторов.
Адаптивная система работает следующим образом.
Задающее воздействие в виде [BмUм]t подается на первый вход сумматора 1. На второй вход сумматора поступает сигнал с выхода второго регулятора 3. Выход сумматора связан с первым входом первого регулятора 2, этот регулятор окончательно формирует управление в соответствии с зависимостью
Выход первого регулятора связан со входом фильтра 4 низких частот, пропускающего рабочие частоты ОУ. Выход фильтра связан со входом объекта 5 управления и с первым входом блока 6 текущей идентификации. Выход объекта управления связан с первым входом второго регулятора 3, преобразующего входной сигнал xi в виде
,
и со вторым входом блока текущей идентификации. Выход блока 7 априорной информации о матрице эффективности управления объекта подключен к третьему входу блока текущей идентификации. Блок текущей идентификации по входным сигналам с объекта управления: - формирует текущие оценки параметров ОУ. Вектор может либо непосредственно измеряться, либо аналитически вычисляться в блоке текущей идентификации по текущим значениям x, например, на основе полиномиальной или тригономтрической аппроксимации на скользящем интервале /8/. Алгоритм текущей идентификации блока 6 относится к классу алгоритмов типа стохастической аппроксимации, в качестве которого можно использовать алгоритм, описанный в работе /9/
Здесь ωa= H-1 - выбирается из условия ωa> ωф . Для выполнения требований (11) или (13) на каждом шаге идентификации в блоке 6 производится коррекция оценки . Такая коррекция должна быть с "минимальным" изменением исходной матрицы и может быть организована следующим образом. Блок 7 выдает в блок текущей идентификации информацию о матрице B0 размерностью n • m. Эта матрица учитывает априорную информацию о матрице эффективности управления объекта в виде соблюдения равенства
rank(B B) = rankB, (14) ,
Предположим, что
,
где
Gi - какая-то матрица размерностью m • m. Оценку определим как
,
где
Δi - минимальная по норме добавка до невырожденности матрицы . Эта добавка может быть получена, например, на основе разложения квадратной матрицы на треугольные сомножители [6] с минимальной коррекцией последовательной процедуры разложения с целью устранения нулевых диагональных элементов сомножителей. Полученные сомножители в дальнейшем перемножаются, формируя . Скорректированная оценка будет иметь вид . Тогда
,
что следует из равенства (14) и утверждения о том, что умножение любой матрицы на невырожденную соответствующей размерности не изменяет ранга исходной матрицы /6/. Оценка используется при формировании управления и заменяет оценку для следующего шага алгоритма идентификации.
Выход первого регулятора связан со входом фильтра 4 низких частот, пропускающего рабочие частоты ОУ. Выход фильтра связан со входом объекта 5 управления и с первым входом блока 6 текущей идентификации. Выход объекта управления связан с первым входом второго регулятора 3, преобразующего входной сигнал xi в виде
,
и со вторым входом блока текущей идентификации. Выход блока 7 априорной информации о матрице эффективности управления объекта подключен к третьему входу блока текущей идентификации. Блок текущей идентификации по входным сигналам с объекта управления: - формирует текущие оценки параметров ОУ. Вектор может либо непосредственно измеряться, либо аналитически вычисляться в блоке текущей идентификации по текущим значениям x, например, на основе полиномиальной или тригономтрической аппроксимации на скользящем интервале /8/. Алгоритм текущей идентификации блока 6 относится к классу алгоритмов типа стохастической аппроксимации, в качестве которого можно использовать алгоритм, описанный в работе /9/
Здесь ωa= H-1 - выбирается из условия ωa> ωф . Для выполнения требований (11) или (13) на каждом шаге идентификации в блоке 6 производится коррекция оценки . Такая коррекция должна быть с "минимальным" изменением исходной матрицы и может быть организована следующим образом. Блок 7 выдает в блок текущей идентификации информацию о матрице B0 размерностью n • m. Эта матрица учитывает априорную информацию о матрице эффективности управления объекта в виде соблюдения равенства
rank(B
Предположим, что
,
где
Gi - какая-то матрица размерностью m • m. Оценку определим как
,
где
Δi - минимальная по норме добавка до невырожденности матрицы . Эта добавка может быть получена, например, на основе разложения квадратной матрицы на треугольные сомножители [6] с минимальной коррекцией последовательной процедуры разложения с целью устранения нулевых диагональных элементов сомножителей. Полученные сомножители в дальнейшем перемножаются, формируя . Скорректированная оценка будет иметь вид . Тогда
,
что следует из равенства (14) и утверждения о том, что умножение любой матрицы на невырожденную соответствующей размерности не изменяет ранга исходной матрицы /6/. Оценка используется при формировании управления и заменяет оценку для следующего шага алгоритма идентификации.
Выход блока текущей идентификации, через который выдаются оценки , связан с блоком 8 настройки регуляторов. Этот блок вычисляет . Для реализации псевдообращения матриц можно использовать последовательный метод Гревилля [6]. Первый выход блока 8 связан со вторым входом первого регулятора, по нему передается информация о . Второй выход блока 8 связан со вторым входом второго регулятора, по нему передается информация о матрице .
Литература:
1. Справочник по теории автоматического управления./Под ред. А.А.Красовского. - М.: Наука, Гл. ред. физ. - мат. лит., 1987. - 712 с. (прототип).
1. Справочник по теории автоматического управления./Под ред. А.А.Красовского. - М.: Наука, Гл. ред. физ. - мат. лит., 1987. - 712 с. (прототип).
2. Уткин В.Н. Скользящие режимы в задачах оптимизации и управления. - М. : Наука, 1981.
3. Изерман Р. Цифровые системы управления: Пер. с англ. - М.: Мир, 1984, 541 с.
4. Острем К.И. Адаптивное управление с обратной связью//ТИИЭР - 1987, N 2, т. 75, с. 4 - 45.
5. Цыпкин Я.З. Основы информационной теории идентификации. - М.: Наука. Гл. ред. фиг.-мат. лит., 1984. 320 с.
6. Гантмахер Ф.Р. Теория матриц. - М.: Наука, Гл. ред. физ.-мат. лит., 1988, с. 552.
7. Буков В.Н., Круглов С.П., Решетняк Е.П. Адаптируемость линейной динамической системы с идентификатором и эталонной моделью//Автоматика и телемеханика - 1994, N 3, с. 99 - 107.
8. Пашковский И.М., Леонов В.А., Поплавский Б.К. Летные испытания самолетов и обработка результатов испытаний. - М.: Машиностроение, с. 416, 1985.
9. Гроп Д. Методы идентификации систем: Пер. с англ. - М.: Мир, 1979, с. 302.
Claims (1)
- Адаптивная система управления с идентификатором и неявной эталонной моделью, содержащая объект управления и сумматор, первый вход которого подключен к задающему воздействию, а выход - к первому входу первого регулятора, выход объекта управления подключен к первому входу второго регулятора и к первому входу блока текущей идентификации, выход второго регулятора подключен к второму входу сумматора, выход блока текущей идентификации подключен к входу блока настройки регуляторов, первый выход которого подключен к второму входу первого регулятора, а второй выход - к второму входу второго регулятора, отличающаяся тем, что она дополнительно содержит фильтр низких частот, вход которого подключен к выходу первого регулятора, а выход подключен к входу объекта управления и к второму входу блока текущей идентификации, блок априорной информации о матрице эффективности управления объекта, выход которого подключен к третьему входу блока текущей идентификации.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU94033714A RU2108612C1 (ru) | 1994-09-14 | 1994-09-14 | Адаптивная система управления с идентификатором и неявной эталонной моделью |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU94033714A RU2108612C1 (ru) | 1994-09-14 | 1994-09-14 | Адаптивная система управления с идентификатором и неявной эталонной моделью |
Publications (2)
Publication Number | Publication Date |
---|---|
RU94033714A RU94033714A (ru) | 1996-07-20 |
RU2108612C1 true RU2108612C1 (ru) | 1998-04-10 |
Family
ID=20160498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU94033714A RU2108612C1 (ru) | 1994-09-14 | 1994-09-14 | Адаптивная система управления с идентификатором и неявной эталонной моделью |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2108612C1 (ru) |
Cited By (86)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013184688A1 (en) * | 2012-06-04 | 2013-12-12 | Brain Corporation | Stochastic apparatus and methods for implementing generalized learning rules |
WO2014028855A1 (en) * | 2012-08-17 | 2014-02-20 | Brain Corporation | Apparatus and methods for spiking neuron network learning |
US8793205B1 (en) | 2012-09-20 | 2014-07-29 | Brain Corporation | Robotic learning and evolution apparatus |
RU2542910C1 (ru) * | 2014-03-19 | 2015-02-27 | Общество с ограниченной ответственностью "Объединённая Компания "Сибшахтострой" | Система регулирования объекта с рециклом |
US8983216B2 (en) | 2010-03-26 | 2015-03-17 | Brain Corporation | Invariant pulse latency coding systems and methods |
US8990133B1 (en) | 2012-12-20 | 2015-03-24 | Brain Corporation | Apparatus and methods for state-dependent learning in spiking neuron networks |
US8996177B2 (en) | 2013-03-15 | 2015-03-31 | Brain Corporation | Robotic training apparatus and methods |
US9008840B1 (en) | 2013-04-19 | 2015-04-14 | Brain Corporation | Apparatus and methods for reinforcement-guided supervised learning |
US9014416B1 (en) | 2012-06-29 | 2015-04-21 | Brain Corporation | Sensory processing apparatus and methods |
US9015092B2 (en) | 2012-06-04 | 2015-04-21 | Brain Corporation | Dynamically reconfigurable stochastic learning apparatus and methods |
US9047568B1 (en) | 2012-09-20 | 2015-06-02 | Brain Corporation | Apparatus and methods for encoding of sensory data using artificial spiking neurons |
US9070039B2 (en) | 2013-02-01 | 2015-06-30 | Brian Corporation | Temporal winner takes all spiking neuron network sensory processing apparatus and methods |
US9082079B1 (en) | 2012-10-22 | 2015-07-14 | Brain Corporation | Proportional-integral-derivative controller effecting expansion kernels comprising a plurality of spiking neurons associated with a plurality of receptive fields |
US9092738B2 (en) | 2011-09-21 | 2015-07-28 | Qualcomm Technologies Inc. | Apparatus and methods for event-triggered updates in parallel networks |
US9098811B2 (en) | 2012-06-04 | 2015-08-04 | Brain Corporation | Spiking neuron network apparatus and methods |
US9104973B2 (en) | 2011-09-21 | 2015-08-11 | Qualcomm Technologies Inc. | Elementary network description for neuromorphic systems with plurality of doublets wherein doublet events rules are executed in parallel |
US9111226B2 (en) | 2012-10-25 | 2015-08-18 | Brain Corporation | Modulated plasticity apparatus and methods for spiking neuron network |
US9117176B2 (en) | 2011-09-21 | 2015-08-25 | Qualcomm Technologies Inc. | Round-trip engineering apparatus and methods for neural networks |
US9123127B2 (en) | 2012-12-10 | 2015-09-01 | Brain Corporation | Contrast enhancement spiking neuron network sensory processing apparatus and methods |
US9122994B2 (en) | 2010-03-26 | 2015-09-01 | Brain Corporation | Apparatus and methods for temporally proximate object recognition |
US9129221B2 (en) | 2012-05-07 | 2015-09-08 | Brain Corporation | Spiking neural network feedback apparatus and methods |
RU2562362C2 (ru) * | 2013-12-26 | 2015-09-10 | Общество с ограниченной ответственностью "Объединённая Компания "Сибшахтострой" | Система регулирования объекта с рециклом |
US9146546B2 (en) | 2012-06-04 | 2015-09-29 | Brain Corporation | Systems and apparatus for implementing task-specific learning using spiking neurons |
US9147156B2 (en) | 2011-09-21 | 2015-09-29 | Qualcomm Technologies Inc. | Apparatus and methods for synaptic update in a pulse-coded network |
US9152915B1 (en) | 2010-08-26 | 2015-10-06 | Brain Corporation | Apparatus and methods for encoding vector into pulse-code output |
US9156165B2 (en) | 2011-09-21 | 2015-10-13 | Brain Corporation | Adaptive critic apparatus and methods |
US9165245B2 (en) | 2011-09-21 | 2015-10-20 | Qualcomm Technologies Inc. | Apparatus and method for partial evaluation of synaptic updates based on system events |
US9183493B2 (en) | 2012-10-25 | 2015-11-10 | Brain Corporation | Adaptive plasticity apparatus and methods for spiking neuron network |
US9186793B1 (en) | 2012-08-31 | 2015-11-17 | Brain Corporation | Apparatus and methods for controlling attention of a robot |
US9189730B1 (en) | 2012-09-20 | 2015-11-17 | Brain Corporation | Modulated stochasticity spiking neuron network controller apparatus and methods |
US9195934B1 (en) | 2013-01-31 | 2015-11-24 | Brain Corporation | Spiking neuron classifier apparatus and methods using conditionally independent subsets |
US9213937B2 (en) | 2011-09-21 | 2015-12-15 | Brain Corporation | Apparatus and methods for gating analog and spiking signals in artificial neural networks |
US9218563B2 (en) | 2012-10-25 | 2015-12-22 | Brain Corporation | Spiking neuron sensory processing apparatus and methods for saliency detection |
US9224090B2 (en) | 2012-05-07 | 2015-12-29 | Brain Corporation | Sensory input processing apparatus in a spiking neural network |
US9239985B2 (en) | 2013-06-19 | 2016-01-19 | Brain Corporation | Apparatus and methods for processing inputs in an artificial neuron network |
US9242372B2 (en) | 2013-05-31 | 2016-01-26 | Brain Corporation | Adaptive robotic interface apparatus and methods |
US9248569B2 (en) | 2013-11-22 | 2016-02-02 | Brain Corporation | Discrepancy detection apparatus and methods for machine learning |
US9256823B2 (en) | 2012-07-27 | 2016-02-09 | Qualcomm Technologies Inc. | Apparatus and methods for efficient updates in spiking neuron network |
US9256215B2 (en) | 2012-07-27 | 2016-02-09 | Brain Corporation | Apparatus and methods for generalized state-dependent learning in spiking neuron networks |
US9275326B2 (en) | 2012-11-30 | 2016-03-01 | Brain Corporation | Rate stabilization through plasticity in spiking neuron network |
US9296101B2 (en) | 2013-09-27 | 2016-03-29 | Brain Corporation | Robotic control arbitration apparatus and methods |
US9311594B1 (en) | 2012-09-20 | 2016-04-12 | Brain Corporation | Spiking neuron network apparatus and methods for encoding of sensory data |
US9311596B2 (en) | 2011-09-21 | 2016-04-12 | Qualcomm Technologies Inc. | Methods for memory management in parallel networks |
US9311593B2 (en) | 2010-03-26 | 2016-04-12 | Brain Corporation | Apparatus and methods for polychronous encoding and multiplexing in neuronal prosthetic devices |
US9314924B1 (en) | 2013-06-14 | 2016-04-19 | Brain Corporation | Predictive robotic controller apparatus and methods |
US9346167B2 (en) | 2014-04-29 | 2016-05-24 | Brain Corporation | Trainable convolutional network apparatus and methods for operating a robotic vehicle |
US9358685B2 (en) | 2014-02-03 | 2016-06-07 | Brain Corporation | Apparatus and methods for control of robot actions based on corrective user inputs |
US9367798B2 (en) | 2012-09-20 | 2016-06-14 | Brain Corporation | Spiking neuron network adaptive control apparatus and methods |
US9364950B2 (en) | 2014-03-13 | 2016-06-14 | Brain Corporation | Trainable modular robotic methods |
US9373038B2 (en) | 2013-02-08 | 2016-06-21 | Brain Corporation | Apparatus and methods for temporal proximity detection |
US9384443B2 (en) | 2013-06-14 | 2016-07-05 | Brain Corporation | Robotic training apparatus and methods |
US9405975B2 (en) | 2010-03-26 | 2016-08-02 | Brain Corporation | Apparatus and methods for pulse-code invariant object recognition |
US9412064B2 (en) | 2011-08-17 | 2016-08-09 | Qualcomm Technologies Inc. | Event-based communication in spiking neuron networks communicating a neural activity payload with an efficacy update |
US9426946B2 (en) | 2014-12-02 | 2016-08-30 | Brain Corporation | Computerized learning landscaping apparatus and methods |
US9436909B2 (en) | 2013-06-19 | 2016-09-06 | Brain Corporation | Increased dynamic range artificial neuron network apparatus and methods |
US9440352B2 (en) | 2012-08-31 | 2016-09-13 | Qualcomm Technologies Inc. | Apparatus and methods for robotic learning |
US9463571B2 (en) | 2013-11-01 | 2016-10-11 | Brian Corporation | Apparatus and methods for online training of robots |
US9489623B1 (en) | 2013-10-15 | 2016-11-08 | Brain Corporation | Apparatus and methods for backward propagation of errors in a spiking neuron network |
US9533413B2 (en) | 2014-03-13 | 2017-01-03 | Brain Corporation | Trainable modular robotic apparatus and methods |
US9552546B1 (en) | 2013-07-30 | 2017-01-24 | Brain Corporation | Apparatus and methods for efficacy balancing in a spiking neuron network |
US9566710B2 (en) | 2011-06-02 | 2017-02-14 | Brain Corporation | Apparatus and methods for operating robotic devices using selective state space training |
US9579789B2 (en) | 2013-09-27 | 2017-02-28 | Brain Corporation | Apparatus and methods for training of robotic control arbitration |
US9579790B2 (en) | 2014-09-17 | 2017-02-28 | Brain Corporation | Apparatus and methods for removal of learned behaviors in robots |
US9597797B2 (en) | 2013-11-01 | 2017-03-21 | Brain Corporation | Apparatus and methods for haptic training of robots |
US9604359B1 (en) | 2014-10-02 | 2017-03-28 | Brain Corporation | Apparatus and methods for training path navigation by robots |
US9613308B2 (en) | 2014-04-03 | 2017-04-04 | Brain Corporation | Spoofing remote control apparatus and methods |
US9630317B2 (en) | 2014-04-03 | 2017-04-25 | Brain Corporation | Learning apparatus and methods for control of robotic devices via spoofing |
US9713982B2 (en) | 2014-05-22 | 2017-07-25 | Brain Corporation | Apparatus and methods for robotic operation using video imagery |
US9764468B2 (en) | 2013-03-15 | 2017-09-19 | Brain Corporation | Adaptive predictor apparatus and methods |
US9792546B2 (en) | 2013-06-14 | 2017-10-17 | Brain Corporation | Hierarchical robotic controller apparatus and methods |
US9821470B2 (en) | 2014-09-17 | 2017-11-21 | Brain Corporation | Apparatus and methods for context determination using real time sensor data |
US9840003B2 (en) | 2015-06-24 | 2017-12-12 | Brain Corporation | Apparatus and methods for safe navigation of robotic devices |
US9848112B2 (en) | 2014-07-01 | 2017-12-19 | Brain Corporation | Optical detection apparatus and methods |
US9849588B2 (en) | 2014-09-17 | 2017-12-26 | Brain Corporation | Apparatus and methods for remotely controlling robotic devices |
US9860077B2 (en) | 2014-09-17 | 2018-01-02 | Brain Corporation | Home animation apparatus and methods |
US9870617B2 (en) | 2014-09-19 | 2018-01-16 | Brain Corporation | Apparatus and methods for saliency detection based on color occurrence analysis |
US9881349B1 (en) | 2014-10-24 | 2018-01-30 | Gopro, Inc. | Apparatus and methods for computerized object identification |
US9939253B2 (en) | 2014-05-22 | 2018-04-10 | Brain Corporation | Apparatus and methods for distance estimation using multiple image sensors |
US9987743B2 (en) | 2014-03-13 | 2018-06-05 | Brain Corporation | Trainable modular robotic apparatus and methods |
US10057593B2 (en) | 2014-07-08 | 2018-08-21 | Brain Corporation | Apparatus and methods for distance estimation using stereo imagery |
US10194163B2 (en) | 2014-05-22 | 2019-01-29 | Brain Corporation | Apparatus and methods for real time estimation of differential motion in live video |
US10197664B2 (en) | 2015-07-20 | 2019-02-05 | Brain Corporation | Apparatus and methods for detection of objects using broadband signals |
US10210452B2 (en) | 2011-09-21 | 2019-02-19 | Qualcomm Incorporated | High level neuromorphic network description apparatus and methods |
US10295972B2 (en) | 2016-04-29 | 2019-05-21 | Brain Corporation | Systems and methods to operate controllable devices with gestures and/or noises |
US10376117B2 (en) | 2015-02-26 | 2019-08-13 | Brain Corporation | Apparatus and methods for programming and training of robotic household appliances |
US11831955B2 (en) | 2010-07-12 | 2023-11-28 | Time Warner Cable Enterprises Llc | Apparatus and methods for content management and account linking across multiple content delivery networks |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120047482A1 (en) * | 2010-08-18 | 2012-02-23 | Lioudmila Dyer | Use of Structures/Statistics in Software Optimization |
-
1994
- 1994-09-14 RU RU94033714A patent/RU2108612C1/ru active
Non-Patent Citations (1)
Title |
---|
Справочник по теории автоматического управления. / Под ред. Красовского А.А. - М.: Наука, с. 492 - 495, рис. 10.5.1. * |
Cited By (117)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9311593B2 (en) | 2010-03-26 | 2016-04-12 | Brain Corporation | Apparatus and methods for polychronous encoding and multiplexing in neuronal prosthetic devices |
US8983216B2 (en) | 2010-03-26 | 2015-03-17 | Brain Corporation | Invariant pulse latency coding systems and methods |
US9405975B2 (en) | 2010-03-26 | 2016-08-02 | Brain Corporation | Apparatus and methods for pulse-code invariant object recognition |
US9122994B2 (en) | 2010-03-26 | 2015-09-01 | Brain Corporation | Apparatus and methods for temporally proximate object recognition |
US11831955B2 (en) | 2010-07-12 | 2023-11-28 | Time Warner Cable Enterprises Llc | Apparatus and methods for content management and account linking across multiple content delivery networks |
US9193075B1 (en) | 2010-08-26 | 2015-11-24 | Brain Corporation | Apparatus and methods for object detection via optical flow cancellation |
US9152915B1 (en) | 2010-08-26 | 2015-10-06 | Brain Corporation | Apparatus and methods for encoding vector into pulse-code output |
US9566710B2 (en) | 2011-06-02 | 2017-02-14 | Brain Corporation | Apparatus and methods for operating robotic devices using selective state space training |
US9412064B2 (en) | 2011-08-17 | 2016-08-09 | Qualcomm Technologies Inc. | Event-based communication in spiking neuron networks communicating a neural activity payload with an efficacy update |
US9165245B2 (en) | 2011-09-21 | 2015-10-20 | Qualcomm Technologies Inc. | Apparatus and method for partial evaluation of synaptic updates based on system events |
US9311596B2 (en) | 2011-09-21 | 2016-04-12 | Qualcomm Technologies Inc. | Methods for memory management in parallel networks |
US9156165B2 (en) | 2011-09-21 | 2015-10-13 | Brain Corporation | Adaptive critic apparatus and methods |
US9460387B2 (en) | 2011-09-21 | 2016-10-04 | Qualcomm Technologies Inc. | Apparatus and methods for implementing event-based updates in neuron networks |
US9092738B2 (en) | 2011-09-21 | 2015-07-28 | Qualcomm Technologies Inc. | Apparatus and methods for event-triggered updates in parallel networks |
US9213937B2 (en) | 2011-09-21 | 2015-12-15 | Brain Corporation | Apparatus and methods for gating analog and spiking signals in artificial neural networks |
US9104973B2 (en) | 2011-09-21 | 2015-08-11 | Qualcomm Technologies Inc. | Elementary network description for neuromorphic systems with plurality of doublets wherein doublet events rules are executed in parallel |
US9147156B2 (en) | 2011-09-21 | 2015-09-29 | Qualcomm Technologies Inc. | Apparatus and methods for synaptic update in a pulse-coded network |
US10210452B2 (en) | 2011-09-21 | 2019-02-19 | Qualcomm Incorporated | High level neuromorphic network description apparatus and methods |
US9117176B2 (en) | 2011-09-21 | 2015-08-25 | Qualcomm Technologies Inc. | Round-trip engineering apparatus and methods for neural networks |
US9129221B2 (en) | 2012-05-07 | 2015-09-08 | Brain Corporation | Spiking neural network feedback apparatus and methods |
US9224090B2 (en) | 2012-05-07 | 2015-12-29 | Brain Corporation | Sensory input processing apparatus in a spiking neural network |
US9146546B2 (en) | 2012-06-04 | 2015-09-29 | Brain Corporation | Systems and apparatus for implementing task-specific learning using spiking neurons |
US9104186B2 (en) | 2012-06-04 | 2015-08-11 | Brain Corporation | Stochastic apparatus and methods for implementing generalized learning rules |
US9098811B2 (en) | 2012-06-04 | 2015-08-04 | Brain Corporation | Spiking neuron network apparatus and methods |
US9015092B2 (en) | 2012-06-04 | 2015-04-21 | Brain Corporation | Dynamically reconfigurable stochastic learning apparatus and methods |
WO2013184688A1 (en) * | 2012-06-04 | 2013-12-12 | Brain Corporation | Stochastic apparatus and methods for implementing generalized learning rules |
US9014416B1 (en) | 2012-06-29 | 2015-04-21 | Brain Corporation | Sensory processing apparatus and methods |
US9412041B1 (en) | 2012-06-29 | 2016-08-09 | Brain Corporation | Retinal apparatus and methods |
US9256215B2 (en) | 2012-07-27 | 2016-02-09 | Brain Corporation | Apparatus and methods for generalized state-dependent learning in spiking neuron networks |
US9256823B2 (en) | 2012-07-27 | 2016-02-09 | Qualcomm Technologies Inc. | Apparatus and methods for efficient updates in spiking neuron network |
WO2014028855A1 (en) * | 2012-08-17 | 2014-02-20 | Brain Corporation | Apparatus and methods for spiking neuron network learning |
US9446515B1 (en) | 2012-08-31 | 2016-09-20 | Brain Corporation | Apparatus and methods for controlling attention of a robot |
US11867599B2 (en) | 2012-08-31 | 2024-01-09 | Gopro, Inc. | Apparatus and methods for controlling attention of a robot |
US11360003B2 (en) | 2012-08-31 | 2022-06-14 | Gopro, Inc. | Apparatus and methods for controlling attention of a robot |
US9186793B1 (en) | 2012-08-31 | 2015-11-17 | Brain Corporation | Apparatus and methods for controlling attention of a robot |
US10545074B2 (en) | 2012-08-31 | 2020-01-28 | Gopro, Inc. | Apparatus and methods for controlling attention of a robot |
US10213921B2 (en) | 2012-08-31 | 2019-02-26 | Gopro, Inc. | Apparatus and methods for controlling attention of a robot |
US9440352B2 (en) | 2012-08-31 | 2016-09-13 | Qualcomm Technologies Inc. | Apparatus and methods for robotic learning |
US9189730B1 (en) | 2012-09-20 | 2015-11-17 | Brain Corporation | Modulated stochasticity spiking neuron network controller apparatus and methods |
US8793205B1 (en) | 2012-09-20 | 2014-07-29 | Brain Corporation | Robotic learning and evolution apparatus |
US9047568B1 (en) | 2012-09-20 | 2015-06-02 | Brain Corporation | Apparatus and methods for encoding of sensory data using artificial spiking neurons |
US9367798B2 (en) | 2012-09-20 | 2016-06-14 | Brain Corporation | Spiking neuron network adaptive control apparatus and methods |
US9311594B1 (en) | 2012-09-20 | 2016-04-12 | Brain Corporation | Spiking neuron network apparatus and methods for encoding of sensory data |
US9082079B1 (en) | 2012-10-22 | 2015-07-14 | Brain Corporation | Proportional-integral-derivative controller effecting expansion kernels comprising a plurality of spiking neurons associated with a plurality of receptive fields |
US9218563B2 (en) | 2012-10-25 | 2015-12-22 | Brain Corporation | Spiking neuron sensory processing apparatus and methods for saliency detection |
US9111226B2 (en) | 2012-10-25 | 2015-08-18 | Brain Corporation | Modulated plasticity apparatus and methods for spiking neuron network |
US9183493B2 (en) | 2012-10-25 | 2015-11-10 | Brain Corporation | Adaptive plasticity apparatus and methods for spiking neuron network |
US9275326B2 (en) | 2012-11-30 | 2016-03-01 | Brain Corporation | Rate stabilization through plasticity in spiking neuron network |
US9123127B2 (en) | 2012-12-10 | 2015-09-01 | Brain Corporation | Contrast enhancement spiking neuron network sensory processing apparatus and methods |
US8990133B1 (en) | 2012-12-20 | 2015-03-24 | Brain Corporation | Apparatus and methods for state-dependent learning in spiking neuron networks |
US9195934B1 (en) | 2013-01-31 | 2015-11-24 | Brain Corporation | Spiking neuron classifier apparatus and methods using conditionally independent subsets |
US9070039B2 (en) | 2013-02-01 | 2015-06-30 | Brian Corporation | Temporal winner takes all spiking neuron network sensory processing apparatus and methods |
US9373038B2 (en) | 2013-02-08 | 2016-06-21 | Brain Corporation | Apparatus and methods for temporal proximity detection |
US11042775B1 (en) | 2013-02-08 | 2021-06-22 | Brain Corporation | Apparatus and methods for temporal proximity detection |
US8996177B2 (en) | 2013-03-15 | 2015-03-31 | Brain Corporation | Robotic training apparatus and methods |
US9764468B2 (en) | 2013-03-15 | 2017-09-19 | Brain Corporation | Adaptive predictor apparatus and methods |
US10155310B2 (en) | 2013-03-15 | 2018-12-18 | Brain Corporation | Adaptive predictor apparatus and methods |
US9008840B1 (en) | 2013-04-19 | 2015-04-14 | Brain Corporation | Apparatus and methods for reinforcement-guided supervised learning |
US9821457B1 (en) | 2013-05-31 | 2017-11-21 | Brain Corporation | Adaptive robotic interface apparatus and methods |
US9242372B2 (en) | 2013-05-31 | 2016-01-26 | Brain Corporation | Adaptive robotic interface apparatus and methods |
US9384443B2 (en) | 2013-06-14 | 2016-07-05 | Brain Corporation | Robotic training apparatus and methods |
US9950426B2 (en) | 2013-06-14 | 2018-04-24 | Brain Corporation | Predictive robotic controller apparatus and methods |
US9314924B1 (en) | 2013-06-14 | 2016-04-19 | Brain Corporation | Predictive robotic controller apparatus and methods |
US9792546B2 (en) | 2013-06-14 | 2017-10-17 | Brain Corporation | Hierarchical robotic controller apparatus and methods |
US9436909B2 (en) | 2013-06-19 | 2016-09-06 | Brain Corporation | Increased dynamic range artificial neuron network apparatus and methods |
US9239985B2 (en) | 2013-06-19 | 2016-01-19 | Brain Corporation | Apparatus and methods for processing inputs in an artificial neuron network |
US9552546B1 (en) | 2013-07-30 | 2017-01-24 | Brain Corporation | Apparatus and methods for efficacy balancing in a spiking neuron network |
US9579789B2 (en) | 2013-09-27 | 2017-02-28 | Brain Corporation | Apparatus and methods for training of robotic control arbitration |
US9296101B2 (en) | 2013-09-27 | 2016-03-29 | Brain Corporation | Robotic control arbitration apparatus and methods |
US9489623B1 (en) | 2013-10-15 | 2016-11-08 | Brain Corporation | Apparatus and methods for backward propagation of errors in a spiking neuron network |
US9597797B2 (en) | 2013-11-01 | 2017-03-21 | Brain Corporation | Apparatus and methods for haptic training of robots |
US9463571B2 (en) | 2013-11-01 | 2016-10-11 | Brian Corporation | Apparatus and methods for online training of robots |
US9844873B2 (en) | 2013-11-01 | 2017-12-19 | Brain Corporation | Apparatus and methods for haptic training of robots |
US9248569B2 (en) | 2013-11-22 | 2016-02-02 | Brain Corporation | Discrepancy detection apparatus and methods for machine learning |
RU2562362C2 (ru) * | 2013-12-26 | 2015-09-10 | Общество с ограниченной ответственностью "Объединённая Компания "Сибшахтострой" | Система регулирования объекта с рециклом |
US9789605B2 (en) | 2014-02-03 | 2017-10-17 | Brain Corporation | Apparatus and methods for control of robot actions based on corrective user inputs |
US9358685B2 (en) | 2014-02-03 | 2016-06-07 | Brain Corporation | Apparatus and methods for control of robot actions based on corrective user inputs |
US10322507B2 (en) | 2014-02-03 | 2019-06-18 | Brain Corporation | Apparatus and methods for control of robot actions based on corrective user inputs |
US10391628B2 (en) | 2014-03-13 | 2019-08-27 | Brain Corporation | Trainable modular robotic apparatus and methods |
US9533413B2 (en) | 2014-03-13 | 2017-01-03 | Brain Corporation | Trainable modular robotic apparatus and methods |
US9987743B2 (en) | 2014-03-13 | 2018-06-05 | Brain Corporation | Trainable modular robotic apparatus and methods |
US9862092B2 (en) | 2014-03-13 | 2018-01-09 | Brain Corporation | Interface for use with trainable modular robotic apparatus |
US10166675B2 (en) | 2014-03-13 | 2019-01-01 | Brain Corporation | Trainable modular robotic apparatus |
US9364950B2 (en) | 2014-03-13 | 2016-06-14 | Brain Corporation | Trainable modular robotic methods |
RU2542910C1 (ru) * | 2014-03-19 | 2015-02-27 | Общество с ограниченной ответственностью "Объединённая Компания "Сибшахтострой" | Система регулирования объекта с рециклом |
US9630317B2 (en) | 2014-04-03 | 2017-04-25 | Brain Corporation | Learning apparatus and methods for control of robotic devices via spoofing |
US9613308B2 (en) | 2014-04-03 | 2017-04-04 | Brain Corporation | Spoofing remote control apparatus and methods |
US9346167B2 (en) | 2014-04-29 | 2016-05-24 | Brain Corporation | Trainable convolutional network apparatus and methods for operating a robotic vehicle |
US9713982B2 (en) | 2014-05-22 | 2017-07-25 | Brain Corporation | Apparatus and methods for robotic operation using video imagery |
US9939253B2 (en) | 2014-05-22 | 2018-04-10 | Brain Corporation | Apparatus and methods for distance estimation using multiple image sensors |
US10194163B2 (en) | 2014-05-22 | 2019-01-29 | Brain Corporation | Apparatus and methods for real time estimation of differential motion in live video |
US9848112B2 (en) | 2014-07-01 | 2017-12-19 | Brain Corporation | Optical detection apparatus and methods |
US10057593B2 (en) | 2014-07-08 | 2018-08-21 | Brain Corporation | Apparatus and methods for distance estimation using stereo imagery |
US9860077B2 (en) | 2014-09-17 | 2018-01-02 | Brain Corporation | Home animation apparatus and methods |
US9849588B2 (en) | 2014-09-17 | 2017-12-26 | Brain Corporation | Apparatus and methods for remotely controlling robotic devices |
US9821470B2 (en) | 2014-09-17 | 2017-11-21 | Brain Corporation | Apparatus and methods for context determination using real time sensor data |
US9579790B2 (en) | 2014-09-17 | 2017-02-28 | Brain Corporation | Apparatus and methods for removal of learned behaviors in robots |
US9870617B2 (en) | 2014-09-19 | 2018-01-16 | Brain Corporation | Apparatus and methods for saliency detection based on color occurrence analysis |
US10055850B2 (en) | 2014-09-19 | 2018-08-21 | Brain Corporation | Salient features tracking apparatus and methods using visual initialization |
US10268919B1 (en) | 2014-09-19 | 2019-04-23 | Brain Corporation | Methods and apparatus for tracking objects using saliency |
US10032280B2 (en) | 2014-09-19 | 2018-07-24 | Brain Corporation | Apparatus and methods for tracking salient features |
US9902062B2 (en) | 2014-10-02 | 2018-02-27 | Brain Corporation | Apparatus and methods for training path navigation by robots |
US10105841B1 (en) | 2014-10-02 | 2018-10-23 | Brain Corporation | Apparatus and methods for programming and training of robotic devices |
US10131052B1 (en) | 2014-10-02 | 2018-11-20 | Brain Corporation | Persistent predictor apparatus and methods for task switching |
US9687984B2 (en) | 2014-10-02 | 2017-06-27 | Brain Corporation | Apparatus and methods for training of robots |
US9604359B1 (en) | 2014-10-02 | 2017-03-28 | Brain Corporation | Apparatus and methods for training path navigation by robots |
US9630318B2 (en) | 2014-10-02 | 2017-04-25 | Brain Corporation | Feature detection apparatus and methods for training of robotic navigation |
US11562458B2 (en) | 2014-10-24 | 2023-01-24 | Gopro, Inc. | Autonomous vehicle control method, system, and medium |
US9881349B1 (en) | 2014-10-24 | 2018-01-30 | Gopro, Inc. | Apparatus and methods for computerized object identification |
US10580102B1 (en) | 2014-10-24 | 2020-03-03 | Gopro, Inc. | Apparatus and methods for computerized object identification |
US9426946B2 (en) | 2014-12-02 | 2016-08-30 | Brain Corporation | Computerized learning landscaping apparatus and methods |
US10376117B2 (en) | 2015-02-26 | 2019-08-13 | Brain Corporation | Apparatus and methods for programming and training of robotic household appliances |
US10807230B2 (en) | 2015-06-24 | 2020-10-20 | Brain Corporation | Bistatic object detection apparatus and methods |
US9840003B2 (en) | 2015-06-24 | 2017-12-12 | Brain Corporation | Apparatus and methods for safe navigation of robotic devices |
US9873196B2 (en) | 2015-06-24 | 2018-01-23 | Brain Corporation | Bistatic object detection apparatus and methods |
US10197664B2 (en) | 2015-07-20 | 2019-02-05 | Brain Corporation | Apparatus and methods for detection of objects using broadband signals |
US10295972B2 (en) | 2016-04-29 | 2019-05-21 | Brain Corporation | Systems and methods to operate controllable devices with gestures and/or noises |
Also Published As
Publication number | Publication date |
---|---|
RU94033714A (ru) | 1996-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2108612C1 (ru) | Адаптивная система управления с идентификатором и неявной эталонной моделью | |
Gunckel et al. | A general solution for linear, sampled-data control | |
Cai et al. | A sufficiently smooth projection operator | |
Vassiliadis | Parametric adaptive control and parameter identification of low-dimensional chaotic systems | |
Liu et al. | Non-asymptotic fractional order differentiator for a class of fractional order linear systems | |
Poubelle et al. | Fake algebraic Riccati techniques and stability | |
US5404289A (en) | Controller apparatus having improved transient response speed by means of self-tuning variable set point weighting | |
GB2212950A (en) | Industrial control systems | |
Sun et al. | Robust stabilization and robust performance using model reference control and modeling error compensation | |
Andrievsky et al. | Disturbance observers: methods and applications. I. Methods | |
Torrico et al. | Tuning of a dead-time compensator focusing on industrial processes | |
Liu | Predictive control of high-order fully actuated nonlinear systems with time-varying delays | |
Queiroz et al. | Modular variable structure adaptive backstepping controller: Design and stability analysis | |
Barbot et al. | Discrete-time approximated linearization of SISO systems under output feedback | |
Shen et al. | A novel diffusive representation of fractional calculus to stability and stabilisation of noncommensurate fractional-order nonlinear systems | |
Fulwani et al. | Design of sliding mode controller with actuator saturation | |
Narendra et al. | An adaptive procedure for controlling undefined linear processes | |
RU2191419C1 (ru) | Адаптивная система управления с идентификатором и эталонной моделью | |
Missaghie et al. | Sensitivity reducing observers for optimal feedback control | |
Lu et al. | Discrete-time model reference adaptive control for nonminimum phase systems with disturbances | |
Chen et al. | Robust stabilization in an observer-controller feedback system under nonlinear time-varying perturbations or unmodeled dynamics | |
JPS5990103A (ja) | オ−トチユ−ナ | |
Åström et al. | The self-tuning regulators revisited | |
Glyzin et al. | Diffusion chaos in the reaction–diffusion boundary problem in the dumbbell domain | |
Hughes | Self-tuning and adaptive control-a reviewofsomebasictechniques |