Uma rede neural recorrente multicamadas para a resoluo de tempo

contnuo da equao algbrica de Riccati

Uma rede neural recorrente multicamadas proposta para
a resoluo da equao matricial algbrica de Riccati em
tempo real contnuo.
A rede neural recorrente Proposta bidirecionalmente
conectada composta de quatro camadas. Cada camada
constituda por um conjunto de neurnios. A proposta da
rede neural recorrente mostrada por ser capaz de resolver
equaes
algbricas
de
Riccati
e
sistemas
de
monitoramento Sintetizando o sistema linear-quadrtico em
tempo real.
Os resultados analticos sobre a estabilidade da rede neural
recorrente e solubilidade de equaes algbricas de Riccati
por utilizao da rede neural recorrente so discutidos. As
caractersticas de funcionamento da rede neural recorrente
so tambm demonstrados atravs de trs exemplos
ilustrativos.
Introduo
As redes neurais so compostas de neurnios individuais maciamente
conectados. Tendo as mesmas estruturas para os seus homlogos
biolgicos, artificiais modelos de redes neurais so informaes de
processamento de representao e computacional de forma distribuda
paralela. As Redes neurais feedforward e as redes neurais recorrentes so
duas classes principais de modelos de redes neurais.

Redes neurais feedforward (Realimentao positiva), stich como o

perceptron multicamadas popular (Rumelhart et al., 1986), so
representacional Normalmente usado como modelos treinados usando um
algoritmo de aprendizagem baseado em um conjunto de dados de entrada e
sada da amostra. Tem-se provado feedfoward neural que as redes de
multicamadas so aproximadores universais (Hornik et al., 1989). Tambm
tem sido demonstrado que as redes neurais treinadas com um nmero
limitado de amostras de treinamento possuem boa capacidade de

generalizao. Sistemas de grande escala para grande nmero de variveis

que contm e
sistemas complexos onde pouco conhecimento analtico
acessvel so exemplos tpicos de aplicaes de rede neural
potenciais (Narendra e Parthasarathy, 1990).
redes neurais recorrentes, tais como as redes de Hopfield
(Hopfield, 1982, 1994), so geralmente utilizados como
modelos computacionais para resolver problemas de
computao intensiva.
Exemplos tpicos de aplicaes de rede neural so
problemas de otimizao combinatria NP-completo e em
larga escala ou em tempo real problemas de computao
Hopfield e Tanque, 1985; Tanque e Hopfield, 1986; Brockett,
1991).
As redes neurais so vantajosas em relao s abordagens
tradicionais desses problemas, porque o processamento de
informao neural inerentemente concorrente.
Na literatura de controle, muita ateno, tem sido dedicada
aos reguladores (LQR) e problemas de projeto do sistema
de controle H ` linear-quadrtica, em grande parte como
resultado de sua formulao elegante problema, soluo de
rastreabilidade e propriedades robustas em relao ao
razoavelmente grandes variaes de parmetros do
sistema. O problema da concepo de um sistema de
controle de realimentao linear minimizando um ndice de
desempenho quadrtico pode ser reduzido para o problema
da obteno de uma soluo definida positiva de uma
equao de Riccati matriz.
Uma
variedade
de
algoritmos
numricos
foram
desenvolvidos para resolver a equao algbrica Riccatti

(por exemplo homem, 1969; Salama e Gourishankar, 1974;

Laub, 1979; Gardiner e Laub, 1991; Ghavimi et al., 1992,
Gardiner, 1997; Bunse-Gerstner e Fassbender, 1997;.
Ionescu et ai, 1997). Veja uma viso abrangente em
(Willems et al., 1991). Apesar de algoritmos paralelos pode
computar as solues para equaes de Riccati mais rpido
do que os algoritmos seqenciais, no houve nenhum
relatrio sobre solues de redes neurais para as equaes
de Riccati.
Devido natureza paralela distribuda de computao
neural, as redes neurais podem ser um modelo
computacional vivel para a sntese de sistemas de controlo
lineares em tempo real.
Nos ltimos anos, feedforward e recorrentes redes neurais
tm sido desenvolvidos para a resoluo de uma ampla
variedade de problemas de lgebra de matrizes (por
exemplo, Wang e Mendel, 1991, 1992; Samardzija e
Waterkind, 1991; Cichocki e Unbehauen, 1992a, 1992b; Luo
e Zheng, 1992; Wang, 1992, 1993a, 1993b; Wang e Li,
1993; Wang e Wu, 1993).
Em particular, as redes neurais recorrentes foram
desenvolvidos para LU decomposio de Cholesky e
factorization (Wang e Wu, 1993). Os resultados destas
investigaes tm estabelecido a base para a resoluo de
equaes de Riccati matriz atravs da utilizao de redes
neurais em tempo real.
Este artigo apresenta uma abordagem de rede neural para
a resoluo de tempo contnuo algbricas equaes de
Riccati baseado em uma rede neural recorrente
multicamadas.

Atravs da resoluo de duas equaes de matrizes

acopladas utilizando a rede neural recorrente, a abordagem
da rede neural proposto capaz de obter a soluo
definitiva simtrica e positiva para as equaes algbricas
de Riccati de forma distribuda em paralelo.
O restante deste artigo est organizado em cinco sees. A
seo 2 introduz as informaes de fundo da equao
algbrica Riccati no contexto do linear-quadrtica a sntese
de sistemas de controlo ptimo. Seo 3 discute a
formulao do problema para resolver equaes de Riccati
algbricas.
Seco 4 descreve a equao dinmica e arquitetura da
rede neural recorrente multicamadas. A seo 5 apresenta
os resultados analticos sobre a estabilidade e solvabilidade.
Seco 6 discute trs exemplos ilustrativos para
demonstrar o desempenho da rede neural recorrente.
Finalmente, a Seo 7 conclui o artigo com consideraes
finais.