مریم شهریاری کاهکشی
دانشجوی دکتری کنترل، دانشکده مهندسی برق و کامپیوتر- دانشگاه صنعتی اصفهان- اصفهان- ایران
[ 1 ] - طراحی پایدار ساز سیستم قدرت مبتنی بر شبکه موجک فازی به منظور میرا کردن نوسان‌های فرکانس پایین سیستم قدرت
در این مقاله، یک روش جدید مبتنی بر شبکه‌های موجک فازی (FWN)، برای طراحی پایدارساز سیستم قدرت (PSS) به منظور میرا کردن نوسان‌های فرکانس پایین سیستم قدرت ارائه شده است. شبکه موجک فازی که از تئوری موجک و مفاهیم فازی الهام گرفته شده است، برای طراحی همزمان دو پایدارساز سیستم قدرت به‌کار رفته است، که در آن، خطای بین خروجی مطلوب سیستم و خروجی واقعی به منظور آموزش پارامترهای شبکه موجک فازی استفاده استف...
[ 2 ] - یک الگوریتم یادگیری ترکیبی جهت طراحی شبکه های موجک فازی برای تقریب توابع، شناسایی و کنترل بهنگام سیستم های غیرخطی
در این مقاله، یک الگوریتم یادگیری ترکیبی جدید برای طراحی شبکه های موجک فازی به منظور تقریب توابع، کنترل و شناسایی سیستم های غیرخطی ارائه شده است. الگوریتم پیشنهادی مبتنی بر الگوریتم حداقل مربعات متعامد (OLS)، الگوریتم جهش قورباغه های بهم آمیخته (SFL) و روش حداقل مربعات بازگشتی(RLS) می باشد. الگوریتم حداقل مربعات متعامد جهت تعیین ابعاد شبکه، غربال کردن موجکها به منظور انتخاب موجکهای مؤثرو تع...
[ 3 ] - Adaptive Distributed Consensus Control for a Class of Heterogeneous and Uncertain Nonlinear Multi-Agent Systems
This paper has been devoted to the design of a distributed consensus control for a class of uncertain nonlinear multi-agent systems in the strict-feedback form. The communication between the agents has been described by a directed graph. Radial-basis function neural networks have been used for the approximation of the uncertain and heterogeneous dynamics of the followers as well as the effect o...
[ 4 ] - Adaptive Approximation-Based Control for Uncertain Nonlinear Systems With Unknown Dead-Zone Using Minimal Learning Parameter Algorithm
This paper proposes an adaptive approximation-based controller for uncertain strict-feedback nonlinear systems with unknown dead-zone nonlinearity. Dead-zone constraint is represented as a combination of a linear system with a disturbance-like term. This work invokes neural networks (NNs) as a linear-in-parameter approximator to model uncertain nonlinear functions that appear in virtual and act...
Co-Authors