.png){kind=icon}
返回
Data driven modeling and stability analysis for stochastic interconnected systems with uncertainties
.png){kind=icon}
OA
AI
DOI：10.1016/j.neucom.2025.131804.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种深度神经网络（DNN）增强的逆向最优自适应控制方法，用于稳定随机互联系统，重点关注未建模动态和不确定性带来的挑战。开发了一种结构化的小增益框架，以解决互联子系统间的相互依赖关系，并确保输入-状态实用概率稳定性。为逼近未建模的非线性，将基于DNN的辨识器集成到每个子系统中，允许实时估计不确定动态，同时保持控制器解析上的可处理性。基于此思想，我们开发了一种自适应控制器，可保证互联系统的均匀有界性，并确保状态在原点的小邻域内收敛，同时优化整体系统性能。最后，以汽车悬架系统为例，展示了所提出方法如何有效实现随机互联系统的闭环稳定性，同时融合逆向最优控制设计。
Keyword:
Stochastic inverse optimal control
Deep neural networks
Small-gain approach
Stochastic interconnected system
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
查看更多机构
引用论文
.png){kind=icon}
Inverse Optimal Adaptive Control of Canonical Nonlinear Systems With Dynamic Uncertainties and Its Application to Industrial Robots具有动态不确定性的典型非线性系统的逆最优自适应控制及其在工业机器人中的应用
PREAI
分享收藏Global Stabilization for Stochastic Continuous Cascade Nonlinear Systems Subject to SISS Inverse Dynamics and Time-Delay: A Dynamic Gain Approach具有SISS逆动力学和时滞的随机连续级联非线性系统的全局镇定: 动态增益方法
OAAI
OAAI分享收藏 没有更多内容