JP3083172B2 - 前置補償器および前置補償方法 - Google Patents
前置補償器および前置補償方法Info
- Publication number
- JP3083172B2 JP3083172B2 JP03066869A JP6686991A JP3083172B2 JP 3083172 B2 JP3083172 B2 JP 3083172B2 JP 03066869 A JP03066869 A JP 03066869A JP 6686991 A JP6686991 A JP 6686991A JP 3083172 B2 JP3083172 B2 JP 3083172B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- target value
- output
- current
- current time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Feedback Control In General (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、鉄鋼プロセスなどの制
御系の応答性を高める制御装置ならびに制御方法に関す
る。
御系の応答性を高める制御装置ならびに制御方法に関す
る。
【０００２】
【従来技術】近年、鉄鋼プロセスなどの製造プロセスに
は、制御システムが装備され、品質の高度化や省エネ，
省力化が進められてきた。
は、制御システムが装備され、品質の高度化や省エネ，
省力化が進められてきた。
【０００３】しかし、プロセスの変化などにより、その
制御性能が劣化してしまうことも多い。そのため、操業
技術者により、制御装置の再調整が必要となっている。
また、制御ゲインをオンラインで適応修正する方法や装
置も提案されている。モデル規範型適応制御や、セルフ
チューニング制御は、その具体的な方法である。しかし
ながらこれらの方法を適用できるのは、プロセスの入出
力の関係が線形関係にある場合に限られる。
制御性能が劣化してしまうことも多い。そのため、操業
技術者により、制御装置の再調整が必要となっている。
また、制御ゲインをオンラインで適応修正する方法や装
置も提案されている。モデル規範型適応制御や、セルフ
チューニング制御は、その具体的な方法である。しかし
ながらこれらの方法を適用できるのは、プロセスの入出
力の関係が線形関係にある場合に限られる。
【０００４】
【発明が解決しようとする課題】本発明は、プロセスの
制御特性の改善，維持，及び劣化防止を課題とする。
制御特性の改善，維持，及び劣化防止を課題とする。
【０００５】
【課題を解決するための手段】上記課題を解決するた
め、本発明の前置補償器は、目標値に対する閉ループ制
御系の応答出力の時系列データを用いて、現在時刻から
ｎ＋ｋ時刻前までの制御系出力値とｋ＋１時刻前からｋ
＋ｍ時刻前までの目標値を多層型神経回路の入力とし、
該回路の出力が現在時刻からｋ時刻前までの目標値にな
るように神経回路の重み係数を学習する手段，及びその
学習された神経回路に現在のｋ時刻先から１時刻先まで
の希望応答と現在時刻から現在のｎ時刻前までの制御系
出力値と現在の１時刻前からｍ時刻前の制御目標値を入
力して現在からｋ時刻先までの制御目標値を出力するこ
と、さらに出力された制御目標値を重みづけして現在の
最終目標値を生成する手段を備える。
め、本発明の前置補償器は、目標値に対する閉ループ制
御系の応答出力の時系列データを用いて、現在時刻から
ｎ＋ｋ時刻前までの制御系出力値とｋ＋１時刻前からｋ
＋ｍ時刻前までの目標値を多層型神経回路の入力とし、
該回路の出力が現在時刻からｋ時刻前までの目標値にな
るように神経回路の重み係数を学習する手段，及びその
学習された神経回路に現在のｋ時刻先から１時刻先まで
の希望応答と現在時刻から現在のｎ時刻前までの制御系
出力値と現在の１時刻前からｍ時刻前の制御目標値を入
力して現在からｋ時刻先までの制御目標値を出力するこ
と、さらに出力された制御目標値を重みづけして現在の
最終目標値を生成する手段を備える。
【０００６】また、本発明の制御方法は、目標値に対す
る閉ループ制御系の応答出力の時系列データを用いて、
現在時刻からｎ＋ｋ時刻前までの制御系出力値とｋ＋１
時刻前からｋ＋ｍ時刻前までの目標値を多層型神経回路
の入力とし、該回路の出力が現在時刻からｋ時刻前まで
の目標値になるように神経回路の重み係数を学習するこ
と、及びその学習された神経回路に現在のｋ時刻先から
１時刻先までの希望応答と現在時刻から現在のｎ時刻前
までの制御系出力値と現在の１時刻前からｍ時刻前の制
御目標値を入力して現在からｋ時刻先までの制御目標値
を出力すること、さらに出力された制御目標値を重みづ
けして現在の最終目標値を生成することを特徴とする。
る閉ループ制御系の応答出力の時系列データを用いて、
現在時刻からｎ＋ｋ時刻前までの制御系出力値とｋ＋１
時刻前からｋ＋ｍ時刻前までの目標値を多層型神経回路
の入力とし、該回路の出力が現在時刻からｋ時刻前まで
の目標値になるように神経回路の重み係数を学習するこ
と、及びその学習された神経回路に現在のｋ時刻先から
１時刻先までの希望応答と現在時刻から現在のｎ時刻前
までの制御系出力値と現在の１時刻前からｍ時刻前の制
御目標値を入力して現在からｋ時刻先までの制御目標値
を出力すること、さらに出力された制御目標値を重みづ
けして現在の最終目標値を生成することを特徴とする。
【０００７】
【作用】本発明の前置補償器および補償方法は、プロセ
スの制御目標に対する制御系の応答を制御目標にできる
だけ近づけるため希望の制御応答から仮想的な制御目標
値を発生させることを神経回路網、即ちニュ−ラルネッ
トワ−クを用いて行うものである。その前置補償器およ
び補償方法で用いた神経回路では、実際のプロセス制御
の目標値とその応答出力を使用し、神経回路網の学習則
（例えばバックプロパゲーション）を用いて学習が行な
われる。
スの制御目標に対する制御系の応答を制御目標にできる
だけ近づけるため希望の制御応答から仮想的な制御目標
値を発生させることを神経回路網、即ちニュ−ラルネッ
トワ−クを用いて行うものである。その前置補償器およ
び補償方法で用いた神経回路では、実際のプロセス制御
の目標値とその応答出力を使用し、神経回路網の学習則
（例えばバックプロパゲーション）を用いて学習が行な
われる。
【０００８】図２に示す３階層の神経回路において、入
力層へデータｘｉ（ｉ＝１〜ｎ１）を入力すると、入力
層からの中間層への神経細胞（図３）の状態の変化は、
力層へデータｘｉ（ｉ＝１〜ｎ１）を入力すると、入力
層からの中間層への神経細胞（図３）の状態の変化は、
【０００９】
【数１】
【００１０】ここで、Ｗｉｊ(2)は、入力層から中間層
への重み係数である。ｎ２は、中間層の数を示す。
への重み係数である。ｎ２は、中間層の数を示す。
【００１１】中間層出力は、
【００１２】
【数２】 ｙｉ＝ｆｉ（ｕｉ） ・・・（２） ここで、ｆｉは発火関数であり、具体的には単調増加関
数を用いる。
数を用いる。
【００１３】次に中間層からの出力層への神経細胞の状
態変化は、
態変化は、
【００１４】
【数３】
【００１５】ここで、Ｗｉｊ(3)は、中間層から出力層
への重み係数である。ｎ３は、出力層の数を示す。
への重み係数である。ｎ３は、出力層の数を示す。
【００１６】出力層の出力は、
【００１７】
【数４】 ｙｉ＝ｆｉ（ｕｉ） ・・・（４） となる。
【００１８】そのとき、Ｗｉｊの学習は、以下のように
おこなわれる。
おこなわれる。
【００１９】出力層から中間層へのｗｉｊ(3)の学習
は、
は、
【００２０】
【数５】 δｊ0＝(ｄｊ−ｙｊ)ｆｊ’(ｕｊ) （ｊ＝１〜ｎ３）・・・（５） ここでｄｊは、教師信号と言われるもので、本発明で
は、制御系の実際の出力を意味する。ｆｊ’は、ｆｊの
微分を意味する。
は、制御系の実際の出力を意味する。ｆｊ’は、ｆｊの
微分を意味する。
【００２１】
【数６】 Ｗｉｊ(3)＝η・δｊ0・ｙｉ＋Ｗｉｊ(3) ・・・（６） 但し: ｉ＝１〜ｎ２，ｊ＝１〜ｎ３ 中間層から入力層へのＷｉｊ(2)の学習は、
【００２２】
【数７】
【００２３】
【数８】 Ｗｉｊ(2)＝η・δｊ・ｘｉ＋Ｗｉｊ(2) ・・・（８） 但し： ｉ＝１〜ｎ１，ｊ＝１〜ｎ２ のように行なわれる。
【００２４】本発明の装置および方法では、目標値に対
する閉ループ制御系の応答出力の時系列データを用い
て、現在時刻からｎ＋ｋ時刻前までの制御系出力値とｋ
＋１時刻前からｋ＋ｍ時刻前までの目標値を３層型神経
回路の入力とし、この回路の出力が現在時刻からｋ時刻
までの目標値を教師信号としてあたえて神経回路の重み
係数を学習する。
する閉ループ制御系の応答出力の時系列データを用い
て、現在時刻からｎ＋ｋ時刻前までの制御系出力値とｋ
＋１時刻前からｋ＋ｍ時刻前までの目標値を３層型神経
回路の入力とし、この回路の出力が現在時刻からｋ時刻
までの目標値を教師信号としてあたえて神経回路の重み
係数を学習する。
【００２５】次に学習された神経回路の情報をもつ前置
補償器に希望する応答と過去の出力値とそのときの目標
値を入力すると、これから先に設定すべき目標値が出力
される。その目標値を設定することにより、希望の応答
に近い実際の応答、すなわち高応答の制御性能が得られ
る。
補償器に希望する応答と過去の出力値とそのときの目標
値を入力すると、これから先に設定すべき目標値が出力
される。その目標値を設定することにより、希望の応答
に近い実際の応答、すなわち高応答の制御性能が得られ
る。
【００２６】すなわち、その学習された神経回路に現在
のｋ時刻先から１時刻先までの希望応答と現在時刻から
現在のｎ時刻前までの制御系出力値と、現在の１時刻前
からｍ時刻前の制御目標値を入力し、現在からｋ時刻先
までの制御目標値を出力するとともに、出力された制御
目標値を重みづけして現在の最終目標値を生成する。本
発明では、３階層の神系回路を用いているが、非線形性
のない系では、２階層の神経回路、あるいは、非線形性
のある系では、もっと高次の４，５次の階層を持つ神経
回路を用いて同様な前置補償器を構成しても良い。
のｋ時刻先から１時刻先までの希望応答と現在時刻から
現在のｎ時刻前までの制御系出力値と、現在の１時刻前
からｍ時刻前の制御目標値を入力し、現在からｋ時刻先
までの制御目標値を出力するとともに、出力された制御
目標値を重みづけして現在の最終目標値を生成する。本
発明では、３階層の神系回路を用いているが、非線形性
のない系では、２階層の神経回路、あるいは、非線形性
のある系では、もっと高次の４，５次の階層を持つ神経
回路を用いて同様な前置補償器を構成しても良い。
【００２７】
【実施例】次に本発明の実施例について図面を参照して
説明する。
説明する。
【００２８】図１に、本発明の前置補償器とプロセス制
御システムの位置づけについて示す。１は対象とするプ
ロセス、２はそのプロセスの制御装置でフィードバック
系を構成している。３が、プロセス制御系が高応答にな
るような目標値を生成する前置補償器である。４が前置
補償器の特性を学習する学習器である。
御システムの位置づけについて示す。１は対象とするプ
ロセス、２はそのプロセスの制御装置でフィードバック
系を構成している。３が、プロセス制御系が高応答にな
るような目標値を生成する前置補償器である。４が前置
補償器の特性を学習する学習器である。
【００２９】図２は、前置補償器３に使用される神経回
路の一例で、この場合３階層の神経回路を構成してい
る。回路の各ノードは、図３に示されるようにその入力
の重み付け加算をおこなうとともに、単調増加の非線形
関数で出力を計算する。これらのノードは階層的に組み
合わされる神経回路を構成する。
路の一例で、この場合３階層の神経回路を構成してい
る。回路の各ノードは、図３に示されるようにその入力
の重み付け加算をおこなうとともに、単調増加の非線形
関数で出力を計算する。これらのノードは階層的に組み
合わされる神経回路を構成する。
【００３０】図４は、前置補償器３が持つべき特性の学
習に使用される神経回路の一例で、神経回路の入力層
に、プロセス制御の目標値に対する閉ループ制御系の応
答出力の時系列データを用いて、現在時刻からｎ＋ｋ時
刻前までの制御系出力値ｙ(ｔ)〜ｙ(ｔ−ｎ−ｋ)と、ｋ
＋１時刻前からｋ＋ｍ時刻前までの目標値ｕ(ｔ−ｋ−
１)〜ｕ(ｔ−ｋ−ｍ)を３階層神経回路の入力とし、該
回路の出力が現在時刻からｋ時刻前までの目標値ｕ(ｔ)
〜ｕ(ｔ−ｋ)になるように神経回路の重み係数を学習す
る。学習式としては、さきに述べたバックプロパゲーシ
ョンのアルゴリズムなどを用いる。
習に使用される神経回路の一例で、神経回路の入力層
に、プロセス制御の目標値に対する閉ループ制御系の応
答出力の時系列データを用いて、現在時刻からｎ＋ｋ時
刻前までの制御系出力値ｙ(ｔ)〜ｙ(ｔ−ｎ−ｋ)と、ｋ
＋１時刻前からｋ＋ｍ時刻前までの目標値ｕ(ｔ−ｋ−
１)〜ｕ(ｔ−ｋ−ｍ)を３階層神経回路の入力とし、該
回路の出力が現在時刻からｋ時刻前までの目標値ｕ(ｔ)
〜ｕ(ｔ−ｋ)になるように神経回路の重み係数を学習す
る。学習式としては、さきに述べたバックプロパゲーシ
ョンのアルゴリズムなどを用いる。
【００３１】本例では、ｋ＝１０，ｎ＝１０，ｍ＝１０
で、入力層の数は３１個、中間層の数は２１個、出力層
の数は１０個である。
で、入力層の数は３１個、中間層の数は２１個、出力層
の数は１０個である。
【００３２】ｆ（ｘ）として以下の関数を用いている。
【００３３】
【数９】 ｆ（ｘ）＝１−０．５γ2／（ｘ−θ＋γ）2 ｘ≧θ ・・・（９）
【００３４】
【数１０】 ｆ（ｘ）＝０．５γ2／（ｘ−θ−γ）2 ｘ＜θ ・・・（１０ ）時系列の時間刻みは、０．０２秒である。学習は、１
秒間の時系列データを用いて数千回繰り返し行なってい
る。
秒間の時系列データを用いて数千回繰り返し行なってい
る。
【００３５】図５は、学習された前置補償器を用いて、
目標値を生成する神経回路を示す。図４の神経回路と中
身は、全く同じである。異なるのは、入力層の入力デー
タの内容である。その学習された神経回路に、現在のｋ
時刻先から１時刻先までの希望応答ｙ(ｔ＋ｋ)〜ｙ(ｔ
＋１)と現在時刻から現在のｎ時刻前までの制御系出力
値ｙ(ｔ)〜ｙ(ｔ−ｎ)と現在の１時刻前からｍ時刻前の
制御目標値ｕ(ｔ−１)〜ｕ(ｔ−ｍ)を入力し、現在から
ｋ時刻先までの制御目標値ｕ(ｔ＋ｋ)〜ｕ(ｔ)を出力す
る。前置補償器の出力としてこのｕ(ｔ)、あるいは出力
された制御目標値ｕ(ｔ)〜ｕ(ｔ＋ｋ)を重みづけしたも
のＵ(ｔ)を生成し設定する。
目標値を生成する神経回路を示す。図４の神経回路と中
身は、全く同じである。異なるのは、入力層の入力デー
タの内容である。その学習された神経回路に、現在のｋ
時刻先から１時刻先までの希望応答ｙ(ｔ＋ｋ)〜ｙ(ｔ
＋１)と現在時刻から現在のｎ時刻前までの制御系出力
値ｙ(ｔ)〜ｙ(ｔ−ｎ)と現在の１時刻前からｍ時刻前の
制御目標値ｕ(ｔ−１)〜ｕ(ｔ−ｍ)を入力し、現在から
ｋ時刻先までの制御目標値ｕ(ｔ＋ｋ)〜ｕ(ｔ)を出力す
る。前置補償器の出力としてこのｕ(ｔ)、あるいは出力
された制御目標値ｕ(ｔ)〜ｕ(ｔ＋ｋ)を重みづけしたも
のＵ(ｔ)を生成し設定する。
【００３６】
【数１１】
【００３７】ここでは各重み係数に、ｗ０＝1.0，ｗ１
＝0.0，・・・，ｗ１０＝0.0を設定している。
＝0.0，・・・，ｗ１０＝0.0を設定している。
【００３８】図６は応答性の劣化時の応答、図７は本発
明による前置補償器および方法を用いた時の改善された
応答を示す。ここで応答ｙは、無次元化した数値で、0.
3を目標値にしている。図６では応答が遅くなだらかに
立ち上がっているが、図７では目標値Ｕ(t)の生成によ
り高速応答が実現されている。
明による前置補償器および方法を用いた時の改善された
応答を示す。ここで応答ｙは、無次元化した数値で、0.
3を目標値にしている。図６では応答が遅くなだらかに
立ち上がっているが、図７では目標値Ｕ(t)の生成によ
り高速応答が実現されている。
【００３９】
【効果】以上説明したように、本発明によれば、プロセ
ス制御システムの応答性の劣化を学習型の前置補償器に
より防ぐことができる。そのことにより制御装置の保守
作業が不要になり、また無人化にすることも可能とな
る。また制御性能の改善により、製品のコストダウンや
歩留向上につながり、大きな効果につながった。
ス制御システムの応答性の劣化を学習型の前置補償器に
より防ぐことができる。そのことにより制御装置の保守
作業が不要になり、また無人化にすることも可能とな
る。また制御性能の改善により、製品のコストダウンや
歩留向上につながり、大きな効果につながった。
【図１】本発明の前置補償器を用いたプロセス制御シス
テムのブロック図である。
テムのブロック図である。
【図２】実施例に使用した神経回路のブロックである。
【図３】図２のノードにある神経細胞を示すブロック図
である。
である。
【図４】実施例の前置補償器の学習時の神経回路の入出
力を示すブロック図である。
力を示すブロック図である。
【図５】実施例の前置補償器を用いて目標値の生成を行
わせる時の神経回路の入出力を示すブロック図である。
わせる時の神経回路の入出力を示すブロック図である。
【図６】劣化したプロセス制御系の応答例を示すグラフ
である。
である。
【図７】実施例の前置補償器を用いた時の改善された応
答例を示すグラフである。
答例を示すグラフである。
１：プロセス ２：制御装置 ３：前置補償器 ４：学習器
フロントページの続き (56)参考文献 特開 平２−15718（ＪＰ，Ａ) 特開 平２−64788（ＪＰ，Ａ) 特開 平４−271486（ＪＰ，Ａ) 特開 平４−220758（ＪＰ，Ａ) 特開 平４−205195（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) G06G 7/60 G06C 15/00 G06F 15/18
Claims (2)
- 【請求項１】 プロセス制御装置において、目標値に対
する閉ループ制御系の応答出力の時系列データを用い
て、現在時刻からｎ＋ｋ時刻前までの制御系出力値とｋ
＋１時刻前からｋ＋ｍ時刻前までの目標値を多層型神経
回路の入力とし、該回路の出力が現在時刻からｋ時刻前
までの目標値になるように神経回路の重み係数を学習さ
せる手段と、及びその学習した神経回路情報を用いて現
在のｋ時刻先から１時刻先までの希望応答と現在時刻か
ら現在のｎ時刻前までの制御系出力値と現在の１時刻前
からｍ時刻前の制御目標値を入力して現在からｋ時刻先
までの制御目標値を出力し、さらに出力された制御目標
値を重みづけして現在の最終目標値を生成する手段を有
することを特徴とする前置補償器。 - 【請求項２】 プロセス制御方法において、目標値に対
する閉ループ制御系の応答出力の時系列データを用い
て、現在時刻からｎ＋ｋ時刻前までの制御系出力値とｋ
＋１時刻前からｋ＋ｍ時刻前までの目標値を多層型神経
回路の入力とし、該回路の出力が現在時刻からｋ時刻前
までの目標値になるように神経回路の重み係数を学習す
ること、及びその学習された神経回路に現在のｋ時刻先
から１時刻先までの希望応答と現在時刻から現在のｎ時
刻前までの制御系出力値と現在の１時刻前からｍ時刻前
の制御目標値を入力して現在からｋ時刻先までの制御目
標値を出力すること、さらに出力された制御目標値を重
みづけして現在の最終目標値を生成することを特徴とす
る前置補償方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP03066869A JP3083172B2 (ja) | 1991-03-29 | 1991-03-29 | 前置補償器および前置補償方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP03066869A JP3083172B2 (ja) | 1991-03-29 | 1991-03-29 | 前置補償器および前置補償方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04302383A JPH04302383A (ja) | 1992-10-26 |
| JP3083172B2 true JP3083172B2 (ja) | 2000-09-04 |
Family
ID=13328305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP03066869A Expired - Fee Related JP3083172B2 (ja) | 1991-03-29 | 1991-03-29 | 前置補償器および前置補償方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3083172B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102195382B1 (ko) * | 2019-04-19 | 2020-12-24 | 임현지 | 화장용 면봉 |
-
1991
- 1991-03-29 JP JP03066869A patent/JP3083172B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102195382B1 (ko) * | 2019-04-19 | 2020-12-24 | 임현지 | 화장용 면봉 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH04302383A (ja) | 1992-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Voros | Recursive identification of Hammerstein systems with discontinuous nonlinearities containing dead-zones | |
| Ll-Duwaish et al. | A new method for the identification of Hammerstein model | |
| CN111684695B (zh) | 电力变换器的控制装置 | |
| JPH07114524A (ja) | 信号処理装置 | |
| Hao et al. | Dynamic event-triggered adaptive command filtered control for nonlinear multi-agent systems with input saturation and disturbances | |
| JP2968631B2 (ja) | 熱延プロセス制御方法 | |
| JP3083172B2 (ja) | 前置補償器および前置補償方法 | |
| JPH07282168A (ja) | カオスリカレント神経回路網とその学習方法 | |
| Zhang et al. | Deterministic learning from neural control for uncertain nonlinear pure‐feedback systems by output feedback | |
| Kaynak | Sliding mode algorithm for online learning in analog multilayer feedforward neural networks | |
| JP2923000B2 (ja) | サーボ制御装置 | |
| CN112346342B (zh) | 一种非仿射动力学***的单网络自适应评价设计方法 | |
| WO1991016674A1 (en) | Discrete type repetition control method and apparatus therefor | |
| JP2897220B2 (ja) | 信号処理装置 | |
| JPH05145379A (ja) | 適応フイルタ装置における係数更新方法 | |
| Gu et al. | Steady state hierarchical optimizing control for large-scale industrial processes with fuzzy parameters | |
| JPH0635510A (ja) | ニューラルネットワークを用いたモデル規範型適応制御装置 | |
| JPH04127239A (ja) | ファジィ推論パラメータの自動調節方法および学習状態の表示方法 | |
| JPH04216160A (ja) | ニュ−ラルネットワ−ク回路 | |
| JP6541927B1 (ja) | 電力変換器の制御装置 | |
| JP2980421B2 (ja) | ニューラルネット・モデルを用いた制御器 | |
| Ho et al. | Multivariable internal model adaptive decoupling controller with neural network for nonlinear plants | |
| JPH09185596A (ja) | パルス密度型信号処理回路網における結合係数更新方法 | |
| JP3276035B2 (ja) | 神経回路網モデルの逐次型加速化学習方法 | |
| Huang et al. | Modified recurrent neuro-fuzzy network for modeling ball-screw servomechanism by using Chebyshev polynomial |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20000606 |
|
| LAPS | Cancellation because of no payment of annual fees |