---

  در این مطالعه، کنترل کننده شبکه عصبی راف مبتنی بر توابع شعاعی مدل مرجع با آموزش پسخور خطا برای کلاسی از سیستم های غیرخطی در حضور عدم قطعیت محدود ارائه می گردد. کنترل کننده ارائه شده به فرم ترکیبی، شامل کنترل کننده شبکه عصبی راف مبتنی بر توابع شعاعی و کنترل کننده کلاسیک می باشد. به دلیل استفاده از کنترل کننده کلاسیک در کنار کنترل کننده هوشمند، می توان انتظار محدود بودن پاسخ حالت گذرا را داشت. وزن های لایه خروجی کنترل کننده شبکه عصبی راف مبتنی بر توابع شعاعی، پارامترهایی به فرم بازه ای هستند. با استفاده از تابع لیاپانوف مناسب بر اساس خروجی کنترل کننده کلاسیک، قوانین به روزکردن پایدار وزن های لایه خروجی کنترل کننده شبکه عصبی راف مبتنی بر توابع شعاعی بر پایه اثبات پایداری استخراج شده اند. به منظور نشان دادن کارایی کنترل کننده طراحی شده، شبیه سازی جهت کنترل و همزمانسازی سیستم‌های آشوب نوسانگر دافینگ و جنسیو- تسی اجرا و نتایج با حالتی که وزنهای لایه خروجی کنترل کننده به فرم غیر راف می باشند، مقایسه شده اند که نشان دهنده مقاومت بیشتر کنترل کننده ارائه شده در مقایسه با کنترل کننده غیر راف دارد. نتایج حاکی از طراحی مناسب کنترل کننده ارائه شده، می باشد.

---

دراین مقاله یک روش کنترلی تطبیقی، با ترکیب شبکه عصبی پیشنهادی به همراه کنترل­ کننده خطی­ سازی پسخور برای ردیابی و کنترل وضعیت یک ربات جابه جا کننده صنعتی ارائه می­ شود. ابتدا فرض می­ شود که دینامیک سیستم کاملاً معلوم است و سیگنال کنترلی بر اساس خطی سازی پسخور طراحی می­ شود. سپس برای حذف اثرات نامعینی و اغتشاش، پارامترهای شبکه عصبی بر اساس قانون لیاپانوف چنان تنظیم می­ شوند که شرط لغزشی برقرار شود. نتایج شبیه­ سازی در شرایط مختلف از جمله حضور اغتشاش و تأخیر با کنترل کننده مدلغزشی معمولی مقایسه می شود. نتایج شبیه­ سازی نشان می ­­دهد که کنترل­ کننده پیشنهادی عملکرد مناسبی دارد و می ­تواند در کاربردهای مختلف مورد استفاده قرار بگیرد.