Resumen

Siendo difícil alcanzar los modelos matemáticos precisos, los métodos de control tradicionales como el proporcional integral (PI) y el proporcional integral derivativo (PID) no pueden satisfacer las demandas de tiempo real y robustez cuando se aplican en algunos sistemas no lineales. El controlador de red neuronal es un buen reemplazo para superar estas deficiencias. Sin embargo, el rendimiento del controlador de red neuronal está directamente determinado por el modelo de red neuronal. En este artículo, se construye un nuevo modelo de red neuronal con una topología de estructura entre los modos de conexión regulares y aleatorios basados en una red compleja, que simula la red neuronal cerebral tanto como sea posible, para diseñar un mejor controlador de red neuronal. Luego, se diseña un nuevo controlador bajo el modelo de red neuronal de mundo pequeño y se investiga tanto en el control de sistemas lineales como no lineales. Los resultados de la simulación muestran que el nuevo controlador basado en el modelo de red de mundo pequeño puede mejorar la precisión del control en un 30% en el caso de un sistema con perturb

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Modelos matemáticos; Métodos de control tradicionales; Controlador de red neuronal; Modelo de red neuronal; Modelo de red de mundo pequeño; Precisión de control
• Keywords:Mathematical models; Traditional control methods; Neural network controller; Neural network model; Small-world network model; Control precision