كنترل مدل-پيش‌بين دقيق سيستم‌هاي چند-متغيره نامعين سوييچ شده بر پايه شبكه‌هاي عصبي فازي- موجك

در اين تحقيق، روشي جديد جهت كنترل مدل-پيش‌بين (Model Predictive Control و به‌اصطلاح MPC) سيستم‌هاي سوييچ شده چند-متغيره تحت سيگنال‌هاي سوييچ نامشخص مطرح مي‌گردد. در اين روش، از الگوريتم تخمين دقيق ارائه‌شده بر پايه شبكه‌هاي عصبي فازي-موجك (Fuzzy-Wavelet Neural Networks  و به ‌اصطلاح FWNN) استفاده شده كه اين الگوريتم در اين تحقيق براي سيستم‌هاي چند-متغيره ارائه مي‌شود. با توجه به تخمين ديناميك فعال سيستم سوييچ شده، در ادامه توابع لغزش پيش‌بيني‌شده محاسبه شده و با توجه به توابع كانديداي لياپانوف تعريف شده به ازاي درجات آزادي مختلف، قيود پايدارسازي كنترل مدل-پيش‌بين مشخص مي‌گردد. روش‌هاي موجود در كنترل سيستم‌هاي با سيگنال سوييچ نامشخص بر پايه طراحي برحسب بدترين حالت سوييچ بوده كه موجب محافظه‌كاري الگوريتم كنترل مي‌شوند. با توجه به طراحي الگوريتم كنترلي بر اساس حالت سوييچ فعال در اين تحقيق، مشكل محافظه‌كاري كنترل برطرف شده و در نتيجه سيگنال‌هاي كنترلي كوچك‌تر شده و دقت تعقيب ورودي‌هاي مرجع افزايش مي‌يابد.