کنترل مد لغزشی مبتنی بر داده مبتنی بر شبکه عصبی بازگشتیتصویر برای عفونت :HIV یک رویکرد مقدار تکین
محورهای موضوعی : مهندسی برق و کامپیوتراشکان ضرغامی 1 , مهدی سیاهی 2 , فریدون نوشیروان راحت آباد 3
1 - دانشكده مهندسي برق، دانشگاه آزاد اسلامی واحد تهران مرکز
2 - دانشکده مهندسي برق و کامپیوتر، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
3 - دانشکده مهندسی پزشکی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
کلید واژه:
چکیده مقاله :
در این مقاله، جبران‌سازی عفونت HIV با استفاده از کنترل مد لغزشی مبتنی بر داده در تلفیق با شبکه عصبی بازگشتی تصویر مورد توجه قرار گرفته است. اهداف اصلی تعیین قوانین کنترلی به‌گونه‌ای است که نیازی به معادلات ریاضی عفونت HIV نباشد و محدودیت فیزیکی محرک نیز برآورده شود. این کار با توسعه مبانی کنترل تطبیقی مستقل از مدل صورت می‌گیرد که در آن از خطی‌سازی دینامیکی محلی مبتنی بر تخمین مشتق شبه‌جزئی برای توصیف رابطه بین ورودی و خروجی استفاده می‌شود. برای تعیین قانون کنترل، نخست یک شاخص عملکرد مبتنی بر تحقق شرط دسترسی نمایی زمان گسسته تعریف می‌شود. با تبدیل این شاخص به یک مسئله برنامه‌ریزی مرتبه دوی مقید، دینامیک شبکه عصبی بازگشتی تصویر بر اساس نظریه تصویر استخراج می‌شود. به کمک معادله خروجی بهینه‌سازی، دینامیک حلقه بسته به‌صورت صریح تعیین می‌گردد و تحلیل پایداری حلقه بسته به کمک رویکرد مقدار تکین مورد بررسی قرار می‌گیرد. نتایج شبیه‌سازی الگوریتم پیشنهادی در قیاس با یکی از جدیدترین رویکردهای کنترلی، نشان‌دهنده کیفیت بالای الگوریتم در هدایت دینامیک عفونت HIV به نقطه تعادل سالم در حضور عدم قطعیت مدل و اغتشاشات خارجی است.
In the present study, drug treatment of HIV infection is investigated using a Data-Driven Sliding Mode Control (DDSMC) combined with a Projection Recurrent Neural Network (PRNN). The major objective is to establish the control law that eliminates the need for HIV infection mathematical formulae and ensures that the physical limits of the actuator are reached. This is accomplished by creating the concepts of model-free adaptive control, in which the relation between input and output is described using local dynamic linearized models based on quasi-partial derivatives. To determine the DDSMC law, a performance index is first defined based on the fulfillment of a discrete-time exponential reaching condition. By turning this index into a quadratic programming problem, the dynamics of the PRNN are extracted based on projection theory. The closed-loop system is explicitly determined using the optimizer output equation and the closed-loop stability analysis is evaluated using the singular value approach. The simulation results reveal that the proposed algorithm has robust performance in conducting the state variables of HIV infection to the healthy equilibrium point in the face of model uncertainty and external disturbances when compared to one of the newest control techniques.
