MARC

 008260126s2024        us                              c    eng  d
■001000017360411
■00520260202105521
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263339708
■035    ▼a(MiAaPQ)AAI32309544
■035    ▼a(MiAaPQ)GeorgiaTech76997
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a330
■1001  ▼aSomers,  Luke.
■24510▼aFeedback  Interconnection  of  Dissipative  Systems  and  Accelerated  Learning  for  Adaptive  Control
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a216  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Haddad,  Wassim  M.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aIn  this  dissertation,  we  develop  partial  stability  theorems  for  nonlinear  continuous-time  and  discrete-time  dissipative  feedback  systems.  Specifically,  by  invoking  additional  structural  constraints  on  the  forward  loop  and  feedback  loop  system  storage  functions,  we  develop  feedback  interconnection  partial  stability  results  for  dissipative  nonlinear  dynamical  systems.  Our  results  provide  extensions  of  the  positivity  and  small  gain  theorems  for  guaranteeing  partial  stability  of  feedback  interconnected  systems.In  addition,  we  introduce  the  notion  of  strongly  dissipative  dynamical  systems.  In  particular,  we  construct  a  stronger  version  of  the  dissipation  inequality  that  implies  system  dissipativity  and  generalizes  the  notion  of  strict  dissipativity  but  unlike  strict  dissipativity,  which  for  a  closed  dynamical  system  implies  asymptotic  stability,  the  closed  dynamical  system  possesses  the  property  that  system  trajectories  converge  to  a  Lyapunov  stable  equilibrium  state  in  finite  time.  The  results  are  then  used  to  derive  Kalman-Yakubovich-Popov  conditions  for  characterizing  necessary  and  sufficient  conditions  for  strong  dissipativity  in  terms  of  the  system  functions  of  the  dynamical  system  using  continuously  differentiable  storage  functions  and  quadratic  supply  rates.  Furthermore,  using  strong  dissipativity  concepts  we  present  several  stability  results  for  nonlinear  feedback  systems  that  guarantee  finite  time  stability.  For  specific  supply  rates,  these  results  provide  generalizations  of  the  feedback  passivity  and  nonexpansivity  theorems  that  additionally  guarantee  finite  time  stability.Next,  we  develop  momentum-based  adaptive  update  laws  for  parameter  identification  and  control  to  improve  parameter  estimation  error  convergence  and  control  system  performance  for  uncertain  dynamical  systems.  Specifically,  we  introduce  two  novel  continuoustime,  momentum-based  adaptive  estimation  and  control  algorithms  and  evaluate  their  effectiveness  via  several  numerical  examples.  Our  proposed  adaptive  architectures  show  faster  parameter  convergence  rates  as  compared  to  the  classical  gradient  descent  and  model  reference  adaptive  control  methods.Building  on  our  momentum-based  adaptive  theme,  next  we  develop  an  online  learning  algorithm  for  solving  the  Bellman  equation  for  affine  in  the  control  discrete-time  nonlinear  uncertain  dynamical  systems.  To  ensure  accelerated  learning  of  our  algorithm  in  generating  optimal  control  policies,  we  use  an  actor-critic  structure  predicated  on  higher-order  tuner  laws.  More  specifically,  we  construct  a  Nesterov-like  architecture  involving  momentum-based  learning  laws  leading  to  an  accelerated  convergence  of  the  optimal  control  policy.  The  proposed  online  learning-based  optimal  control  framework  guarantees  uniform  ultimate  boundedness  of  the  closed-loop  system  under  the  assumption  that  the  system  is  persistently  excited.Finally,  using  our  strong  dissipativity  framework  we  develop  adaptive  controllers  using  non-Lipschitzian  update  laws  that  guarantee  finite  time  stabilization  of  uncertain  dynamical  systems.  Specifically,  we  construct  a  rescaled-integral  gradient  algorithm  and  a  momentum-based  rescaled  integral  gradient  algorithm  and  use  a  composite  architecture  to  develop  novel  adaptive  controllers  with  finite  time  stability  guarantees.
■590    ▼aSchool  code:  0078.
■650  4▼aAircraft
■650  4▼aControl  algorithms
■650  4▼aDynamic  programming
■650  4▼aParameter  identification
■650  4▼aClosed  loop  systems
■650  4▼aControllers
■650  4▼aRobots
■650  4▼aEigenvalues
■650  4▼aEnergy
■650  4▼aSystems  stability
■650  4▼aDynamical  systems
■650  4▼aVisualization
■650  4▼aDistance  learning
■650  4▼aParameter  estimation
■650  4▼aComputer  science
■650  4▼aEducational  technology
■650  4▼aMathematics
■650  4▼aRobotics
■690    ▼a0791
■690    ▼a0800
■690    ▼a0984
■690    ▼a0710
■690    ▼a0405
■690    ▼a0771
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360411▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books