This paper proposes a scheme whereb

This paper proposes a scheme whereby the entire
conventional mathematical model that relies on the
machine parameters is replaced by a universal function
approximator, either a neural network model or a fuzzy
logic model. The control models proposed do not use any
machine parameters. The control operates entirely in the
two-phase domain. Actual current control is done by
transforming the control output, the flux and the torque
current back to the actual three phase currents.
I1 THE NEURAL NETWORK CONTROL MODEL
The neural network control model basically takes the
speed feedback compare to the command speed to
compute the cost function-the speed error. This speed
error is then used to adjust the neural network weights in
order to achieve the optimum performance. Conventional
neural network model normally uses a multilayer neural
network trained by the backpropagation algorithm
[4][5][6]. However, such models are often complicated
and slow in convergence. This paper proposed a very
simple neural network structure with a competitive
training algorithm. The network structure consists of only
an input layer and an output layer as shown in fig I .

ผลลัพธ์ (ไทย) 2:

กระดาษนี้นำเสนอโครงการโดยทั้ง
แบบจำลองทางคณิตศาสตร์แบบเดิมที่อาศัย
พารามิเตอร์เครื่องจะถูกแทนที่ด้วยฟังก์ชั่นสากล
approximator ทั้งรูปแบบเครือข่ายประสาทหรือเลือน
แบบตรรกะ รูปแบบการควบคุมที่นำเสนอไม่ได้ใช้
พารามิเตอร์เครื่อง การควบคุมการดำเนินงานทั้งหมดใน
โดเมนสองเฟส การควบคุมในปัจจุบันที่เกิดขึ้นจริงจะกระทำโดยการ
เปลี่ยนเอาท์พุทควบคุมฟลักซ์และแรงบิด
ในปัจจุบันกลับไปยังที่เกิดขึ้นจริงสามกระแสเฟส.
I1 โครงข่ายประสาทควบคุมรุ่น
การควบคุมเครือข่ายประสาทแบบโดยทั่วไปจะใช้เวลา
การตอบรับความเร็วในการเปรียบเทียบกับความเร็วคำสั่งเพื่อ
คำนวณค่าใช้จ่าย ฟังก์ชั่นข้อผิดพลาดความเร็ว ความเร็วนี้
ข้อผิดพลาดที่ใช้แล้วเพื่อปรับน้ำหนักโครงข่ายประสาทเทียมใน
การสั่งซื้อเพื่อให้บรรลุประสิทธิภาพสูงสุด ธรรมดา
รูปแบบเครือข่ายประสาทปกติใช้ประสาทหลาย
เครือข่ายที่ได้รับการฝึกฝนโดยขั้นตอนวิธีการแพร่กระจายย้อนกลับ
[4] [5] [6] อย่างไรก็ตามรูปแบบดังกล่าวมักจะมีความซับซ้อน
และช้าในการบรรจบกัน บทความนี้นำเสนอมาก
โครงสร้างเครือข่ายประสาทที่เรียบง่ายกับการแข่งขัน
ขั้นตอนวิธีการฝึกอบรม โครงสร้างเครือข่ายประกอบด้วยเพียง
ชั้นอินพุทและเอาท์พุทชั้นดังแสดงในรูปที่ผม

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอโครงการโดยทั้งหมด
ตามปกติ แบบจำลองทางคณิตศาสตร์ที่อาศัย
เครื่องพารามิเตอร์ถูกแทนที่ด้วย approximator ฟังก์ชัน
สากล ทั้งโครงข่ายประสาทเทียมแบบจำลองหรือโมเดล
แบบฟัซซี่ ควบคุมรูปแบบการนำเสนอไม่ใช้
เครื่องพารามิเตอร์ ควบคุมงานทั้งหมดใน
2 โดเมน การควบคุมกระแสที่เกิดขึ้นจริงโดย
เปลี่ยนการแสดงผลการควบคุมฟลักซ์และแรงบิด
ปัจจุบันกลับไปจริงสามเฟสกระแส .
i1 รูปแบบการควบคุมระบบประสาท
แบบควบคุมเครือข่ายประสาทโดยทั่วไปใช้เวลา
ข้อมูลความเร็วเทียบกับความเร็วคำสั่ง
คำนวณค่าใช้จ่ายในการทำงานความเร็วผิดพลาด นี้ความเร็ว
ข้อผิดพลาดแล้วใช้ปรับน้ำหนักใน
เครือข่ายประสาทเพื่อให้บรรลุประสิทธิภาพสูงสุดโครงข่ายประสาทเทียมแบบธรรมดา

ปกติใช้หลายชั้นเครือข่ายประสาทขั้นตอนวิธีแบบฝึกโดย
[ 4 ] [ 5 ] [ 6 ] อย่างไรก็ตาม รูปแบบดังกล่าวมักจะซับซ้อน
และช้าในการบรรจบกัน . บทความนี้เสนอมาก
ง่ายเครือข่ายประสาทกับขั้นตอนวิธีโครงสร้างการฝึกอบรมการแข่งขัน

โครงสร้างเครือข่ายประกอบด้วยเพียง
ชั้น Input และ output layer ดังแสดงในรูปที่ผม .