VI11 CONCLUSIONThis paper presents

VI11 CONCLUSION
This paper presents a variable structure vector control
scheme whereby the control structure can vary from either a
purely fuzzy control to a purely neural-network control
depending on the nature of the input commands. Thus it
combines the benefits of the neural network - ability‘to
learn and predict the next command, and the benefits of the
fuzzy control - the ability to act more quickly to
unpredictable disturbances. The simpler competitive
learning technique is used for the neural network in order to
simplify the network structure and to reduce the leaming
time. The experimental results shows that this type of
control can produce good command tracking capability.
However the fuzzy control structure and the neural network
structure used are not optimized. Performance of the drive
can be improved if the optimized parameters these structures
can be determined.

ผลลัพธ์ (ไทย) 2:

VI11 สรุป
บทความนี้นำเสนอโครงสร้างตัวแปรเวกเตอร์ควบคุม
โครงการโดยโครงสร้างการควบคุมจะแตกต่างจากทั้ง
การควบคุมเลือนอย่างหมดจดเพื่อการควบคุมอย่างหมดจดประสาทเครือข่าย
ขึ้นอยู่กับลักษณะของคำสั่งที่ป้อนข้อมูล ดังนั้นจึง
รวมผลประโยชน์ของเครือข่ายประสาท - ability'to
เรียนรู้และคาดการณ์คำสั่งต่อไปและประโยชน์ของ
การควบคุมเลือน - ความสามารถในการทำหน้าที่ได้อย่างรวดเร็วเพื่อ
รบกวนการคาดเดาไม่ได้ การแข่งขันที่เรียบง่าย
เทคนิคการเรียนรู้ที่จะใช้สำหรับเครือข่ายประสาทเพื่อ
ลดความซับซ้อนของโครงสร้างเครือข่ายและลด Leaming
เวลา ผลการทดลองแสดงให้เห็นว่าชนิดนี้
สามารถผลิตการควบคุมความสามารถในการติดตามคำสั่งที่ดี.
อย่างไรก็ตามโครงสร้างการควบคุมเลือนและเครือข่ายประสาท
โครงสร้างที่ใช้จะไม่เหมาะ ประสิทธิภาพการทำงานของไดรฟ์ที่
สามารถปรับปรุงได้ถ้าพารามิเตอร์การเพิ่มประสิทธิภาพโครงสร้างเหล่านี้
สามารถตรวจสอบได้

ผลลัพธ์ (ไทย) 3:

vi11 สรุป
บทความนี้นำเสนอตัวแปรโครงสร้างควบคุมแบบเวกเตอร์
โดยที่โครงสร้างการควบคุมที่สามารถแตกต่างจากทั้ง
ควบคุมฟัซซี่จะหมดจดหมดจดประสาทควบคุมเครือข่าย
ขึ้นอยู่กับลักษณะของการป้อนคำสั่ง ดังนั้นมันจึง
รวมประโยชน์ของเครือข่ายประสาท ability'to
เรียนรู้และคาดการณ์คำสั่งต่อไป และประโยชน์ของ
ควบคุม - มีความสามารถที่จะทำอย่างรวดเร็ว

ไม่กวนแบบฟัซซี่ ง่ายกว่า แข่งขัน
เทคนิคการเรียนรู้จะใช้สำหรับเครือข่ายประสาทเพื่อลดความซับซ้อนของโครงสร้างเครือข่ายและ

ลดการเรียนตลอดเวลา ผลการทดลองแสดงให้เห็นว่าของ
การควบคุมชนิดนี้สามารถผลิตความรู้ตามความสามารถ แต่โครงสร้างและควบคุมฟัซซี่

โครงข่ายประสาทเทียมโครงสร้างที่ใช้จะไม่เหมาะ . ประสิทธิภาพของไดรฟ์
สามารถปรับปรุง ถ้าปรับพารามิเตอร์โครงสร้าง
เหล่านี้สามารถได้รับการพิจารณา