در این مقاله، همگرائی مقاوم کنترل یادگیر تکرار شونده (ILC) در ربات توانبخشی خطی دارای عدم قطعیت پارامتری، بدست آمده است. امروزه ربات‌های توانبخشی وظیفه مهمی را در کمک به فیزیوتراپ‌ها در ترمیم آسیب‌های حرکتی بر عهده دارند. از آن جهت که عدم قطعیت در ربات‌های توانبخشی در عمل با تکرار تغییر می‌کنند، حذف اثر عدم قطعیت پارامتری متغیر با تکرار امری بسیار ضروری است. همچنین عدم قطعیت پارامتری در ماتریس‌های ورودی و خروجی مدل یک ربات توانبخشی، تاثیر مستقیمی بر همگرائی الگوریتم ILC داشته و یک تاثیر کوچک در هر یک از این ماتریس‌ها، ممکن است به واگرائی الگوریتم منجر شود. در این مقاله، ابتدا قانون الگوریتم ILC بدون حضور عدم قطعیت بدست آمده و سپس همگرائی مقاوم این الگوریتم با یک بهره یادگیری ثابت در حضور عدم قطعیت پارامتری، اثبات شده است. در پایان صحت‌سنجی نتایج بدست آمده روی یک مدل ربات توانبخشی مورد تحلیل و ارزیابی قرار گرفته است. پرونده مقاله

Closed-loop identification of multi-rate system with unknown parameters, that including prevalent non-uniform sampling data, is considered. The purpose is to identify a multi-rate closed loop model to approximate the parameters varying system. As far as the research has been done, the identification of multi-rate closed loop model with unknown parameters by using the expectation-maximization algorithm has not been done. To address this challenge, the two-stage method and expectation-maximization algorithm are applied in this paper to identify unknown parameters of system. In this case, by introducing the hidden variable, an EM is utilized to estimate the unknown model parameters. And also, it will be demonstrated that, to estimate of system parameters, Instead of the point estimate of the time variable, the full probability distribution of the time variable estimate is required. The performance of this procedure represents by simulation, and obtain consequences affirm that method has high precision and also has a high convergence speed. These simulations express that the performance of this algorithm is good, as the identified parameters accede the true parameters after several iterations. The Monte Carlo simulation with different noise realizations at SNR=26dB and SNR=46 dB are performed for showing the effectiveness of mentioned algorithm. پرونده مقاله

In this paper, a Fractional Adaptive Fuzzy Controller is designed for controlling blood glucose levels in Type-I diabetic patients. Type 1 diabetes is a chronic disease. In people with type 1 diabetes, the pancreatic cells that make insulin are destroyed, and the body is unable to make insulin. Unlike previous works, the system dynamics is considered as undetermined and in the presence of noise. System dynamics is estimated using the type-2 fuzzy system to eliminate the estimation error through compensation. The adaptive rules for control signal parameters and fuzzy system parameters are determined using Lyapunov stability analysis. A modified Bergman model for a diabetic patient with different conditions is used for evaluating the performance of the proposed controller. Also in addition to the uncertainty of glucose-insulin dynamic, the effect of patient activity and disturbance in terms of lifestyle and type of food consumed is considered, The simulation results show that the proposed controller has very well performance. پرونده مقاله