• Nieliniowe sterowanie predykcyjne
    Badania obejmowały określenie warunków stabilności nieliniowego sterowania predykcyjnego zrealizowanego za pomocą modeli neuronowych. Zapewnienie stabilności zostało osiągnięte poprzez użycie ograniczeń terminalnych.
    zobacz prezentację - SysTol 2013, Nicea, Francja
    Kolejne zadanie polegało na analizie pracy sterowania predykcyjnego w obecności szumów, zakłóceń i niepewności modelu. Odporność sterowania predykcyjnego została osiągnięta stosując technikę Model Error Modelling. Wyznaczony obszar niepewności uwzględniono w sformułowaniu zadania optymalizacji.
    zobacz prezentację - MSC 2014, Antibes, Francja
  • Sterowanie tolerujące uszkodzenia
    Badania dotyczyły kompensacji uszkodzeń w układzie automtycznej regulacji z regulatorem PID. Za pomocą sieci neuronowych w przestrzeni stanów jak również neuronowego obserwatora stanu jest wyznaczany dodatkowy sygnał sterujący.
    zobacz prezentację - DPS 2011, Zamość
  • Wykrywanie napadów padaczkowych
    Badania dotyczyły wykrywania napadów padaczkowych za pomocą sztucznych sieci neuronowych. Zastosowano głębokie sieci neuronowe typu LSTM (ang. Long Short-Term Memory).
    zobacz prezentację - DPS 2020, Zielona Góra
  • Nieliniowe sterowanie iteracyjne z uczeniem
    Badania dotyczyły projektowania nieliniowych schematów sterowania iteracyjnego z uczeniem za pomocą sztucznych sieci neuronowych. Sieć o charaktyerystykach dynamicznych pełni rolę modelu sterowanego obiektu, natomiast sieć o charakterystykach statycznych używana jest jako sterownik. W ramach wykonanych badań opracowano warunki zbieżności zaproponowanego schematu sterowania.
    zobacz prezentację - ECC 2018, Limassol, Cyprus
    zobacz prezentację - ACC 2019, Philadelphia, USA
    zobacz prezentację - IJCNN 2021, Shenzen, Chiny
  • Neuronowe modelowanie nieliniowych systemów o parametrach rozłożonych
    Badania dotyczyły zastosowania zespołu dynamicznych sieci neuronowych do zbudowania modelu systemu o parametrach rozłożonych. Zastosowano podejście polegające na podziale przestrzeni na mniejsze partycje i dla każdej partycji zbudowano odrębny model neuronowy. Odtwarzanie odpowiedzi obiektu na całej przestrzeni odbywało się na zasadzie interpolacji odpowiedzi poszczególnych modeli neuronowych.
    zobacz plakat - IJCNN 2022, Padwa, Włochy
    Inne podejście polegało na zastosowaniu sieci Echo State Network w zaproponowanym mechanizmem przestrzennego podziału reserwuaru przetwarzającego.
    zobacz prezentację - IFAC Congress 2023, Yokohama, Japonia
Ostatnie publikacje
  • Fault-tolerant design of non-linear iterative learning control using neural networks. Patan K., Patan M., Engineering Applications of Artificial Intelligence, Vol. 124, artykuł 106501, dostępny online, 2023.
    link do pełnej wersji artykułu
  • Neural-network-based iterative learning control of nonlinear systems. Patan K., Patan M, ISA Transactions, Vol. 98, pp. 445-453, DOI: 10.1016/j.isatra.2019.08.044, 2020
  • Two stage neural network modelling for robust model predictive control. Patan K., ISA Transactions, Vol. 71, pp. 56-65, DOI: 10.1016/j.isatra.2017.10.011, 2018,
Najczęściej cytowane publikacje
  • Neural network based model predictive control: Fault tolerance and stability. Patan K., IEEE Transactions on Control System Technology, Vol.23, No. 3, pp 1147-1155, DOI: 10.1109/TCST.2014.2354981, 2015.
  • Soft computing approaches to fault diagnosis for dynamic systems. Calado J.M.F., Korbicz J., Patan K., Sa da Costa, J. M. G., Patton R. European Journal of Control, Vol. 7, No. 7-8, pp. 248-286, DOI: 10.3166/ejc.7.248-286, 2002
  • Identification of neural dynamic models for fault detection and isolation: the case of a real sugar evaporation process. Patan K., Parisini T., Journal of Process Control, Vol. 15, No. 1, pp. 67-79, DOI: 10.1016/j.jprocont.2004.04.001, 2005
  • Towards robustness in neural network based fault diagnosis. Patan K., Witczak M. Korbicz J., International Journal of Applied Mathematics and Computer Science, Vol. 18, No. 4, pp. 443-454, DOI: 10.2478/v10006-008-0039-2 , 2008
  • Stability analysis and the stabilization of a class of discrete-time dynamic neural networks. Patan K., IEEE Transactions on Neural Networks, Vol. 18, No. 3, pp. 660-673, DOI: 10.1109/TNN.2007.891199 , 2007
Pełna lista publikacji
© Krzysztof Patan