• 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
  • Atencja w dynamicznych sieciach neuronowych
    Prace ukierunkowane na wprowadzenie mechnizmuy atencji do istniejących struktur sieci neuronowych ukierunkowanych na modelowanie systemów dynamicznych. Zaproponowano dwa różne mechanizmy atencji oraz przeprowadzono badania eksperymentalne weryfikujące zaproponowane podejście.
    zobacz prezentację - ECAI 2025, Bolonia, Włochy
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