@MASTERSTHESIS{ 2008:305536815,
 	title = {Métodos Neuronais para a Solução da Equação
 Algébrica de Riccati e o LQR},
 	year = {2008},
 	url = "http://tedebc.ufma.br:8080/jspui/handle/tede/401",
 	abstract = "Apresenta-se nesta dissertação os resultados a respeito de dois métodos neuronais
 para a resolução da equação algébrica de Riccati(EAR), que tem varias aplicações,
 sendo principalmente usada pelos Regulador Linear Quadrático(LQR), controle
 H2 e controle H1. É apresentado a EAR real e simétrica e dois métodos baseados
 em uma rede neuronal direta (RND) que tem a função de erro associada a EAR
 e uma rede neuronal recorrente (RNR) que converte um problema de otimização
 restrita ao modelo de espaço de estados em outro de otimização convexa em
 função da EAR e do fator de Cholesky de modo a usufruir das propriedades de
 convexidade e condições de otimalidade.
 Uma proposta para a escolha dos parâmetros da RNR usada para solucionar
 a EAR por meio da geração de superfícies com a variação paramétrica da RNR,
 podendo assim melhor sintonizar a rede neuronal para um melhor desempenho.
 Experimentos computacionais relacionados a perturbações nos sistemas foram
 realizados para analisar o comportamento das metodologias apresentadas, tendo
 como base o princípio dos métodos homotópicos, com uma boa condição inicial,
 a partir de uma ponto de operação estável e comparamos os resultados com o
 método de Schur. Foram usadas as plantas de dois sistemas: uma representando
 a dinâmica de uma aeronave e outra de um motor de indução eólico duplamente
 alimentado(DFIG), ambos sistemas de 6a ordem. Os resultados mostram que
 a RNR é uma boa alternativa se comparado com a RND e com o método de
 Schur.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {Engenharia}
}