search query: @author Laakso, Janne / total: 2
reference: 1 / 2
« previous | next »
Author:Laakso, Janne
Title:Neuraaliverkkojen käyttö optimisäädössä
The Use of Neural Networks In Optimal Control
Publication type:Master's thesis
Publication year:1997
Pages:51      Language:   fin
Department/School:Teknillisen fysiikan ja matematiikan osasto
Main subject:Säätötekniikka   (Aut-74)
Supervisor:Koivo, Heikki
Instructor:Koivo, Heikki
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark TF80     | Archive
Keywords:optimal control
neural networks
optimisäätö
neuraaliverkot
Abstract (fin):Vain hyvin harvoin optimisäätöongelma voidaan ratkaista analyyttisesti, lähinnä lineaarisen systeemidynamiikan ja neliöllisen kustannusfunktion tapauksessa.
Käytännön ongelmissa systeemiyhtälö on kuitenkin usein epälineaarinen, jolloin analyyttistä ratkaisua ei ole, vaan ongelma on ratkaistava numeerisesti esimerkiksi dynaamisella optimoinnilla.
Tällöin saadaan ensimmäisen kertaluvun välttämättömät stationääriehdot, jotka optimaalinen tila ja ohjaus toteuttavat.
Ehdot johtavat kahden pisteen reuna-arvotehtävään, joka pitää ratkaista jokaiselle alkutilalle erikseen.

Tässä työssä tarkastellaan diskreettiaikaisen Bolza-ongelman muotoon formuloitua optimisäätötehtävää, jossa ohjaus lasketaan neuraaliverkon avulla.
Jokaisen ajanhetken ohjaussignaali saadaan samasta myötäkytketystä monikerroksisesta neuraaliverkosta, jonka sisääntulo on kyseisen hetken systeemin tila.
Koska neuraaliverkot pystyvät approksimoimaan mielivaltaisen tarkasti jatkuvia funktioita, voidaan niitä käyttää myös säätiminä.
Hyvin opetettu neuraaliverkko kykenee antamaan opetusalueensa ulkopuolisiinkin alkutiloihin liittyvät optimiohjaukset tai riittävän hyvät ohjaukset huomattavasti perinteisiä numeerisia menetelmiä nopeammin ja pienemmällä laskennalla.

Aikaisemmat optimisäätötehtävien neuraaliverkkosäätimien opetusalgoritmit kaikki perustuvat stokastiseen gradienttimenetelmään, jossa painoja päivitetään satunnaiseen alkutilaan liittyvällä hetkellisellä gradientilla.
Tässä työssä esitellään uusi opetusalgoritmi TOBPTTMA (time-optimal-backpropagation-through time with momentum and adaptive learning rate) neuraaliverkkosäätimen painojen päivitykseen.
Algoritmiin on otettu mukaan momenttisuodatin sekä adaptiivinen opetuskertoimen muutos opetuksen edistyessä.
Lisäksi painoja päivitetään gradientilla, joka liittyy riittävän suureen osaan alkuperäisen optimisäätötehtävän kustannusfunktiossa mukana olevista alkutiloista.
Tuloksena on yleistys aikaisemmista algoritmeista, joka takaa stabiilimman konvergoitumisen ja suuremman kyvyn välttää kustannusfunktion lokaalit minimit.
ED:1997-04-23
INSSI record number: 12066
+ add basket
« previous | next »
INSSI