haku: @supervisor Koivo, Heikki / yhteensä: 118
viite: 117 / 118
Tekijä: | Laakso, Janne |
Työn nimi: | Neuraaliverkkojen käyttö optimisäädössä |
The Use of Neural Networks In Optimal Control | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 1997 |
Sivut: | 51 Kieli: fin |
Koulu/Laitos/Osasto: | Teknillisen fysiikan ja matematiikan osasto |
Oppiaine: | Säätötekniikka (Aut-74) |
Valvoja: | Koivo, Heikki |
Ohjaaja: | Koivo, Heikki |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark TF80 | Arkisto |
Avainsanat: | optimal control neural networks optimisäätö neuraaliverkot |
Tiivistelmä (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 tietueen numero: 12066
+ lisää koriin
INSSI