haku: @keyword optimal control / yhteensä: 9
hakutulos-lista
viite: 8 / 9
« edellinen | seuraava »
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
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen 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

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
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
« edellinen | seuraava »
INSSI