Dateneffiziente selbstlernende neuronale Regler

Please use this identifier to cite or link to this item:
https://osnadocs.ub.uni-osnabrueck.de/handle/urn:nbn:de:gbv:700-2009120719
Open Access logo originally created by the Public Library of Science (PLoS)
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorProf. Dr. Martin Riedmiller
dc.creatorHafner, Roland
dc.date.accessioned2010-01-30T14:54:45Z
dc.date.available2010-01-30T14:54:45Z
dc.date.issued2009-12-04T13:38:50Z
dc.date.submitted2009-12-04T13:38:50Z
dc.identifier.urihttps://repositorium.ub.uni-osnabrueck.de/handle/urn:nbn:de:gbv:700-2009120719-
dc.description.abstractDie vorliegende Arbeit untersucht den Entwurf und die Anwendung selbstlernender Regler als intelligente Reglerkomponente im Wirkungsablauf eines Regelkreises für regelungstechnische Anwendungen. Der aufwändige Prozess der Analyse des dynamischen Systems und der Reglersynthese, welche die klassischen Entwurfsmuster der Regelungstechnik benötigen, wird dabei ersetzt durch eine lernende Reglerkomponente. Diese kann mit sehr wenig Wissen über den zu regelnden Prozess eingesetzt werden und lernt direkt durch Interaktion eine präzise Regelung auf extern vorgegebene Führungsgrößen. Der Lernvorgang basiert dabei auf einem Optimierungsprozess mit einem leistungsfähigen Batch-Reinforcement-Lernverfahren, dem ´Neural Fitted Q-Iteration´. Dieses Verfahren wird auf seine Verwendung als selbstlernender Regler untersucht. Für die in den Untersuchungen festgestellten Unzulänglichkeiten des Verfahrens bezüglich der geforderten präzisen, zeitoptimalen Regelung werden verbesserte Vorgehensweisen entwickelt, die ebenfalls auf ihre Leistungsfähigkeit untersucht werden.Für typische regelungstechnische Problemstellungen sind die diskreten Aktionen des NFQ-Verfahrens nicht ausreichend, um eine präzise Regelung auf beliebige Führungsgrößen zu erzeugen.Durch die Entwicklung einer Erweiterung des NFQ für kontinuierliche Aktionen wird die Genauigkeit und Leistungsfähigkeit der selbstlernenden Regler drastisch erhöht, ohne die benötigte Interaktionszeit am Prozess zu erhöhen.An ausgewählten Problemen der Regelung linearer und nichtlinearer Prozesse wird die Leistungsfähigkeit der entwickelten Verfahren empirisch evaluiert. Es zeigt sich dabei, dass die hier entwickelten selbstlernenden Regler mit wenigen Minuten Interaktionszeit an einem Prozess eine präzise Regelungsstrategie für beliebige externe Führungsgrößen lernen, ohne dass Expertenwissen über den Prozess vorliegt.ger
dc.language.isoger
dc.subjectReinforcement Lernen
dc.subjectRegelungstechnik
dc.subjectmaschinelles Lernen
dc.subjectkontinuierliche Aktionen
dc.subject.ddc000 - Informatik, Wissen, Systeme
dc.titleDateneffiziente selbstlernende neuronale Reglerger
dc.typeDissertation oder Habilitation [doctoralThesis]-
thesis.locationOsnabrück-
thesis.institutionUniversität-
thesis.typeDissertation [thesis.doctoral]-
thesis.date2009-11-20T12:00:00Z-
elib.elibid974-
elib.marc.edtjost-
elib.dct.accessRightsa-
elib.dct.created2009-11-24T21:57:54Z-
elib.dct.modified2009-12-04T13:38:50Z-
dc.contributor.refereeProf. Dr. Horst-Michael Groß
dc.subject.dnb28 - Informatik, Datenverarbeitungger
dc.subject.ccsI.2.6 - Learningeng
dc.subject.ccsI.2.8 - Problem Solving, Control Methods, and Searcheng
vCard.ORGFB6ger
Appears in Collections:FB06 - E-Dissertationen

Files in This Item:
File Description SizeFormat 
E-Diss974_thesis.pdfPräsentationsformat5,02 MBAdobe PDF
E-Diss974_thesis.pdf
Thumbnail
View/Open


Items in osnaDocs repository are protected by copyright, with all rights reserved, unless otherwise indicated. rightsstatements.org