論文の概要: Dynamic Systems Simulation and Control Using Consecutive Recurrent
Neural Networks
- arxiv url: http://arxiv.org/abs/2002.10228v2
- Date: Tue, 25 Feb 2020 01:57:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 03:55:57.437788
- Title: Dynamic Systems Simulation and Control Using Consecutive Recurrent
Neural Networks
- Title(参考訳): 連続リカレントニューラルネットワークを用いた動的システムシミュレーションと制御
- Authors: Srikanth Chandar and Harsha Sunder
- Abstract要約: 適応学習とニューラルネットワークを機械制御システムパラダイムに接続する新しいアーキテクチャを導入する。
2つの連続したリカレントニューラルネットワークを用いて、電気機械系の動的特性を正確にモデル化する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a novel architecture to connecting adaptive
learning and neural networks into an arbitrary machine's control system
paradigm. Two consecutive Recurrent Neural Networks (RNNs) are used together to
accurately model the dynamic characteristics of electromechanical systems that
include controllers, actuators and motors. The age-old method of achieving
control with the use of the- Proportional, Integral and Derivative constants is
well understood as a simplified method that does not capture the complexities
of the inherent nonlinearities of complex control systems. In the context of
controlling and simulating electromechanical systems, we propose an alternative
to PID controllers, employing a sequence of two Recurrent Neural Networks. The
first RNN emulates the behavior of the controller, and the second the
actuator/motor. The second RNN when used in isolation, potentially serves as an
advantageous alternative to extant testing methods of electromechanical
systems.
- Abstract(参考訳): 本稿では,適応学習とニューラルネットワークを任意のマシンの制御システムパラダイムに接続する新しいアーキテクチャを提案する。
2つの連続リカレントニューラルネットワーク(RNN)は、コントローラ、アクチュエータ、モーターを含む電気機械システムの動的特性を正確にモデル化するために用いられる。
複素制御系の固有非線形性の複雑さを捉えない簡易な手法として, 比例定数, 積分定数, 微分定数を用いることで制御を実現する古い方法がよく理解されている。
電気機械システムの制御とシミュレーションの文脈において,2つのリカレントニューラルネットワークを用いたPIDコントローラの代替を提案する。
第1のRNNはコントローラの動作をエミュレートし、第2のアクチュエータ/モーターをエミュレートする。
第2のRNNは単独で使用される場合、電気機械システムの既存の試験方法の代替となる可能性がある。
関連論文リスト
- Neural Control: Concurrent System Identification and Control Learning
with Neural ODE [13.727727205587804]
ニューラル・コントロール(NC)と呼ばれる未知の力学系を制御するためのニューラル・ODEに基づく手法を提案する。
本モデルは,対象状態へ誘導する最適制御と同様に,システムダイナミクスを同時に学習する。
論文 参考訳(メタデータ) (2024-01-03T17:05:17Z) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - Physics-informed Neural Networks-based Model Predictive Control for
Multi-link Manipulators [0.0]
物理インフォームド機械学習手法を用いて,多体ダイナミクスに対する非線形モデル予測制御(NMPC)について論じる。
本稿では,ネットワーク入力として制御動作と初期条件を付加することでPINNの強化を提案する。
PINNベースのMPCを用いて,複雑な機械システムにおける追跡問題の解法を提案する。
論文 参考訳(メタデータ) (2021-09-22T15:31:24Z) - Recurrent neural network-based Internal Model Control of unknown
nonlinear stable systems [0.30458514384586394]
Gated Recurrent Neural Networks (RNN)は、動的システムを学ぶための人気のあるツールとなっている。
本稿では、内部モデル制御(IMC)アーキテクチャの合成にこれらのネットワークをどのように適用できるかについて議論する。
論文 参考訳(メタデータ) (2021-08-10T11:02:25Z) - Improving Coherence and Consistency in Neural Sequence Models with
Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。
強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
論文 参考訳(メタデータ) (2021-07-06T17:59:49Z) - Discrete-time Contraction-based Control of Nonlinear Systems with
Parametric Uncertainties using Neural Networks [6.804154699470765]
本研究は,ニューラルネットワークを用いた離散時間収縮解析と制御へのアプローチを展開する。
この方法論は、ニューラルネットワークをトレーニングして、収縮メトリックとフィードバックゲインを学習する。
結果として得られる収縮ベースのコントローラは、訓練されたニューラルネットワークを組み込み、時間変動参照の効率的な追跡を達成することができる。
論文 参考訳(メタデータ) (2021-05-12T05:07:34Z) - Data-Driven Optimized Tracking Control Heuristic for MIMO Structures: A
Balance System Case Study [8.035375408614776]
PIDは2入力の2アウトプットバランスシステムで示される。
自己調整型非線形しきい値とニューラルネットワークを統合し、所望の過渡特性と定常特性を妥協する。
ニューラルネットワークは、客観的コスト関数のような重み付き導関数の最適化を訓練する。
論文 参考訳(メタデータ) (2021-04-01T02:00:20Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳(メタデータ) (2020-06-02T23:38:35Z) - Logarithmic Regret Bound in Partially Observable Linear Dynamical
Systems [91.43582419264763]
部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。
開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。
AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
論文 参考訳(メタデータ) (2020-03-25T06:00:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。