ترکیب یادگیری تقویتی و روش خودسازمانده پویا برای کنترل بازوی ربات
محل انتشار: همایش ملی پژوهش های کاربردی در علوم و مهندسی
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 964
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TIAU01_241
تاریخ نمایه سازی: 14 شهریور 1393
چکیده مقاله:
یکی از مسائل مهمی که در مورد یادگیری تقویتی مطرح می شود، بسط و توسعه روش به مسائل واقعی با فضای وضعیت پیوسته است. مدل پیشنهادی در این مقاله، فضای وضعیت و عمل روش یادگیری تقویت ی را با استفاده ازنقشه های خودسازمانده پویا ارائه می کند. نشان داده شده است که نقشه های خودسازمانده پویا عملکرد بهتر ی نسبت به نقشه های خودسازمانده استاندارد در حفظ توپولوژی، حذف نورون های مرده، حل مشکلات پیچ خوردگ یو حالت های بی نظمی، توزیع عادلانه نورون ها و کاهش خطا دارند. نقشه ها ی خودسازمانده پویا، تعمیم فضا ی مسئله را با اضافه و حذف کردن نورون توسط دو نقشه خودسازمانده پویا انجام می دهند. اولین نقشه برا ی ارائه فضای ورودی (وضعیت) و دومین نقشه برای ارائه فضای خروجی (عمل) می باشد. ارتباط این دو نقشه از طریقجدول کیو می باشد. ترکیب یادگیری تقویتی با نقشه خودسازمانده پویا، به دلیل ثابت نبودن تعداد نورون ها ی نقشه به سادگی امکان پذیر نیست و ترکیب این نوع نقشه با الگوریتم هایی که جدول کیو آن در طول زمان ثابتاست، میسر نمی باشد. در این مقاله الگوریتم یادگیری تقویتی جدیدی مبتنی بر نقشه خودسازمانده پویا ارائه شده است که جدول کیو آن در طول زمان بزرگ و کوچک می شود. نشان داده شده است این الگوریتم برای حل مسئله کنترل بازوی ربات از روش نقشه خودسازمان ده استاندارد موفق تر بوده است.
کلیدواژه ها:
نویسندگان
عادله عرب زاده جعفری
برق کنترل، کارشناسی ارشددانشکده مهندسی برق، دانشگاه صنعتی امیرکبیر
علی دوست محمدی
برق کنترل، استادیاردانشکده مهندسی برق، دانشگاه صنعتی امیرکبیر
محمدباقر منهاج
برق کنترل، استاددانشکده مهندسی برق، دانشگاه صنعتی امیرکبیر
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :