| Budget Amount *help |
¥1,600,000 (Direct Cost: ¥1,600,000)
Fiscal Year 1996: ¥1,600,000 (Direct Cost: ¥1,600,000)
|
|---|
| Research Abstract |
複雑システムのモデル化について
1.1階の差分方程式では,表現困難な,より広範囲のシステムをモデル化し制御可能な一般化学習ネットワークを開発し、動的システムのモデル化において,ニューラルネットワーク(NN)方式より表現能力において優れていることを確認した。
2.一般化学習ネットワークを用いたシステムのモデル化において,対象システムの特性に適合した最適遅れ時間の自動決定法・モデル化誤差及びコンパクト性の両方を同時に考慮したシステム同定法を開発し,NN方式よりモデル化誤差,汎化能力等において提案法が優れていることを確認した。
3.モデル化及び制御系設計時のパラメータの最適化学習法として,連続システムを対象とした微分情報を用いたランダム探索最適化法(Likelihood Search Method : LSM)・可変探索長ランダム探索最適化法(Random Search with Variable Search Length : RasVal),離散システムを対象とした可変近傍ランダム探索最適化法(Random Search with Variable Neighborhood : RasVan)を提案し,それぞれの分野での他手法より学習速度等で優れていることを明らかにした。
複雑システムのインテリジェント制御については
制御系をNN等の学習により構成する場合,学習後,システムの一部が大幅に変化した場合これまでのNNによる制御系では制御性能が著しく劣化したりシステムが不安定になる等の不具合が生じてもこれらに十分対応できていなかった.本研究では,これらの不具合解決のための以下の提案を行い,これをシミュレーションにより確認した。
1.下記制御方式の設計を可能にするシステム設計ツール(:高次微分計算機能)の提案
2.システムの初期値が大幅に変化した場合の制御方式の提案
3.システムパラメータが大幅に変化した場合の制御方式の提案
4.システムの目標軌道を大幅に変化させた場合の制御方式の提案
5.システムへノイズ等の大きな外乱が生じた場合の制御方式の提案
|
