Project/Area Number |
19H02163
|
Research Category |
Grant-in-Aid for Scientific Research (B)
|
Allocation Type | Single-year Grants |
Section | 一般 |
Review Section |
Basic Section 21040:Control and system engineering-related
|
Research Institution | Hosei University |
Principal Investigator |
小西 克巳 法政大学, 情報科学部, 教授 (20339138)
|
Co-Investigator(Kenkyū-buntansha) |
澤田 賢治 電気通信大学, i-パワードエネルギー・システム研究センター, 准教授 (80550946)
|
Project Period (FY) |
2019-04-01 – 2023-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥17,420,000 (Direct Cost: ¥13,400,000、Indirect Cost: ¥4,020,000)
Fiscal Year 2022: ¥3,380,000 (Direct Cost: ¥2,600,000、Indirect Cost: ¥780,000)
Fiscal Year 2021: ¥3,770,000 (Direct Cost: ¥2,900,000、Indirect Cost: ¥870,000)
Fiscal Year 2020: ¥3,770,000 (Direct Cost: ¥2,900,000、Indirect Cost: ¥870,000)
Fiscal Year 2019: ¥6,500,000 (Direct Cost: ¥5,000,000、Indirect Cost: ¥1,500,000)
|
Keywords | 圧縮センシング / スパースモデリング / スパース最適化 / 制御系設計 |
Outline of Research at the Start |
本研究では、計測および制御対象から僅かな情報量のセンシングデータしか取得できない場合でも、十分な情報量が得られた場合と同じ精度のセンシングデータの再構成を可能とするスパースセンシング手法を制御系設計手法に展開する。「どの程度の情報量のセンシングデータが得られれば、どの程度のモデリング性能および制御性能が達成可能か?」という学術的問いに答えるための数理基盤を確立し、これに基づくスパースセンシング制御の体系化を目的とする。具体的には、数理モデルを確率密度関数として与え、これに基づく再構成されたデータの確からしさを与える手法を導出し、これらの再構成データと数理モデルに基づく制御系設計手法を確立する。
|
Outline of Annual Research Achievements |
本年度は昨年度に引き続き、「1.僅かな情報量のセンシングデータから構築された数理モデル(疎性数理モデル)と再構成データを用いてフィ ードバック制御系を構成する手法」を導出、および、「2.疎性数理モデルと再構成データを用いた予測制御手法の確立」するための基礎研究を 実施した。昨年度までに構築したデータ点ごとに区分的アフィンシステムを構築する手法の精度向上のため、オートエンコーダーに基づく深層学習を利用した手法を導出した。研究代表者が過去に提案したNull Space Alternatively Optimization 法(NSAO法)がオートエンコーダーと同様な考え方に基づく手法であることを示した。同手法は活性化関数に線形関数を用いた場合のオートエンコーダーと同じであるため、活性化関数を非線形関数に拡張した。具体的には、LeRu関数およびTanh関数を用いたオートエンコーダーを用いた手法を導出した。さらに、1層から多層に拡張し、深層学習でもちいられる計算ツールを用いて、高速、かつ、高精度に信号修復とモデル構築を実現する手法を導出した。多くの数値実験により、提案手法の有効性を確認している。
|
Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
当初の計画では深層学習を用いた手法まで拡張する予定はなかった。提案手法を深層学習を利用する手法まで構築することで、より高精度な手法が導出できた。
|
Strategy for Future Research Activity |
提案手法は観測データを近傍グループに分け、グループごとに複数のアフィンシステムを構築することで、モデルを構築している。現在は、各グループごとの計算において深層学習を利用している。今後は、グループ分けの部分を含めた統合的な深層学習アーキテクチャを導出する予定である。
|
Report
(3 results)
Research Products
(5 results)