Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | 林昇甫 | zh_TW |
dc.date.accessioned | 2016-12-20T03:57:09Z | - |
dc.date.available | 2016-12-20T03:57:09Z | - |
dc.date.issued | 1993 | en_US |
dc.identifier.govdoc | NSC82-0404-E009-101 | zh_TW |
dc.identifier.uri | https://www.grb.gov.tw/search/planDetail?id=62431&docId=9181 | en_US |
dc.identifier.uri | http://hdl.handle.net/11536/132209 | - |
dc.description.abstract | 類神經網路已經廣泛地被當作控制器來控制非 線性系統.這種控制方法可藉由離線(Off-line)或線 上(On-line)之學習法則來達成(參考(1),(7),(8)).本計 畫將針對線上學習法則所設計出來的控制法則作 研究.在這些控制問題中,類神經網路控制器之輸 出信號必須有一最小之範圍限制,因為若控制器 的輸出大小被限制在一個更窄的範圍,則不能達 成控制或追蹤的目的.在實際應用上,因為系統有 一最大輸入範圍,所以類神經網路控制器之輸出 信號應該受限於系統之最大輸入範圍.當使用順 向式類神經網路(Feedforward Neural Network)當控制器 時,選擇S函數(Sigmoid Function)或線性函數為控制器 最後一層輸出之作用函數(Activation Function)時,均 不恰當(參考(12)).本計畫的研究方向即為探討此 類的問題,研究主題共有三項,分述如下:�我們改良順向式類神經網路的最後一層作用函 數,並應用Demetri(1)等人所提出之線上學習演算法 來找類神經網路控制器之正確輸出範圍,如此追 蹤之誤差會小於我們事先所設定的大小.更進一 步,我們也討論改良順向式類神經網路的最後一 層作用函數對控制器之學習所能帶來的好處.�因為使用(1)的線上學習演算法時,適用的系統 其型態是有所限制的.所以我們提出一個改良的 線上學習演算法,使得能達到如�所述之目標.如 此一來,能被控制的系統其型態比�所能適用的 系統型態更一般化. | zh_TW |
dc.description.abstract | en_US | |
dc.description.sponsorship | 行政院國家科學委員會 | zh_TW |
dc.language.iso | zh_TW | en_US |
dc.subject | 類神經網路 | zh_TW |
dc.subject | 作用函數 | zh_TW |
dc.subject | 順向式類神經網路 | zh_TW |
dc.subject | Neural network | en_US |
dc.subject | Activation function | en_US |
dc.subject | Feedforward neural network | en_US |
dc.title | 以線上學習演算法學習順向式類神經網路控制器的輸出範圍並用於控制問題 | zh_TW |
dc.title | Using On-Line Learning Algorithm to Learn the Output Bound of the Feedforward Neural Network Controller and Its Application | en_US |
dc.type | Plan | en_US |
dc.contributor.department | 交通大學控制工程研究所 | zh_TW |
Appears in Collections: | Research Plans |