Discovery Sagaサイレントキーワード俯瞰

インテリジェント制御 / 一般化学習ネットワーク / 最適化 / ニューラルネットワーク / 遅れ時間 / LSM / RasVal / RasVan

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

自己形成システム / ルールセット / ニューラルネットワーク / 学習 / 最適化 / オートマトン学習ネットワーク / 一般化学習ネットワーク / ロバスト制御 / 一般化 / 離散事象

自己形成システムは,観測データに基づいて自動的に構築あるいは改変されるシステムである.まず,非数量現象を対象として,観測データの概念への一般化と,観測データに矛盾する概念の特殊化という二つの処理の流れを適宜制御することによって,ルールセット型の一般的なシステムモデルを自動的に構成し,さらにデータに含まれる変化を検出する手法を開発した.また,事例レベルから概念レベルまでを段階的に表現できるニューラルネットワーク,および人力部にゲートを持ち,より明示的に概念レベルを表現できるニューラルネットワークを構成し,その自己形成手法を開発した.さらに,データの変化への対応が容易なニューラルネットワーク構造の決定法を提案した他,ニューラルネットワークの学習のみならず,創造的な新機能の獲得に向けた新しい機能の探索も可能な最適化法を考案した.
また,自己形成システムのより一般的な表現手段として,変数が実数値をとる連続系に対して一般化学習ネットワーク,変数が離散値をとる離散(事象)系に対してオートマトン学習ネットワーク,と呼ぶ共にネットワーク型の枠組みを提案した.いずれも学習によって自己を構成・改変する能力を持っており,このための効率的な学習の方法も考案した.また,ネットワークの構成の自動決定法も開発している.
自己形成システムの目的は,状況の変化に対応して,自己を変化させることによって良好な制御を行うシステムを開発することである.そこで,一般化学習ネットワークの枠組みを用いて,クレーンの制御を例題とし,荷の重量,荷の初期位置や目標位置,システムに加わる外乱などが変化した場合においても良好な制御を行うロバスト制御系を開発した.

【研究分担者】
村田純一	九州大学	大学院・システム情報科学研究科	助教授	(Kakenデータベース)
平澤宏太郎	九州大学	大学院・システム情報科学研究科	教授	(Kakenデータベース)

【研究分担者】
大林正直	九州大学	工学部	助手	(Kakenデータベース)
平澤宏太郎	九州大学	大学院・システム情報科学研究科	教授	(Kakenデータベース)