AplicaÃÃes de mÃltiplas redes neurais em sistemas mecatrÃnicos.

AUTOR(ES)
DATA DE PUBLICAÇÃO

2003

RESUMO

Esta tese trata da aplicaÃÃo de mÃltiplas redes neurais em sistemas mecatrÃnicos. à mostrado que as mÃltiplas redes neurais devem ser treinadas em seqÃÃncia, tal que aprendizado acumulativo possa ser obtido sem a necessidade de um coordenador geral. Este mÃtodo de treinamento pode manter o aprendizado jà adquirido pelas redes neurais, que foram treinadas primeiramente, enquanto novo aprendizado pode ser obtido pelas redes neurais, que foram adicionadas e treinadas posteriormente. A saÃda de todas as redes à simplesmente somada para produzir a saÃda da estrutura neural. A estrutura proposta de mÃltiplas redes neurais à aplicada em dois tipos de sistemas mecatrÃnicos: a) para controlar a posiÃÃo de um sistema com uma haste flexÃvel e b) para criar uma matriz de representaÃÃo comprimida, que à usada no planejamento de trajetÃrias de um robà mÃvel considerando o desvio de obstÃculos dinÃmicos. Para o sistema com uma haste flexÃvel, o uso de mÃltiplas redes neurais em trÃs tipos de estruturas de controle do tipo Feedback-Error-Learning à investigado: IDML (Inverse Dynamic Model Learning), NRL (Nonlinear Regulator Learning) e ReferÃncia Atrasada. Para o problema de planejamento de trajetÃrias de um robà mÃvel, primeiramente a tÃcnica Reinforcement Learning à usada para adquirir o aprendizado necessÃrio na decisÃo de como desviar de obstÃculos dinÃmicos. Este aprendizado à codificado em uma matriz. EntÃo as mÃltiplas redes neurais sÃo usadas para criar uma representaÃÃo mais comprimida desse aprendizado com uma pequena degradaÃÃo da resoluÃÃo.

ASSUNTO(S)

cinemÃtica sistemas de controle auto-adaptativo inteligÃncia redes neurais robÃs aprendizagem mecatrÃnica dinÃmica de robÃs corpos flexÃveis robÃtica

ACESSO AO ARTIGO

Documentos Relacionados