文献

J-GLOBAL ID：201702276149347845   整理番号：17A1264798

プロセス制御のためのディープ強化学習アプローチ【Powered by NICT】

Deep reinforcement learning approaches for process control

著者 (3件)： Spielberg S.P.K. (Department of Chemical and Biological Engineering, University of British Columbia) ,  Gopaluni R.B. (Department of Chemical and Biological Engineering, University of British Columbia) ,  Loewen P.D. (Department of Mathematics, University of British Columbia)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： AdCONIP  ページ： 201-206  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本研究では,プロセス制御問題への深層学習と強化学習の現在の成功を拡張した。報酬仮説関数を適切に定式化したならば,それらは工業プロセス制御に用いることができることを示した。コントローラ装置は典型的な強化学習装置に従い,剤(コントローラ)は制御動作を通して環境(プロセス)と相互作用し,離散時間ステップにおける報酬を受ける。ディープニューラルネットワークを関数近似器として機能し,制御政策を学習するために用いた。いったん訓練されれば,学習済みニューラルネットがシステム出力を位置制御動作にする政策を獲得する。政策を明確に特定する必要はないが,深いニューラルネットワークは,従来のコントローラとは異なる政策を学習することができた。単一入力単一出力(SISO),多入力多出力システム(MIMO)上で提案アプローチを評価し,種々のシナリオの下でそれを試験した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： MIMOシステム ,  相互作用 ,  *学習 ,  定式化 ,  *プロセス制御 ,  ニューラルネットワーク ,  制御装置 ,  *強化学習 ,  制御動作 ,  関数近似
準シソーラス用語： MIMO ,  SISO ,  ディープニューラルネットワーク ,  時間ステップ ,  深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (2件)： プロセス制御 ,  強化学習