深層強化学習を用いたスパース観測に基づく温度制御負荷の直接負荷制御【JST・京大機械翻訳】

Ruelens Frederik; Claessens Bert J.; Vrancx Peter; Spiessens Fred; Deconinck Geert

プレプリント

J-GLOBAL ID：202202211116404384 整理番号：22P0041518

深層強化学習を用いたスパース観測に基づく温度制御負荷の直接負荷制御【JST・京大機械翻訳】

Direct Load Control of Thermostatically Controlled Loads Based on Sparse Observations Using Deep Reinforcement Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2017年07月26日プレプリントサーバーでの情報更新日： 2017年07月26日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

本論文では,その環境のスパース観測に基づく決定の近最適シーケンスを見つける必要がある需要応答エージェントを考察した。これらの観測から関連する特徴集合を抽出することは挑戦的な課題であり,実質的なドメイン知識を必要とする。この問題に取り組む一つの方法は,状態ベクトルにおける過去の観測と行動のシーケンスを保存し,高次元で,深い学習から技術を適用することである。本論文では,疎な観測によって妨げられる住宅暖房システムと電気温水器のための近最適政策を見つけるための関連する特徴を抽出するために,畳み込みニューラルネットワークと再帰ニューラルネットワークのような異なる深層学習技術の能力を研究した。著者らのシミュレーション結果は,この特定のシナリオにおいて,リカレントニューラルネットワークの特定のタイプであるLSTMネットワークへの時系列の供給シーケンスが,畳み込みニューラルネットワークまたは深層ニューラルネットワークの入力において,これらの時系列を積層するより高い性能を達成することを示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

人工知能 , ニューロコンピュータ

, , ,

前のページに戻る