[論文レビュー] Control Neuronal por Modelo Inverso de un Servosistema Usando Algoritmos de Aprendizaje Levenberg-Marquardt y Bayesiano

Victor A. Rodriguez-Toro, Jaime E. Garzon+1 more|arXiv (Cornell University)|Nov 18, 2011

Neural Networks and Applications参考文献 9被引用数 4

ひとこと要約

本論文では、二つの学習アルゴリズム—Levenberg-MarquardtとBayesian regularization—を用いた逆モデルニューラル制御戦略を提示し、低コストの制御で高い速度追従性を示すサーボシステムの制御を実現した。Levenberg-Marquardt法はより速い収束を達成したが、Bayesian regularizationはノイズのある条件下でも一般化性能とロバストネスを向上させた。

ABSTRACT

In this paper we present the experimental results of the neural network control of a servo-system in order to control its speed. The control strategy is implemented by using an inverse-model control based on Artificial Neural Networks (ANNs). The network training was performed using two learning algorithms: Levenberg-Marquardt and Bayesian regularization. We evaluate the generalization capability for each method according to both the correct operation of the controller to follow the reference signal, and the control efforts developed by the ANN-based controller.

研究の動機と目的

• サーボシステムにおける高精度な速度制御を実現するニューラルネットワークベースの逆モデル制御戦略の開発。
• ニューラルコントローラーの学習に用いるLevenberg-Marquardt法とBayesian regularization法の性能評価。
• 参照信号追従に対する一般化能力と制御効率の評価。
• リアルタイム制御環境下における両学習アルゴリズムのロバストネスと収束速度の比較。

提案手法

• サーボシステムの逆ダイナミクスを学習するための人工ニューラルネットワーク（ANN）を訓練し、所望の速度軌道から必要な制御入力をマッピングする。
• ネットワーク重みの高速で勾配に基づく最適化のため、Levenberg-Marquardt法を適用する。
• 過学習を制御し正則化パラメータを適応的に調整することで、一般化性能を向上させるためにBayesian regularizationを用いる。
• 訓練済みのANNコントローラーをリアルタイムに実装し、参照信号に基づいてサーボシステムの速度を制御する。
• 追従誤差、制御効率、および外部乱れに対する耐性を評価する。
• 物理的サーボシステムを用いた実験的検証を行い、収束速度と追従精度の両面で結果を分析する。

実験結果

リサーチクエスチョン

• RQ1 Levenberg-Marquardt法とBayesian regularization法は、ニューラル逆コントローラーの学習収束速度においてどのように比較されるか？
• RQ2 異なる参照信号に対して、ANNベースのコントローラーの一般化性能はいかがなっているか？
• RQ3 追従制御において、二つの学習アルゴリズム間での制御効率の違いは何か？
• RQ4 ノイズや外部乱れに対して、どちらのアルゴリズムがよりロバストな性能を示すか？
• RQ5 逆モデルニューラルコントローラーは、最小限の制御効率で正確な速度追従を達成できるか？

主な発見

• Levenberg-Marquardt法は、Bayesian regularizationよりもネットワーク学習の収束が速かった。
• Bayesian regularizationは、ノイズやモデル不確実性が存在する状況でも優れた一般化性能を示した。
• 両アルゴリズムを用いたニューラルコントローラーは、安定した追従誤差を達成し、参照速度信号を正確に追従した。
• Bayesian regularizationを用いることで、制御効率が顕著に低下し、エネルギー効率の向上が確認された。
• 両アルゴリズムともリアルタイム制御において安定した性能を示したが、実験的検証ではBayesian regularizationがより優れたロバストネスを示した。
• 逆モデルニューラル制御アプローチにより、制御入力の計算とシステムダイナミクスの分離が有効に実現され、高精度な速度制御が可能になった。