prikaz prve stranice dokumenta Ponavljajuće neuronske mreže i Gaussovi procesi za modeliranje nelinearne dinamike za modelsko prediktivno upravljanje
Rad nije dostupan
diplomski rad
Ponavljajuće neuronske mreže i Gaussovi procesi za modeliranje nelinearne dinamike za modelsko prediktivno upravljanje
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. urn:nbn:hr:168:634326
Marić, Ante
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Marić, A. (2023). Ponavljajuće neuronske mreže i Gaussovi procesi za modeliranje nelinearne dinamike za modelsko prediktivno upravljanje (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:634326

Marić, Ante. "Ponavljajuće neuronske mreže i Gaussovi procesi za modeliranje nelinearne dinamike za modelsko prediktivno upravljanje." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:634326

Marić, Ante. "Ponavljajuće neuronske mreže i Gaussovi procesi za modeliranje nelinearne dinamike za modelsko prediktivno upravljanje." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:634326

Marić, A. (2023). 'Ponavljajuće neuronske mreže i Gaussovi procesi za modeliranje nelinearne dinamike za modelsko prediktivno upravljanje', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 24.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:634326

Marić A. Ponavljajuće neuronske mreže i Gaussovi procesi za modeliranje nelinearne dinamike za modelsko prediktivno upravljanje [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2023 [pristupljeno 24.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:634326

A. Marić, "Ponavljajuće neuronske mreže i Gaussovi procesi za modeliranje nelinearne dinamike za modelsko prediktivno upravljanje", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:634326

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:634326
Podaci o radu
NaslovPonavljajuće neuronske mreže i Gaussovi procesi za modeliranje nelinearne dinamike za modelsko prediktivno upravljanje
Naslov (engleski)Recurrent neural networks and Gaussian processes for modeling of nonlinear dynamics for model predictive control
AutorAnte Marić
MentorIvan Petrović (mentor)
Član povjerenstvaIvan Petrović (član povjerenstva)
Član povjerenstvaIvan Marković (član povjerenstva)
Član povjerenstvaLuka Petrović (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2023-02-07, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Elektrotehnika
Sažetak
Modelsko prediktivno upravljanje (MPC) moćna je metoda optimalnog upravljanja koja se oslanja na model upravljanoga sustava. Za nelinearne dinamičke sustave, konvencionalne tehnike modeliranja mogu postati neprimjenjive zbog složenog ponašanja i visokodimenzionalnog prostora stanja. Recentna istraživanja zbog toga su usmjerena na uključivanje modela strojnog učenja i dubokog učenja u MPC. Ovaj rad implementira metodu modeliranja dinamičkih sustava pomoću Gaussovih procesa i uspoređuje ju s Ponavljajućim neuronskim mrežama. Modeli su implementirani s regulatorom baziranim na modelskom prediktivnom integralu puta. Upravljačke sposobnosti uspoređene su s drugim regulatorima na simuliranom i fizičkom probnom sustavu. Dodatno, demonstrirana je mogućnost upravljanja fizičkim sustavom u stvarnom vremenu koristeći implementirani GP model treniran na maloj količini simuliranih podataka.
Sažetak (engleski)
Model predictive control (MPC) is a powerful optimal control method that relies on the model of the system that is being controlled. For nonlinear dynamical systems, conventional modeling techniques can become infeasible due to complex behavior and high-dimensional state-space. Because of this, recent research has been focused on incorporating machine learning and deep learning models with MPC. This work implements a Gaussian process (GP) modeling method and compares it to Recurrent neural networks (RNNs). Both models are implemented with a Model predictive path integral (MPPI) controller and tested against other controllers on a simulated and physical example system. Furthermore, it is shown that the implemented GP method is viable for real-time MPPI control of a physical system when trained on small amounts of simulated data.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:168:634326
Studijski programNaziv: Elektrotehnika i informacijska tehnologija
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije (mag. ing. el. techn. inf.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-07-13 10:18:36