Core Concepts
본 논문은 심층 잔차 신경망(ResNet) 기반 적응 제어기의 가중치 적응 법칙을 리아푸노프 이론을 활용하여 도출하였다. 제안된 적응 제어기는 기존 완전 연결 심층 신경망 기반 적응 제어기 대비 추적 오차 및 함수 근사 성능이 약 64% 향상되었다.
Abstract
본 논문은 심층 잔차 신경망(ResNet) 기반 적응 제어기를 제안한다. ResNet은 완전 연결 심층 신경망(DNN) 구조에 단락 연결을 추가한 아키텍처로, 기울기 소실 문제를 해결할 수 있다.
서론:
DNN 기반 제어기는 비선형 동적 시스템의 구조화되지 않은 불확실성을 보상하는 도구로 활용된다.
기존 DNN 기반 적응 제어기는 오프라인 학습을 통해 정적 피드포워드 항을 구성하지만, 실시간 가중치 적응이 어렵다는 한계가 있다.
리아푸노프 기반 접근법을 통해 DNN 각 층의 가중치 적응 법칙을 도출할 수 있지만, ResNet 구조에 대해서는 아직 연구가 부족하다.
ResNet 구조 및 제어기 설계:
ResNet은 완전 연결 DNN 구조에 단락 연결을 추가한 아키텍처로 모델링된다.
제안된 ResNet 기반 적응 제어기의 가중치 적응 법칙은 리아푸노프 이론을 활용하여 도출된다.
안정성 분석:
비평활 리아푸노프 이론을 활용하여 추적 오차의 점근적 수렴을 보장한다.
시뮬레이션 결과:
몬테카를로 시뮬레이션을 통해 제안된 ResNet 기반 적응 제어기의 성능을 평가하였다.
기존 완전 연결 DNN 기반 적응 제어기 대비 추적 오차 및 함수 근사 성능이 약 64% 향상되었다.
Stats
추적 오차 RMS 크기: 0.329
함수 근사 오차 RMS 크기: 3.395
제어 입력 RMS 크기: 24.332