Centrala begrepp
데이터 기반 제어 문제에서 정보가 풍부한 데이터셋을 효과적으로 확보하는 것이 중요하다. 본 연구에서는 알려지지 않은 선형 시스템에 대해 개방형 및 폐루프 단계에서 능동 학습 전략을 제안하여 허용 가능한 시스템 집합의 크기를 최소화한다.
Sammanfattning
이 논문은 데이터 기반 제어 문제에서 정보가 풍부한 데이터셋을 효과적으로 확보하는 방법을 다룹니다.
개방형 단계에서는 허용 가능한 시스템 집합의 크기를 나타내는 성능 척도를 도입하고, 이를 최소화하는 능동 학습 전략을 제안합니다. 이 전략은 이전 데이터와 입력 시퀀스만을 사용하여 구현됩니다.
폐루프 단계에서는 정보가 풍부한 폐루프 데이터를 선별적으로 학습하는 능동 학습 전략을 설계합니다. 이 전략의 효율성은 선별되지 않은 데이터가 학습 성능에 도움이 되지 않음을 보여 증명합니다. 또한 제안된 데이터 획득 접근법에 따라 적응형 예측 제어기를 설계하고, 그 안정성과 실행 가능성을 분석합니다.
마지막으로 수치 예제와 비교를 통해 제안된 데이터 획득 전략의 효과를 입증합니다.
Statistik
허용 가능한 시스템 집합의 크기를 나타내는 성능 척도는 과거 데이터와 입력 시퀀스만을 사용하여 계산할 수 있다.
개방형 능동 학습 전략은 이 성능 척도를 최소화하도록 입력을 설계한다.
폐루프 능동 학습 전략은 정보가 풍부한 폐루프 데이터를 선별적으로 학습한다.
제안된 데이터 획득 접근법에 따라 설계된 적응형 예측 제어기는 안정성과 실행 가능성을 보장한다.
Citat
"데이터 기반 제어에서 중요한 문제는 정보가 풍부한 데이터셋을 어떻게 확보할 것인가이다."
"능동 학습은 데이터를 생성하고 선별할 수 있기 때문에 이 문제에 대한 유망한 해결책을 제공한다."
"폐루프 능동 학습 전략은 정보가 풍부한 폐루프 데이터를 선별적으로 학습함으로써 학습 성능을 향상시킬 수 있다."