แนวคิดหลัก
入力凸LSTMを提案し、現在の入力凸ニューラルネットワークの抱える勾配爆発問題を緩和し、ニューラルネットワークベースのモデル予測制御の収束時間を短縮する。
บทคัดย่อ
本研究では、入力凸LSTMと呼ばれる新しいニューラルネットワークアーキテクチャを提案した。これは、現在の入力凸ニューラルネットワークが抱える勾配爆発問題を緩和し、ニューラルネットワークベースのモデル予測制御の収束時間を短縮することを目的としている。
具体的には以下の通り:
入力凸LSTMは、LSTMの原理を活用しつつ、出力が入力に関して凸となるよう設計されている。これにより、勾配爆発問題を軽減できる。
入力凸LSTMをリアプノフ制約付きモデル予測制御に組み込むことで、収束性と計算効率の両立を実現している。
連続撹拌槽反応器のシミュレーション事例において、提案手法は従来手法と比べて収束時間を大幅に短縮できることを示した。平均で46.7%、31.3%、20.2%の短縮が達成された。
以上より、入力凸LSTMは、ニューラルネットワークベースのモデル予測制御の実用化に向けて有望な手法であると言える。
สถิติ
提案手法のRNNベースMPCに対する収束時間の短縮率は46.7%
提案手法のLSTMベースMPCに対する収束時間の短縮率は31.3%
提案手法のICRNNベースMPCに対する収束時間の短縮率は20.2%
คำพูด
"現在のICNN構造は勾配爆発問題に悩まされており、複雑なタスクに対するディープニューラルネットワークとしての能力が制限されている。"
"ニューラルネットワークベースのMPCにおいて、収束時間は製品品質、安全性、効率、資源利用の最適化に重要な役割を果たす。"