Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Efficient Q-learning modification aplied on active magnetic bearing control

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26210%2F04%3APU45638" target="_blank" >RIV/00216305:26210/04:PU45638 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Efficient Q-learning modification aplied on active magnetic bearing control

  • Popis výsledku v původním jazyce

    The paper is focused on use of Q-learning for active magnetic bearing (AMB) control. Q-learning belongs to the reinforcement learning methods which are the part of real time machine learning approaches. The essence of proposed method is in separating theQ-learning into two phases ? prelearning phase, which use mathematical model of real system and tutorage phase, which works with the real system and is used for further improvement of Q-values found during the prelearning phase. Proposed learning methodd, used in prelearning phase, proved to be highly efficient. Controller based on Q-learning show better results (regarding the number of successful trials) than referential PID controller after only 1000 table passes. The control quality criterion results are comparable. The policy found by learning also shows high robustness against errors of system variables observations, even only very simple reinforcement function in shape of simple reduced penalty is used.

  • Název v anglickém jazyce

    Efficient Q-learning modification aplied on active magnetic bearing control

  • Popis výsledku anglicky

    The paper is focused on use of Q-learning for active magnetic bearing (AMB) control. Q-learning belongs to the reinforcement learning methods which are the part of real time machine learning approaches. The essence of proposed method is in separating theQ-learning into two phases ? prelearning phase, which use mathematical model of real system and tutorage phase, which works with the real system and is used for further improvement of Q-values found during the prelearning phase. Proposed learning methodd, used in prelearning phase, proved to be highly efficient. Controller based on Q-learning show better results (regarding the number of successful trials) than referential PID controller after only 1000 table passes. The control quality criterion results are comparable. The policy found by learning also shows high robustness against errors of system variables observations, even only very simple reinforcement function in shape of simple reduced penalty is used.

Klasifikace

  • Druh

    J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

  • CEP obor

    JD - Využití počítačů, robotika a její aplikace

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2004

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Inženýrská mechanika - Engineering Mechanics

  • ISSN

    1210-2717

  • e-ISSN

  • Svazek periodika

    11/2004

  • Číslo periodika v rámci svazku

    2

  • Stát vydavatele periodika

    CZ - Česká republika

  • Počet stran výsledku

    14

  • Strana od-do

    83-96

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus