Temporal-Difference Q-learning in Active Fault Diagnosis

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F16%3A43929230" target="_blank" >RIV/49777513:23520/16:43929230 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/SYSTOL.2016.7739765" target="_blank" >http://dx.doi.org/10.1109/SYSTOL.2016.7739765</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/SYSTOL.2016.7739765" target="_blank" >10.1109/SYSTOL.2016.7739765</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Temporal-Difference Q-learning in Active Fault Diagnosis

Popis výsledku v původním jazyce

The paper deals with a novel design of an approximate active fault detector for discrete-time stochastic linear Markovian switching systems on the infinite-time horizon. The problem is formulated as an optimization problem with the aim to minimize a general discounted detection cost criterion. The proposed solution is inspired by approximate dynamic programming and reinforcement learning. The active fault detector is trained by a temporal-difference Q-learning algorithm with a linear parametric Q-function approximation adjusted to fit the true Q-function. The main advantage is that this approach is computationally less expensive than a temporal-difference learning with a value function.

Název v anglickém jazyce

Temporal-Difference Q-learning in Active Fault Diagnosis

Popis výsledku anglicky

The paper deals with a novel design of an approximate active fault detector for discrete-time stochastic linear Markovian switching systems on the infinite-time horizon. The problem is formulated as an optimization problem with the aim to minimize a general discounted detection cost criterion. The proposed solution is inspired by approximate dynamic programming and reinforcement learning. The active fault detector is trained by a temporal-difference Q-learning algorithm with a linear parametric Q-function approximation adjusted to fit the true Q-function. The main advantage is that this approach is computationally less expensive than a temporal-difference learning with a value function.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/LO1506" target="_blank" >LO1506: Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnost</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2016

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the 2016 3rd Conference on Control and Fault-Tolerant Systems (SysTol)

ISBN

978-1-5090-0658-8

ISSN

2162-1195

e-ISSN

—

Počet stran výsledku

6

Strana od-do

287-292

Název nakladatele

IEEE

Místo vydání

New York

Místo konání akce

Barcelona, Spain

Datum konání akce

7. 9. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000391868600045