• 전자공학회논문지SC
• /
• 제39권5호
• /
• pp.1-7
• /
• 2002

본 논문에서는 주어진 작업을 반복적으로 수행하는 시스템을 효과적으로 제어하기 위하여 확장된 형태의 직접학습제어방법을 제안한다. 직접학습제어는 기존의 반복학습제어에서, 원하는 출력에서의 작은 변화에 대해서도 학습과정을 처음부터 다시 수행해야 한다는 단점을 극복하기 위해 제안되었다. 이미 학습되어 있는 출력궤적과 특별한 비례(proportional)관계를 갖는 새로운 원하는 출력궤적이 주어졌을 때 직접학습제어를 이용하면 다시 반복학습과정을 수행할 필요없이 원하는 제어입력을 직접 구할 수 있다. 우선, 대부분의 기존의 직접학습제어방법은 단일 입출력 비선형 시스템의 상대차수가 1인 경우에만 적용 가능함을 보이고, 시스템의 상대차수에 대한 정보를 이용하여 상대차수가 1이상인 비선형 시스템에 적용할 수 있는 확장된 형태의 직접학습제어를 제안한다. 또한, 상대차수가 2이상인 임의의 비선형 시스템에 대하여 컴퓨터 모의실험을 수행하고 제안된 직접학습제어방법의 타당성 및 성능을 확인한다.

• 한국통신학회논문지
• /
• 제13권4호
• /
• pp.352-359
• /
• 1988

학습제어 시스템은 제어대상 시스템의 파라미터를 모르는 경우에 파라미터 적응의 개념을 도입해서, 일종의 hybrid형 적응제어 시스템으로 간주하여 설계될 수 있다. 이러한 파라미터 적응형 학습제어 시스템은 이미 보고되었으나 연속시간 시스템에만 적용될 수 있었다. 본 논문에서는 메모리소자를 반드시 포함하여야 하는 학습시스템에 대하여, 위의 제어알고리즘을 이산화 함으로써 디지탈기술의 발전에 비추어 실제의 적용을 용이하도록 하였으며, 그 타당성을 시뮬레이션으 통하여 확인하였다.

• 한국지능시스템학회논문지
• /
• 제12권5호
• /
• pp.393-396
• /
• 2002

본 논문은 초기 조건 문제의 관점에서 반복 학습 제어기가 proper 해야 할 필요성에 대하여 연구한다. 반복 학습 제어기가 proper하지 않으면, 모든 반복에 있어서 시스템의 초기 상태와 요구되는 시스템의 상태가 완전히 일치하지 않는다면 학습입력의 크기가 무한대로 증가하는 경우가 생겨 실제 구현이 불가능해진다. 따라서 이론적으로 학습 제어의 수렴이 보장되더라도 proper하지 않은 학습 제어기는 실제 시스템에는 적용할 수 없음을 보인다. 또한 반복 학습 제어 시스템의 초기 조건의 불일치가 시스템의 수렴 특성에 미치는 영향에 대하여 분석한다.

• 한국컴퓨터그래픽스학회논문지
• /
• 제27권1호
• /
• pp.9-17
• /
• 2021

본 논문에서는 확률적 모델예측제어(model predictive control) 기법을 이용하여 예제 동작 데이터가 주어지면 물리 기반 시뮬레이션 환경에서 그 동작을 모방할 수 있는 캐릭터 동작 제어기를 빠르게 학습할 수 있는 간편한 지도 학습(supervised learning) 프레임워크를 제안한다. 제안된 프레임워크는 크게 학습 데이터 생성과 오프라인 학습의 두 컴포넌트로 구성된다. 첫번째 컴포넌트는 예제 동작 데이터가 주어지면 확률적 모델예측제어를 통해 그 동작 데이터를 추적하기 위한 최적 제어기를 캐릭터의 현재 상태로부터 시작하여 가까운 미래 상태까지의 시간 윈도우에 대해 주기적으로 업데이트하면서 그 최적 제어기를 통해 캐릭터의 동작을 확률적으로 제어한다. 이러한 주기적인 최적 제어기의 업데이트와 확률적 제어는 주어진 예제 동작 데이터를 모방하는 동안 캐릭터가 가질 수 있는 다양한 상태들을 효과적으로 탐색하게 하여 지도 학습에 유용한 학습 데이터를 수집할 수 있게 해준다. 이렇게 학습 데이터가 수집되면, 오프라인 학습 컴포넌트에서는 그 수집된 데이터를 정규화 시켜서 데이터에 내제된 크기와 단위의 차이를 조정하고 지도 학습을 통해 제어기를 위한 간단한 구조의 인공 신경망을 학습시킨다. 걷기 동작과 달리기 동작에 대한 실험은 본 논문에서 제안한 학습 프레임워크가 물리 기반 캐릭터 동작 제어기를 빠르고 효과적으로 생성할 수 있음을 보여준다.

• 전자공학회논문지SC
• /
• 제41권3호
• /
• pp.17-24
• /
• 2004

동일한 작업을 반복하여 수행하는 불확실한 로봇 시스템을 위한 P형 반복 학습 제어기를 제안한다. 제안된 반복 학습 제어기는 조인트 위치 오차로 구성되는 선형 피드백 제어기와 현재의 조인트 속도 오차로 갱신되는 피드포워드 및 피드백 학습 제어기로 구성된다. 반복 작업 동작이 계속 진행됨에 따라 조인트 위치와 속도 오차는 균일하게 0으로 수렴한다. 반복 횟수에 따라 변화하는 학습 이득을 채택함으로서 반복 횟수 영역에서 임의적으로 수렴 비율을 조절할 수 있는 조인트 위치, 속도 오차한계를 제시하고, 조인트 위치와 속도 오차는 그 한계 내에서 반복 횟수 영역에서 0으로 수렴한다. 기존의 P형 반복 학습 제어기와는 달리 제안된 반복 학습 제어 알고리즘은 학습 이득을 적절하게 설계함으로써 반복 횟수 영역에서 오차 수렴 비율의 분석과 조정을 가능하게 하는 장점이 있다.

• 한국통신학회논문지
• /
• 제19권6호
• /
• pp.1182-1189
• /
• 1994

본 논문에서는 성능 평가에 의한 자기 학습 구조를 가진 퍼지 제어기를 연구하였다. 퍼지 제어기는 퍼지 논리에 기초를 두고 있고, 퍼지 논리는 실세계의 근사적이고 불확실한 현상을 기술하는데 효과적이다. 이러한 퍼지 논리의 추론으로 제어를 수행하지만 퍼지 제어기의 중요한 부분인 맴버쉽 함수와 제어 규칙을 설정하는 것은 쉬운일이 아니다. 이런 문제점을 보완하기 위해 제어 목표값에 도달한 때까지 스스로 제어규칙을 개선하는 자기 학습 제어기를 설계하였다. 본 논문에서 퍼지 제어기의 학습은 평가 기준표(Performance Index)을 이용하여 이루어진다. 퍼지 제어기의 구현은 386PC을 기본으로 하며, D/A변환기, PWM(Pulse Width Modulation) 모터 드라이브 회로 등이 포함된 인터페이스 카드를 제작하여 제어 대상체의 데이터를 처리하였다. 공과 막대기 시스템(Ball and Beam system)을 제어 플렌트로 구현하여 얻은 실험 데이터와 이에 대한 컴퓨터 시뮬레이션을 통하여 얻은 데이터를 서로 비교하여서 자기 학습 구조를 갖는 퍼지 제어기의 유용성을 평가하였다. 실험의 결과는 학습 구조가 없는 퍼지 제어기보다 학습 구조를 가진 제어기가 정상상태 도달시간(Settling Time)에서 약 10%정도 빠르게 개선되었다.

• 한국전산구조공학회:학술대회논문집
• /
• 한국전산구조공학회 2011년도 정기 학술대회
• /
• pp.53-56
• /
• 2011

본 논문에서는 지진시 구조물의 진동을 줄이기 위한 방법으로 모드에너지 기반 신경망 제어 방법을 제안하였다. 모드에너지 기반 신경망 제어 방법은 신경망의 학습 과정에서 구조물의 모드 에너지를 이용하여 목적함수를 구성하며, 이 목적함수를 최소로 하는 학습을 진행한다. 제안된 제어 알고리즘의 적용성을 검증하기 위해서 능동질량감쇠기(AMD, Active Mass Damper)가 설치된 3층 구조물을 예제 모델로 선택하였으며, El Centrol지진을 이용하여 모드에너지기반 신경망제어 알고리즘을 학습시켰다. 모드에너지 기반 신경망 제어 알고리즘의 제어 성능은 학습 후 임의의 지진에 대한 하중으로 California지진을 사용하여 검증하였다. 해석 결과에서 California지진에 대한 제어 전 후의 결과와 기존의 방법인 MLP(Muli-layer Perceptron)의 결과와 비교하였다. 또한 제안된 제어 방법을 적용할 때, 지진시 구조물의 비선형 거동은 제어후 거의 보이지 않는 것을 확인 할 수 있었다.

• Journal of Biosystems Engineering
• /
• 제15권3호
• /
• pp.186-198
• /
• 1990

인간 소뇌의 구조와 기능을 간략하게 수학적으로 모델링하여 입력에 따른 시스템의 적정 출력을 학습에 의한 적응 제어 방식으로 추출해 내는 소뇌모델 대수제어기(CMAC : Cerebellar Model Arithmetic Controller)가 제안되었다. 본 논문에서는 연구개발된 기존 신경회로망과의 비교 분석에 의거하여, 소뇌모델 대수제어기 대신 네트의 특성에 따라 소뇌모델 선형조합 신경망(CMLAN : Cerebellum Model Linear Associator Network)이라 하였다. 소뇌모델 선형조합 신경망은 시스템의 제어 함수치를 결정하는 데 있어, 기존의 제어방식이 시스템의 모델링을 기초로 하여 알고리즘에 의한 수치해석적 또는 분석적 기법으로 모델 해를 산출하는 것과 달리, 학습을 통하여 저장되는 분산기억 소자들의 함수치를 선형적으로 조합함으로써 시스템의 입출력을 결정한다. 분산기억 소자로의 함수치 산정 및 저장은 소뇌모델 선형조합 신경망이 갖는 고유의 구조적 상태공간 매핑(State Space Mapping)과 델타규칙(Delta Rule)에 의거한 시스템의 입출력 상태함수의 학습으로써 수행된다. 본 논문을 통하여 소뇌모델 선형조합신경망의 구조적 특성, 학습 성질과 상태공간 설정 및 시스템의 수렴성을 규명하였다. 또한 기존의 최대 편차수정 학습 알고리즘이 갖는 비능률성 및 적용 제한성을 극복한 효율적 학습 알고리즘들을 제시하였다. 언급한 신경망의 특성 및 제안된 학습 알고리즘들의 능률성을 다양한 학습이득(Learning Gain)하에서 비선형 함수를 컴퓨터로 모의 시험하여 예시하였다.

• 컴퓨터교육학회논문지
• /
• 제11권4호
• /
• pp.71-83
• /
• 2008

정보기술의 발달로 컴퓨터과학에서 다루어지는 주제에 대한 다양한 교수-학습 자료들이 개발되어 왔다. 자료구조, 운영체제, 네트워크, 컴퓨터구조 등에 관련된 교수 학습 자료들은 많이 연구되고 있으나, 데이터베이스 분야는 다른 분야에 비해 미비하다. 데이터베이스 관련 주요 주제들에는 데이터 모델, DB 설계, 정규화, SQL, 질의 처리 기법, 병행제어 기법, 회복 기법 등이 있는데 이들 중 병행제어 기법과 회복 기법은 DBMS의 다른 기능들과 복합적으로 연관되어 있어 학습자들이 학습하는데 어려워하는 주제이다. 학습자들이 이러한 주제들을 보다 쉽게 학습할 수 있도록 하기 위해서는 이들 기법과 관련된 DBMS의 기능들과의 상호작용을 시각화하여 제공할 수 있는 교수-학습 자료가 보다 효과적이다. 본 연구에서는 2PLP 기반 병행제어 과정을 효과적으로 학습할 수 있도록 지원하는 시각화 시뮬레이터를 개발하였다. 제안하는 시뮬레이터는 학습자가 직접 트랜잭션을 작성할 수 있게 하고, 작성된 트랜잭션들을 2PLP에 따라 실행되는 과정을 학습자들에게 시각적으로 보여줌으로써 학습자의 참여를 유도하고, 흥미를 유발하여 2PLP 기반 병행제어에 대한 학습을 효과적으로 수행할 수 있도록 하였다.

• 한국산학기술학회논문지
• /
• 제1권2호
• /
• pp.49-55
• /
• 2000

본 논문에서는 피드백 사용형 2차 반복 학습제어 방법이 수렴 성능의 향상과 외란에 대한 강인성 향상에 덧붙여 학습제어의 피드백 항을 이용함으로써 초기 조건 오차가 있음에도 불구하고 이를 극복할 뿐만 아니라 기존의 알고리즘보다 더 빠른 수렴 능력이 있음을 확인한다. 또한 불안정한 결과를 낳는 높은 학습 제어 게인의 경우에도 피드백 항을 추가한 본 학습제어 방법에 의해 안정화됨으로써, 빠른 응답 특성과 강인성 향상을 가져올 수 있음을 보인다. 그리고 본 알고리즘을 선형화시킨 로보트 매니 퓰레이터의 선형 시변 시스템 모델에 대해 적용한 시뮬레이션 결과를 통해 초기 조건 오차의 극복 능력이 뛰어남을 확인하고 시스템의 안정화와 강인성 향상에 기여함을 확인한다.