سایت اصلی دانشگاه
نقشه سایت
عضویت / ورود اعضاء
پست الکترونیک
۱۴۰۴ سه شنبه ۲۳ مهر
EN
دوباره تلاش كنيد
!!!b1!!!
!!!b1!!!
درباره دانشكده
تاريخچه دانشكده
روسای پیشین
اعضاي دانشكده
رياست دانشكده
معاونت ها
معاون آموزشي
معاون پژوهشي
معاون دانشجويي
پرسنل دانشكده
مسئول بین المللی سازی دانشکده
تحصیلات تکمیلی و امور پژوهشی
امور پژوهشی
امور تحصيلات تكميلي
امور پژوهشي و ارتقا هيات علمي
كميته ارتقا و تبديل وضعيت
راهنماي نحوه تكميل شناسنامه علمي متقاضيان ارتقاء
دستورالعمل اجرايي آيين نامه ارتقا (دستورالعمل داخلي دانشگاه اصفهان)
نحوه بارگزاری مقالات در سامانه گلستان
امتیاز مجلات مهندسی(1402)
گروه هاي آموزشي
مهندسی برق
مهندسی پزشکی
مهندسی شیمی
مهندسی مکانیک
مهندسی صنایع و آینده پژوهی
مهندسی هوافضا
جلسه دفاع از پایان نامه کارشناسی ارشدآقای محمد باقری
جلسه با موضوع طراحی یک کنترل کننده تناسبی-انتگرالی-مشتقی مبتنی بر یادگیری تقویتی برای یک نمونه ربات پوشیدنی، در تاریخ یک شنبه 20 مهر1404،برگزار می گردد.
جلسه دفاع از پایان نامه کارشناسی ارشدآقای
محمد باقری حاجی ابادی
با موضوع
طراحی یک کنترل کننده تناسبی-انتگرالی-مشتقی مبتنی بر یادگیری تقویتی برای یک نمونه ربات پوشیدنی
، از گروه مهندسی برق در تاریخ یک شنبه 20 مهر1404، ساعت 8 دراتاق شورای ساختمان صناعت برگزار می گردد.
استادان راهنما: دکتر
نگین سیاف ، دکتر مهدی ادریسی
چکیده:
در این پژوهش، یک روش نوین برای طراحی کنترلکننده تناسبی-انتگرالی-مشتقی هوشمند برای یک نمونه ربات پوشیدنی در وظیف? نشستن و برخاستن ارائه شده است. هدف اصلی، خودکارسازی و بهینهسازی ضرایب کنترلکننده بهصورت آنلاین با بهرهگیری از یادگیری تقویتی عمیق و نیز مقایس? آن با نمونههایی مبتنی بر شبکههای عصبی اسپایکی است. در شبیهسازی این پژوهش چهار الگوریتم یادگیری تقویتی عمیق (DDPG، TD3، PPO و SAC) بهعنوان عاملهای تنظیمکننده ضرایب کنترلکننده آموزش داده شدند و دو مدل شبکه عصبی اسپایکی (Rate-based و LIF) نیز برای تولید پارامترهای کنترلکننده مورد بررسی قرار گرفتند. برای یافتن تنظیمات بهینه? هایپرپارامترها از روش تاگوچی استفاده شد و معیارهای کمی شامل خطای ردیابی، مصرف انرژی و سیگنالهای کنترلی مورد تحلیل قرار گرفتند. نتایج شبیهسازی نشان میدهد کنترلکنندههای هوشمند مبتنی بر یادگیری تقویتی عمیق و شبکههای عصبی اسپایکی در مقایسه با PID کلاسیک با ضرایب ثابت، دقت ردیابی بالاتر و مصرف انرژی کمتر ارائه میدهند؛ بهویژه الگوریتمهایی مانند TD3 و SAC توازن بهتری بین دقت و پایداری یادگیری برقرار ساختهاند. همچنین مدلهای LIF- با واقعگرایی زیستشناختی مناسب، عملکرد رقابتیای نسبت به شبکههای نرخمحور نشان دادند. در پایان، مزایا، محدودیتها و پیشنهاداتی برای کارهای آینده از جمله آزمونهای تجربی روی نمونههای واقعی و تعمیم به حرکات پیچیدهتر مطرح شدهاند.
تاریخ:
1404/07/20
تعداد بازدید:
56
منبع:
کلیه حقوق این پایگاه متعلق به
مرکز فناوری اطلاعات و ارتباطات دانشگاه اصفهان
می باشد.
کتابخانه مرکزی
سامانه پرداخت الکترونیک
اتوماسیون اداری
سامانه آموزشی و پژوهشی
پست الکترونیکی
راهنمای تلفن
یادگیری الکترونیکی
Powered by
Dorsa
Portal