Loading...

Design of Intelligent Controller to Improve Goal in Emotional Controller Using Fuzzy Concepts

Amiri Tehranizadeh, Mohammad Amin | 2012

1048 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 42911 (08)
  4. University: Sharif University of Technology
  5. Department: Mechanical Engineering
  6. Advisor(s): Bagheri Shouraki, Saeed; Beigy, Hamid
  7. Abstract:
  8. Developing algorithms in engineering and decision making systems based on psychological and biological mechanisms is a promising area of research. The challenging part of any psychological or biological system development is its learning necessity to adapt itself to random incidents, inherent in the environment. Goals, as defined in engineering problems, are the performance functions that continuously evaluate the responses of environment. They have a duty of directing the learning system to the desirable state. If the environment is corrupted by a variety of disturbances that cannot be predicted from the outset, adapting the parameter of learning agent is inevitable. In this work, we introduce a new mechanism for learning and improving goal in BELBIC. In order to improve a goal, we make use of a mechanism like actor-critic. Actor-critic is a temporal difference based learning method that uses an interaction mechanism to learn proper action in a state-action space. The main difference of our method, compared with other methods, is that critic in our approach is an actor, and Stress- Evaluator is a critic in actor-critic structure. State-stress value planes are modeled as RLIDS. RLIDS is a reinforcement learning approach based on a powerful concept named Active Learning Method (ALM). Ink drop spread (IDS) is employed as ALM engine in RLIDS method. IDS is a fuzzy modeling algorithm, which expresses multi-input-single-output system as a fuzzy combination of several single-input-single-output systems. In our algorithm, initial goal and its update rule is designed using IDS method. Results show that our approach truly detects stressful actions and directs the goal towards increasing the performance of the overall controller.

  9. Keywords:
  10. Learning ; Decision Making ; Emotion ; Fuzzy Modeling ; Intelligent Controller ; Emotional Controller

 Digital Object List

 Bookmark

  • فصل اول-مقدمه
    • 1-1 مقدمه
    • 1-2 هدف
      • 1-2-1 ساختار اهداف
      • 1-2-2 مفهوم هدف
    • 1-3 محاسبات نرم
    • 1-4 مفاهيم يادگيری
      • 1-4-1 مقدمه
      • 1-4-2 يادگيری تقويتی
      • 1-4-3 روش‌های يادگيری تقويتی
        • 1-4-3-1 روش يادگيری تفاضل زمانی
      • 1-4-4 روش بازيگر-منتقد
      • 1-4-5 بکار‌گيری روش‌های يادگيری در يادگيری فعال
  • فصل 2-مروری بر ادبيات موضوعی
    • 2-1 تصميم‌گيری عاطفی
      • 2-1-1 مقدمه
      • 2-1-2 عواطف
      • 2-1-3 هوش عاطفی در دهه‌های اخير
        • 2-1-3-1 مدل‌سازی از منظر روان‌شناسی عاطفه
        • 2-1-3-2 مدل‌سازی از منظر عصب‌شناسی عاطفه
          • مخچه (آميگدالا): در شکل 2-2 اجزاء اصلی تشکیل دهنده بخش یادگیـری عاطفی مغز و ارتباطات آنها آورده شده‌است. هـمانطور که مشاهده می‌شـود آمیــگدالا در یادگیری عاطــفی بعنوان بخش اصلی و مرکزی همه ارتباطات عمل می‌کند.
          • قشر پيشانی مغز: یکی از اجزای مهم سیستم لیمبیک مغز، قشر پیشانی مغز است که بصورت دوطرفه با مخچه در ارتباط است. عموماً این بخش سه عملکرد به هم وابسته را انجام می‌دهد که عبارتند از [28]:
          • تالاموس : تالاموس یک ساختار زیر‌غشایی ناهمگن است که مهمترین نقش آن ایجاد راه ارتباطی بین ساختار های زیرغشایی و غشــایی است. بسیاری از اطلاعات حسگری از سیســتم‌های حسگری جانـبی به قشـر‌های حسگری از طریق قسمت‌های مختلف تالاموس ارسال می‌شوند [31].
          • غشای حسگری: غشای حسگری بخشی است در کنار تالاموس که ورودی خود را از تالاموس دریافت می‌کند. در حقیقت اطلاعات ناحیه حسگری بطور گسترده در این ناحیه پردازش می‌شود. مخچـه و قشر پیشانی مغز ورودی‌های با پیش‌پردازش بالا را از غشای حسگری دریافت می‌کنند [25].
    • 2-2 مدل محاسباتی يادگيری عاطفی
      • 2-2-1 مقدمه
      • 2-2-2 مدل محاسباتی يادگيری عاطفی در سيستم ليمبيک
    • 2-3 کنترل کننده مبتنی بر يادگيری عاطفی و کاربرد های آن
      • 2-3-1 مقدمه
      • 2-3-2 کاربرد‌های کنترل عاطفی
        • 2-3-2-1 کنترل عاطفی سيستم پاندول معکوس
        • 2-3-2-2 کنترل عاطفی پلنت مولد بخار نيروگاه
    • 2-4 روش‌های مدل‌سازی فازی
      • 2-4-1 مقدمه
      • 2-4-2 روش مدلسازی تاکاگی-سوگنو
      • 2-4-3 روش مدل‌سازی سوگنو-ياسوکاوا
      • 2-4-4 روش يادگيری فعال
    • 2-5 روش مدل‌سازی يادگيری فعال
      • 2-5-1 مقدمه
      • 2-5-2 ساختار کلی الگوريتم يادگيری فعال
        • 2-5-2-1 پخش قطره جوهر
        • 2-5-2-2 محاسبه مسير باريک و پراکندگی
        • 2-5-2-3 لايه استنتاج
      • 2-5-3 پياده‌سازی روش پخش قطره جوهر
      • 2-5-4 قابليت مدلسازی روش IDS
    • 2-6 کارهای انجام شده در راستای اهداف
  • فصل 3-روش پيشنهادی پروژه
    • 3-1 مقدمه
    • 3-2 روش پيشنهادی
      • 3-2-1 مکانيزم ابرنقاد
      • 3-2-2 صفحات ارزش‌دهی
      • 3-2-3 مکانيزم يادگيری
      • 3-2-4 مکانيزم بروز رسانی اهداف
    • 3-3 پياده سازی روش پيشنهادی بر روی پاندول معکوس
    • 3-4 نتايج پياده‌سازی روش پيشنهادی بر روی پاندول معکوس با ورودی سينوسی و اغتشاشات تصادفی
    • 3-5 پياده سازی روش پيشنهادی بر روی مدل ساده زير دريايی
    • 3-6 نتيجه‌گيری
  • فصل 4-نتيجه گيری و پيشنهادات
  • پيوست 1 - پياده سازی کنترلر BELBIC در محيط شبيه سازی MATLAB/Simulink
  • پيوست 2- پياده سازی نرم افزاری سيستم پاندول معکوس
    • پ-2-1 پياده سازی سيستم پاندول معکوس در محيط شبيه سازی Adams
    • پ-2-2 معادلات ديناميکی پاندول معکوس
  • پيوست 3- پلنت مولد بخار نيروگاه
    • پ-3-1 مقدمه
    • پ-3-2 مدل‌سازی زير سيستم اول
      • پ-3-2-1 موازنه جرم و انرژی کلی برای زير سيستم اول
    • پ-3-3 مدل‌سازی زير سيستم دوم
    • پ-3-4 مدل‌سازی زير سيستم های سوم تا پنجم
    • پ-3-5 طراحی کنترل کننده برای پلنت مولد بخار نيروگاه
  • مراجع و منابع
...see more