| Título: | Aplicações de múltiplas redes neurais em sistemas mecatrônicos. |
| Autor: | Areolino de Almeida Neto |
| Programa: | Engenharia Aeronáutica e Mecânica |
| Área de Concentração: | Sistemas Aeroespaciais e Mecatrônica |
| Orientador : | Luiz Carlos Sandoval Góes |
| Coorientador : | Cairo Lúcio Nascimento Júnior |
| Ano de Publicação : | 2003 |
| Curso : | Doutorado |
| Assuntos : | Sistemas de controle auto-adaptativo |
| t | Redes neurais |
| t | Aprendizagem |
| t | Robôs |
| t | Corpos flexíveis |
| t | Cinemática |
| t | Dinâmica de robôs |
| t | Mecatrônica |
| t | Inteligência |
| t | Robótica |
| t | Controle |
| t | Engenharia mecânica |
| Resumo : | Esta tese trata da aplicação de múltiplas redes neurais em sistemas mecatrônicos. É mostrado que as múltiplas redes neurais devem ser treinadas em seqüência, tal que aprendizado acumulativo possa ser obtido sem a necessidade de um coordenador geral. Este método de treinamento pode manter o aprendizado já adquirido pelas redes neurais, que foram treinadas primeiramente, enquanto novo aprendizado pode ser obtido pelas redes neurais, que foram adicionadas e treinadas posteriormente. A saída de todas as redes é simplesmente somada para produzir a saída da estrutura neural. A estrutura proposta de múltiplas redes neurais é aplicada em dois tipos de sistemas mecatrônicos: a) para controlar a posição de um sistema com uma haste flexível e b) para criar uma matriz de representação comprimida, que é usada no planejamento de trajetórias de um robô móvel considerando o desvio de obstáculos dinâmicos. Para o sistema com uma haste flexível, o uso de múltiplas redes neurais em três tipos de estruturas de controle do tipo Feedback-Error-Learning é investigado: IDML (Inverse Dynamic Model Learning), NRL (Nonlinear Regulator Learning) e Referência Atrasada. Para o problema de planejamento de trajetórias de um robô móvel, primeiramente a técnica Reinforcement Learning é usada para adquirir o aprendizado necessário na decisão de como desviar de obstáculos dinâmicos. Este aprendizado é codificado em uma matriz. Então as múltiplas redes neurais são usadas para criar uma representação mais comprimida desse aprendizado com uma pequena degradação da resolução. |
| Data de Defesa : | 2003 |
| Texto na íntegra : | [Visualizar] |