20. 9. 2019  0:58 Ľuboslav, Ľuboslava
Akademický informační systém

Lidé na STU


Na této stránce máte zobrazeny všechny veřejně přístupné údaje o zadané osobě. Některé informace o personálním zařazení a funkcích osoby mohou být skryty.

Ing. Martin Klaučo, PhD.
Identifikační číslo: 50920
Univerzitní e-mail: martin.klauco [at] stuba.sk
 
Výskumný pracovník s VŠ vzdelaním - Oddelenie informatizácie a riadenia procesov (ÚIAM FCHPT)
Vedecký pracovník KS II.b. CSc.,PhD. - Oddelenie informatizácie a riadenia procesov (ÚIAM FCHPT)

Kontakty     Absolvent     Závěrečná práce     Projekty     
Publikace     Stáže     Vedené práce     

Základní informace

Základní informace o závěrečné práci

Typ práce: Diplomová práce
Název práce:Machine Learning Approaches Applied to Generation of Explicit Control Laws
Autor: Ing. Karol Kiš
Pracoviště: Oddelenie informatizácie a riadenia procesov (ÚIAM FCHPT)
Vedoucí práce: Ing. Martin Klaučo, PhD.
Oponent:Ing. Juraj Oravec, PhD.
Stav závěrečné práce:Závěrečná práce byla úspěšně obhájena


Doplňující informace

Následují doplňující informace závěrečné práce. Kliknutím na odkaz s názvem jazyka zvolíte, v jakém jazyce mají být informace zobrazeny.

Jazyk zpracování závěrečné práce:anglický jazyk

slovenský jazyk        anglický jazyk

Název práce:Machine Learning Approaches Applied to Generation of Explicit Control Laws
Abstrakt:The aim of this master thesis is to design a control law in the form of a neural network, whose behaviour is similar to an explicit model predictive control (MPC). The main advantages of explicit MPC are fast and efficient implementation, but on the other hand, the main disadvantage of explicit MPC is fixed structure of the original MPC problem, i.e. linear or quadratic cost function functions and linear constraints. However, the neural network control law must be trained on the basis of input data, which in this case are obtained by sequentially solving the MPC problem for different initial conditions. The advantage of this approach is the possibility to get control action not only for different initial states but also for different settings of prediction horizon or weight matrices in the cost function since not only states but also weight matrices can be input parameters of the neural network control law. This, in fact, creates a suboptimal tunable controller in explicit form.
Klíčová slova:machine learning, neural networks, approximation of model predictive control

Zobrazení a stahování souborů

Pokud chcete zobrazit zadání závěrečné práce, klikněte na ikonu Zobrazit zadání. Ikony Závěrečná práce, Přílohy práce, Posudek vedoucího a Posudek oponenta představují soubory týkající se závěrečné práce, které je možné stáhnout. Budou zobrazeny pouze v případě, že je soubor vložen a zároveň je veřejný.

Zobrazit zadání

Části práce s odloženým zveřejněním:

Závěrečná práce (přílohy závěrečné práce) neomezeně
Posudky závěrečné práce neomezeně