Υλοποίηση τεχνικών μηχανικής μάθησης σε περιβάλλον μοντελοποίησης και προσομοίωσης κυβερνο-φυσικών συστημάτων.
Φόρτωση...
Ημερομηνία
Συγγραφείς
Τζαμάρας, Σωτήριος
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Τ.Ε.Ι. Ηπείρου, Σχολή Τεχνολογικών Εφαρμογών, Τμήμα Μηχανικών Πληροφορικής Τ.Ε.
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
Τα κυβερνο-φυσικά συστήματα είναι συζευγμένα συστήματα, αποτελούμενα από ψηφιακές και φυσικές οντότητες που αλληλεπιδρούν μεταξύ τους. Οι προσομοιώσεις και οι δοκιμές της επιθυμητής συμπεριφοράς τέτοιων υβριδικών συστημάτων, τα οποία παρουσιάζουν διακριτή αλλά και συνεχή δυναμική συμπεριφορά, είναι δύσκολες και συχνά επικίνδυνες. Μερικά παραδείγματα τέτοιων συστημάτων είναι τα αυτόνομα αυτοκίνητα, οι ρομποτικές εφαρμογές και οι ιατρικές συσκευές παρακολούθησης. Η ικανότητα μοντελοποίησης τέτοιων συστημάτων απαιτεί ανάλυση φυσικών φαινομένων και εφαρμογή εκτεταμένων δοκιμών για απρόσμενα συμβάντα.
Σε αυτή τη πτυχιακή, δείχνουμε πώς μέσω της χρήσης μεθόδων μηχανικής μάθησης μπορούμε να συμβάλουμε στην ενίσχυση των κυβερνο-φυσικών συστημάτων με την επίτευξη ευφυούς συμπεριφοράς. Οι αυτόνομοι πράκτορες μέσω της αξιοποίησης μιας προσέγγισης που ονομάζεται state-action-reward-state, είναι σε θέση να μάθουν πώς να βελτιστοποιήσουν τη συμπεριφορά τους και να δράσουν έξυπνα σε ένα άγνωστο περιβάλλον. Τέλος, παρέχουμε επίσης μια εφαρμογή μάθησης με ενίσχυση που δείχνει την προσέγγισή μας.
Cyber-physical systems are coupled systems of digital and physical entities that interact with each other. Simulating and testing the desired behavior of such hybrid systems, which exhibit both discrete and continuous dynamic behavior, is hard and often dangerous. Some examples are autonomous automobiles, robotics and medical monitoring devices. The ability to model such systems requires analysis of physical phenomena and extended testing for unexpected events. In this thesis, we demonstrate how utilization of machine learning can be used to enhance cyber-physical systems to achieve intelligent behavior. Creating autonomous agents and utilizing a state-action-reward-state approach, they are capable of learning how to optimize their behavior and react to an unknown environment. We also provide a Reinforcement learning implementation demonstrating our approach.
Cyber-physical systems are coupled systems of digital and physical entities that interact with each other. Simulating and testing the desired behavior of such hybrid systems, which exhibit both discrete and continuous dynamic behavior, is hard and often dangerous. Some examples are autonomous automobiles, robotics and medical monitoring devices. The ability to model such systems requires analysis of physical phenomena and extended testing for unexpected events. In this thesis, we demonstrate how utilization of machine learning can be used to enhance cyber-physical systems to achieve intelligent behavior. Creating autonomous agents and utilizing a state-action-reward-state approach, they are capable of learning how to optimize their behavior and react to an unknown environment. We also provide a Reinforcement learning implementation demonstrating our approach.
Περιγραφή
Λέξεις-κλειδιά
Κυβερνο-φυσικά συστήματα, προσομοιώσεις, μοντελοποίηση, πράκτορες, έξυπνη συμπεριφορά
Θεματική κατηγορία
Μοντελοποίηση
Παραπομπή
Σύνδεσμος
Πτυχιακή Εργασία
Γλώσσα
el
Εκδίδον τμήμα/τομέας
Τ.Ε.Ι. Ηπείρου, Σχολή Τεχνολογικών Εφαρμογών, Τμήμα Μηχανικών Πληροφορικής Τ.Ε.
Όνομα επιβλέποντος
Αδάμ, Σταύρος
Εξεταστική επιτροπή
Φουτσιτζή, Γεωργία
Taha, Walid
Taha, Walid
Γενική Περιγραφή / Σχόλια
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Τ.Ε.Ι. Ηπείρου
Πίνακας περιεχομένων
Χορηγός
Βιβλιογραφική αναφορά
Τζαμάρας, Σ., 2020. Υλοποίηση τεχνικών μηχανικής μάθησης σε περιβάλλον μοντελοποίησης και προσομοίωσης κυβερνο-φυσικών συστημάτων. Πτυχιακή εργασία. Άρτα: Τ.Ε.Ι. Ηπείρου. Σχολή Τεχνολογικών Εφαρμογών. Τμήμα Μηχανικών Πληροφορικής Τ.Ε.
Ονόματα συντελεστών
Αριθμός σελίδων
68
Λεπτομέρειες μαθήματος
item.page.endorsement
item.page.review
item.page.supplemented
item.page.referenced
Άδεια Creative Commons
Άδεια χρήσης της εγγραφής: Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα