Machine learning applications in control systems

Abstract

Bu tezde Kalman filtresi ile durum tahmini yapaktansa, bu görevi Uzun Kısa Dönemli Bellek (LSTM) ağına vermeyi bir potansiyel alternatif olarak kunlanmanın etkileri araştırılmıştır. Durum tahmini, bir sistemin gereç halini gürültüle veya tam olmayan gözlemlemelerden çıkartmaktır. Kalman filterler bu amaçta yaygın olarak kunlanılan bir tekniktirler, fakat bazı kısıtlamarı vardır, örneğin çıkartma yaptıkları sistemin doğrusal olduğunu varsaymaları gibi. Yinelemeli Sinir Ağlarının (RNN)lerin bir türü olan LSTM'ler, dil çevirisi ve görütü alt yazısı olusturmak givi karmaşık ve dorusal olamayan sistemlerin modellenmesinded etkinlik gösterebilirler. Bu yüzden LSTM'lerin dinamik sistemlerin durumlarını doru şekilde tahmin etme yeteneğine sayip olabilecekleride önerildi. Bu hipotezi deneyebilmek için farklı örenme parametrelerine sahip LSTM'lerin performansları ile bir Kalman Filtersini performansı doğrusal olmayan bir sistemde karşılaştırıldı. LSTM modellerinin eğitimi, önemli miktarda işlem gücü ve zaman gerektiriyordu, bu da tüketici sınıfı ev işlem cihazlarında zorluk yarattı. Eğitim sürecini optimize etmek için çabalar sarf edildi, ancak sonuçlar tamamen tatmin edici değildi. Bu araştırmanın kapsamı tüketici sınıfı ev işlem cihazlarıyla sınırlı olduğundan, bu sonuçların LSTM'ler için çıkan bulguların kesin olarak kabul edilmemesi gerekir. Durum tahmini görevinde LSTM'lerin kabiliyetlerini tam olarak değerlendirmek için daha güçlü bilgi işleme cihazları gerekli olarbilir.

In this thesis, the use of Long Short-Term Memory (LSTM) networks as a potential alternative to Kalman filters in the task of state estimation was investigated. State estimation involves inferring the true state of a system from noisy or incomplete observations. Kalman filters are a widely used technique for this purpose, but they have certain limitations, such as the assumption of linearity. LSTMs are a type of recurrent neural network (RNN) that have demonstrated effectiveness in modeling complex, nonlinear systems in tasks such as language translation and image captioning. It was proposed that LSTMs may also be capable of accurately estimating the state of dynamic systems. To test this hypothesis, the performance of LSTMs of differing learning parameters and a Kalman filter was compared on a non-linear system benchmark dataset. The training of LSTM models required a considerable amount of processing power and time, which posed a challenge on consumer grade home computing devices. Efforts were made to optimize the training process, but the results were not entirely satisfactory. It is important to note that the scope of this investigation was limited to consumer grade computing devices, and the findings about LSTMs should not be taken as definitive. Further research using more powerful computing resources may be necessary to fully assess the capabilities of LSTMs in the task of state estimation.