Journal of Iranian Association of Electrical and Electronics Engineers

fa کنترل آونگ وارون با بهره گیری از داده های منفی Inverted Pendulum Control Using Negative Data کنترل Control پژوهشي Research در فرآیند آموزش الگوریتمهای یادگیری، همواره داشتن مجموعه دادههای آموزشی مناسب مورد توجه است. وجود دادههای پرت، دادههای نویزی و دادههای نامناسب، همواره بر عملکرد الگوریتمهای موجود تأثیرگذار است. روش یادگیری فعال ، یکی از ابزارهای قدرتمند در محاسبات نرم است که از نحوه عملکرد مغز انسان بهره میگیرد. عملکرد این الگوریتم کاملا مبتنی بر محاسبات ساده است و یک سیستم چند- ورودی تک- خروجی را به صورت مجموعی از سیستمهای تک- ورودی تک- خروجی در نظر میگیرد و با شکستن مسئله پیچیده به چندین مسئله سادهتر موجب درکپذیری ساده آن میشود. در این مقاله برای بهبود عملکرد این الگوریتم، با تغییراتی در فرآیند آموزش، از دادههایی تحت عنوان دادههای منفی استفاده شده است. در روش یادگیری فعال به واسطه استفاده از اپراتور پخش قطره جوهر، بهرهگیری از دادههای منفی در فرآیند آموزش امکانپذیر است. با این اقدام، سیاستی مشابه سیاست پاداش و جزاء در روشهای یادگیری تقویتی  اجراء میشود. شبیه سازیهای انجام شده بیان از عملکرد مناسب و افزایش قدرت محاسباتی روش پیشنهادی نسبت به روش موجود دارد و مقدار FVU، 0.0143 حاصل شده است. همچنین با روش پیشنهادی، افزایش دقت و سرعت در فرآیند کنترل سیستم پاندول معکوس، که یک مسئله کلاسیک در سیستمهای کنترل میباشد، کاملاً مشهود است.     In the training phase of learning algorithms, it is always important to have a suitable training data set. The presence of outliers, noise data, and inappropriate data always affects the performance of existing algorithms. The active learning method (ALM) is one of the powerful tools in soft computing inspired by the computation of the human brain. The operation of this algorithm is completely based on simple calculations and tries to model a Multi-Input Single-Output (MISO) system as a set of Single-Input Single-Output (SISO) subsystems and breaks a complex problem into several simpler problems. Each of the subsystems is then modeled by an Ink Drop Spread (IDS) plane. In this paper, to improve the performance of ALM, with changes in how it works, data called negative data has been used. In the ALM, it is possible to use negative data in the training phase by using the IDS operator. By doing so, a policy similar to the reward and punishment policy is in reinforcement learning methods is used. To investigate the accuracy of the proposed algorithm, some simulations in control have been done on an inverted pendulum system and the FVU value is 0.0143. The simulations results confirm the proper performance and increase the computational power of the proposed method compared to the existing method. روش یادگیری فعال, اپراتور پخش قطره جوهر, سیستم استنتاج فازی, داده منفی, کنترل. Active Learning Method (ALM), Ink Drop Spread (IDS) Operator, Fuzzy Inference System (FIS), Negative Data, Control. 143 151 http://jiaeee.com/browse.php?a_code=A-10-2535-1&slc_lang=fa&sid=1 Sajad Haghzad Klidbary سجاد حق زاد کلیدبری s.haghzad@znu.ac.ir 100319475328460010135 100319475328460010135 Yes Faculty of Electrical and Computer Engineering, Zanjan University, Zanjan دانشکده مهندسی برق و کامپیوتر، دانشگاه زنجان، زنجان