Spelling suggestions: "subject:"ocho neural nätverk"" "subject:"och3 neural nätverk""
21 |
Kontrollarkitekturers generaliseringsförmåga vid yt-täckningRoxell, Anders January 2005 (has links)
I dagens samhälle finns det en mängd olika maskiner för att underlätta ardagssysslorna, såsom batteridrivna dammsugare och gräsklippare. Gräsklippardomänen används i detta projekt, för att undersöka vilken av monolitisk och hierarkisk kontrollarkitektur i en batteridriven gräsklippare som har bäst generaliseringsförmåga. Gräsklippardomänen används som testdomän därför att det finns en oändlig mängd olika yt-fromer. Med generalisering menas hur bra gräsklipparen klipper på ytor som den nyligen eller aldrig tränats på. Experiment har utförs på båda kontrollarkitekturerna i en simulator. Val av kontrollarkitektur spelar inte någon större roll för gräsklipparen. Bidraget med detta arbete är att undersöka hur bra de olika arkitekturerna generaliserar.
|
22 |
Traditionella och interaktiva representationer : En jämförande robotstudie.Stening, John January 2003 (has links)
Detta arbete tar upp och diskuterar det eventuella användandet av representationer i en autonom robot kontrollerad av ett extended sequential neural network (ESCN). Diskussionen utgår från en tidigare distinktion, framförd av bl.a. Bickhard och Terveen (1995), mellan traditionella representationer, som förespråkas av kognitivismen, och interaktiva representationer, som förespråkas av många företrädare för en mer förkroppsligad och situerad syn på kognition. Resultatet i detta arbete visar att det är möjligt, med hänvisning till robotens interna tillstånd, att påstå att roboten inte använder sig av representationer i någon traditionell bemärkelse. Resultatet visar vidare att det är möjligt att hävda att roboten använder sig av interaktiva representationer. Detta resultat är av intresse som förklaringsmodell till representationsbegreppet vid fortsatta försök att modellera kognition med hjälp av ESCN inom adaptiv robotik.
|
23 |
Evolution av målsökande och flyende boidsKloo, Ingela January 2012 (has links)
Detta arbete använder genetiska algoritmer för att få fram ANN hos boids utifrån två uppsättningar regler och jämför de resulterande beteendena med varandra. Boids är simulerade fåglar i en fågelflock som var för sig styrs med enkla regler men som tillsammans bildar ett flockbeteende. Genetiska algoritmer liknar naturens evolution. En population vars egenskaper kodas på ett genom blir bättre på de egenskaperna genom att de bästa individerna väljs ut och får utvecklas mer medans de sämre rensas bort. ANN står för artificiella neurala närvek och ska likna biologiska neurala nätverk och ska med andra ord fungera som en hjärna. Boids följer normalt tre regler. Centrering, hastighetsmatchning och undviker kollisioner. Detta arbete undersöker om boids beter sig mer naturligt om de även måste leta mat och undvika fiender. Det undersöker också en metod för att objektivt kunna mäta naturlighet.
|
24 |
Artificiell intelligens - ANN och evolution i shooterspelAkterhall, Joakim January 2012 (has links)
Detta arbete undersöker hur två olika nätverksarkitekturer för artificiella neurala nätverk fungerar i en testmiljö av shooter-karaktär. De två arkitekturer som undersöks är ett feedforward-nätverk samt ett elman-nätverk som tränas med hjälp av evolutionära algoritmer. Skillnaden på de två valda nätverksarkitekturerna är att det sistnämnda har ett korttidsminne. Resultaten visar att det i den testmiljö som använts inte är någon skillnad på de två nätverksarkitekturerna, utan de uppnår i princip samma resultat. Dock så har de beteenden som nätverken uppnått visat på att det är möjligt att använda agenter som är skapade av artificiella neurala nätverk i ett shooter-spel och att de kan generera bra resultat. Något som inte fokuserats på i detta arbete men som skulle vara intressant att kolla vidare på, är till exempel förändring av storleken på nätverken eller att undersöka om ett långtidsminne på det rekurrenta nätverket hade förändrat resultatet.
|
25 |
Styrsystem för fordon med hjälp av artificiella neurala nätverkEngerström, Sigurd January 2007 (has links)
Denna rapport jämför två nätverksarkitekturer för artificiella neurala nätverk vars uppgift är att realisera ett styrsystem för ett fordon som det även skall lära sig att styra. Jämförelsen bygger på utförda experiment där de båda nätverken fick lära sig att styra ett fordon längs en slumpgenererad väg. Båda nätverken bygger på belöningsbaserad inlärning för att lära sig lösa uppgiften. Resultatet av utvärderingen visar både att nätverken inte hade några problem med att lära sig att styra fordonet och att de inte krävde lång tid för att kunna lära sig hur fordonet skulle styras. Resultaten visar inte heller att någon skillnad fanns i vare sig tillförlitlighet eller generaliseringsförmåga hos de båda nätverksarkitekturerna.
|
26 |
Användarverifiering från webbkameraAlajarva, Sami January 2007 (has links)
Arbetet som presenteras i den här rapporten handlar om ansiktsigenkänning från webbkameror med hjälp av principal component analysis samt artificiella neurala nätverk av typen feedforward. Arbetet förbättrar tekniken med hjälp av filterbaserade metoder som bland annat används inom ansiktsdetektering. Dessa filter bygger på att skicka med redundant data av delregioner av ansiktet.
|
27 |
Skillnaden mellan belöningsbaserade och exempelbaserade artificiella neurala nätverk i en 2D-miljö / A comparison of training artificial neural networks with backpropagation and genetic algorithms in a 2D-environmentPressdee Langré, Sean January 2015 (has links)
Detta arbete går ut på att testa hur två olika träningsmetoder påverkar hur ett artificiellt neuralt nätverk (ANN) presterar i en 2d spelmiljö. Ett belöningsbaserat nätverk som använder genetiska algoritmer har jämförts mot ett exempelbaserat nätverk som använder backpropagation. För att göra detta möjligt att testa så behövde fyra delsteg genomföras. Dessa är utveckling av belöningsbaserad ANN, utveckling av exempelbaserad ANN, utveckling av testmiljö och evaluering av resultat. Resultaten visar att agenten belöningsbaserat nätverk har presterat bättre i det flesta testen men även att den varit mer slumpmässig. Det finns dock undantag där den agenten med exempelbaserat nätverk har varit bättre. Slutsatsen är att efter detta experiment rekommenderas en agent med belöningsbaserat nätverk över en med exempelbaserat men att detta inte är någon garanti för att få optimala resultat. Ett framtida arbete som hade varit intressant är att fokusera på endast en algoritm och se hur träning och skillnader på olika nätverksarkitekturer hade påverkat den.
|
28 |
Jämförelse av evolution och samevolution för att evaluera speltillstånd : I artificiella neurala nätverk kombinerat med minimax / Comparison between evolution and coevolution To evaluate game state : In artificial neural networks combined with minimaxTorstensson, Robbin January 2015 (has links)
Detta arbete undersöker två olika tekniker för att evaluera speltillstånd i schack. Teknikerna är samevolution och historiebaserad evolution. De används i kombination med artificiella neurala nätverk och algoritmen minimax. Teknikerna används för att låta två agenter spela schack, genom att välja ut det bästa draget. Kan en agent som bygger på samevolution slå en agent som bygger på historiebaserad evolution? Teknikerna har testats genom att låta agenterna evolveras i 200 generationer var för att sedan låta dem spela mot varandra. Den samevolverade agenten vann tre av 24 matcher, den historiebaserade vann en, och resten slutade i remi. Det tyder på att en samevolverad agent kan slå en historiebaserad, men att de är väldigt lika. Undersökningen tyder på att samevolverade schackagenter har stor risk att hamna i ett lokalt maximum medan historiebaserade gör många bra drag, men saknar strategi för att vinna.
|
29 |
SAMEVOLUTION AV ARTIFICIELLT NEURALT NÄTVERK FÖR ATT EVALUERA SPELTILLSTÅND / COEVOLUTION OF ARTIFICIAL NEURAL NETWORK TO EVALUATE GAMESTATENorberg, David January 2014 (has links)
Detta arbete undersöker två tekniker för att evaluera spelplanen i minimaxalgoritmen. Den tekniken som fokuseras mest på i arbetet är ett artificiellt neuralt nätverk som evolveras med hjälp av samevolution. Tekniken är utformad för att inte behöva någon tidigare mänsklig expertis. Den andra tekniken använder heuristiker och mänsklig expertis för att få fram evalueringsfunktionen. Spelet som används för att testa teknikerna är Kinaschack. Resultaten antyder att tekniken i fokus inte fungerar till spelet Kinaschack. En undersökning där tekniken modifierades så att samevolution byttes ut gav ett bättre resultat. Detta behöver inte betyda att problemet är samevolution Men det tyder på att det är en faktor. Tekniken som arbetet fokuserar på är baserad på ett tidigare arbete där spelet Dam användes. Eftersom tekniken har visats fungera tidigare skulle det vara intressant att testa den med fler spel. I slutet av arbetet diskuteras en variant av tekniken för spelet Schack.
|
30 |
SAMEVOLUTION AV ARTIFICIELLTNEURALT NÄTVERK FÖR ATTEVALUERA SPELTILLSTÅND / COEVOLUTION OF ARTIFICIALNEURAL NETWORD TO EVALUATEGAMESTATENorberg, David January 2014 (has links)
Detta arbete undersöker två tekniker för att evaluera spelplanen i minimaxalgoritmen. Den tekniken som fokuseras mest på i arbetet är ett artificiellt neuralt nätverk som evolveras med hjälp av samevolution. Tekniken är utformad för att inte behöva någon tidigare mänsklig expertis. Den andra tekniken använder heuristiker och mänsklig expertis för att få fram evalueringsfunktionen. Spelet som används för att testa teknikerna är Kinaschack.Resultaten antyder att tekniken i fokus inte fungerar till spelet Kinaschack. En undersökning där tekniken modifierades så att samevolution byttes ut gav ett bättre resultat. Detta behöver inte betyda att problemet är samevolution Men det tyder på att det är en faktor.Tekniken som arbetet fokuserar på är baserad på ett tidigare arbete där spelet Dam användes. Eftersom tekniken har visats fungera tidigare skulle det vara intressant att testa den med fler spel. I slutet av arbetet diskuteras en variant av tekniken för spelet Schack.
|
Page generated in 0.0875 seconds