Q regression neural network
Q regresyon sinir ağı
- Tez No: 382385
- Danışmanlar: DOÇ. DR. MUTLU AVCI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Takviyeli Öğrenme, Q öğrenme yöntemi, Q değer fonksiyonu genelleme, GRNN, Reinforcement Learning, Q Learning, Q value function generalization, GRNN
- Yıl: 2014
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Q öğrenme yöntemi takviyeli öğrenme için önemli bir gelişme olmuştur. Ancak gerçek dünya problemlerinin sahip olduğu devasa büyüklükteki durum-aksiyon sayısı Q öğrenme yöntemini uygulanamaz hale getirmektedir. Bu durum sadece durum-aksiyon uzayını genellemeyecek, aynı zamanda da öğrenmeyi hızlandıracak etkili bir regresyon metodunu gerekmektedir. Bu tezde Q regresyon yapay sinir ağı adında Q değer fonksiyonunun genelleştirilmesi ile GRNN formunda bir yapı kullanılması sonucu elde edilen yeni bir eğiticisiz yapay sinir ağı önerilmiştir. QRNN Q ajanının ürettiği veriler üzerinde çalışır. Önerilen metot popüler takviyeli öğrenme çalışma ortamları üzerinde test edilmiş, Q öğrenme yöntemi ve diğer regresyon yöntemleri ile karşılaştırılmıştır. Test sonucunda öğrenme hızının karşılaştırılan yöntemlere göre oldukça yüksek olduğu gözlenmiştir.
Özet (Çeviri)
Q Learning was an important novelty for reinforcement learning. However Q learning becomes inapplicable due to the gigantic size of solution spaces of real world problems. Therefore, an efficient regression method is required not only to generalize the state, action space but also accelerate speed of the learning algorithm. In this thesis, Q regression neural network suggested is a novel regression method obtained as a result of a GRNN form structure used for generalization Q-value function. QRNN works with data generated by Q-Agent. It is tested with popular reinforcement learning benchmarks and its performance is compared with that of both Q-Learning and the other regression methods. Test results show that, QRNN learning efficiency is much higher than the compared methods.
Benzer Tezler
- Fuzzy ve neural network yöntemleri ile kimyasal proseslerin modellenmesi ve kontrolü
Modelling and control of chemical processes with fuzy and neural networks methods
ZEHRA ZEYBEK
Doktora
Türkçe
1997
Kimya MühendisliğiAnkara ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ALPBAZ
- Regresyon analizi ve yapay sinir ağı yöntemleri ile uzun dönem yük tahmini
Long term load forecasting using multiple regression analysis and artificial neural network
FATİH AKSEL
Yüksek Lisans
Türkçe
2000
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. BELGİN EMRE TÜRKAY
- Pekiştirmeli öğrenme ve yapay sinir ağları ile suüstü harbinin modellenmesi
Modeling of surface warfare with reinforcement learning and artificial neural network
RAGIP ZİLCİ
Yüksek Lisans
Türkçe
2022
Savunma ve Savunma TeknolojileriGebze Teknik ÜniversitesiSavunma Bilimi ve Teknolojisi Ana Bilim Dalı
PROF. DR. AYHAN DEMİRİZ
- Trabzon akarsularında askıda katı madde konsantrasyonunun mekana ve zamana bağlı değişiminin incelenmesi ve modellenmesi
Investigation and modeling of spatial and temporal variations of total suspended solids concentraton in trabzon streams
OSMAN TUĞRUL BAKİ
Doktora
Türkçe
2023
İnşaat MühendisliğiKaradeniz Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER YÜKSEK
- Yağış-akış ilişkisinin yapay zeka yöntemleri ile modellenmesi
Modeling the rainfall-runoff relationship with artificial intelligence methods
YUNUS YAMAN
Yüksek Lisans
Türkçe
2022
İnşaat MühendisliğiDicle ÜniversitesiHidrolik ve Su Kaynakları Mühendisliği Ana Bilim Dalı
PROF. DR. FEVZİ ÖNEN