서지주요정보
Identification of DEVS parameters using hybrid recurrent neural network = 복합 구조의 회귀 신경회로망을 이용한 DEVS 파라미터의 동정화
서명 / 저자 Identification of DEVS parameters using hybrid recurrent neural network = 복합 구조의 회귀 신경회로망을 이용한 DEVS 파라미터의 동정화 / Si-Jong Choi.
저자명 Choi, Si-Jong ; 최시종
발행사항 [대전 : 한국과학기술원, 2002].
Online Access 원문보기 원문인쇄

소장정보

등록번호

8013402

소장위치/청구기호

학술문화관(문화관) 보존서고

DEE 02001

휴대폰 전송

도서상태

이용가능

대출가능

반납예정일

초록정보

The thesis proposes a new methodology for identification of a DES (Discrete Event System) using a HRNN (Hybrid Recurrent Neural Network). The identification of an unknown DES is recognition of characteristic functions of a DEVS (Discrete EVent systems Specification) model which validly represents the system. A DES is a useful abstraction for behavior modeling of various man-made systems, such as communication networks, manufacturing systems, traffic systems and others, at a high level. A DES, besides the only concern of the UDES (Untimed Discrete Event System) abstraction is the logical sequence of events, also has considerations of its temporal behavior. The DEVS formalism specifies such a DES system in a hierarchical and modular manner. There are many researches and results for UDES identification problems but little research has been reported concerning the identification of the timed DES. We extend the sight of the identification problem limited to the field of UDES to the DES abstraction using neural networks. Such identification consists of two major steps: behavior learning using a specially designed neural network called HRNN and extraction of a DEVS model from HRNN which is trained using observed input/output events of an unknown DES. We designed a HRNN architecture so that a general structure preservation is con-served between a DEVS model being identified and the HRNN architecture. The HRNN has an interconnected structure of two classes of neural networks and a timer working as a spontaneous event scheduler. The BPTW (BackPropagation through Time with Working set) algorithm was used to train the HRNN. The algorithm employs a concept of dynamic training set and is appropriate for logical training. Algorithms for DEVS model exploration from a trained HRNN and for minimization of the explored DEVS model were derived. Identification experiments were performed with three types of unknown DESs, the results of which verified the validity of the proposed model extraction method. The tar-get DESs have been devised for reflecting diversity of actual DES environments. For constructing random DES examples, we develop the DGLM (Generalized Group Linking Method) which extends the GLM (Group Linking Method) used for generation of UDESs. As a typical application of the DES identification method, we showed supervisory discrete event control for an unknown manufacturing plant. Such supervisory discrete event control consists of the identification for unknown plant and the synthesis of discrete event controller that satisfies a given control objective. We introduced several new notions, definitions and algorithms needed for the DES identification process which are different from the UDES identification problem. The DES identification mainly restricts on identification of a class of DESs with a special property of finite memory called FM-DES (Finite Memory DES). A subclass of a DEVS model called an FM-DEVS (Finite Memory DEVS) model was defined to represent such an FM-DES.

이 논문은 복합 구조의 신경회로망 (HRNN)을 이용하여 이산사건 시스템 (DES)을 동정화 하는 새로운 방법을 제시하였다. 이 동정화 체계는 HRNN 구조와 이에 수반하는 알고리즘으로 구성되어 있으며, 신경회로망을 동정화를 위한 추론 엔진으로 사용한다. 이와 유사한 기존의 연구로서 정규언어의 내재적 문법이나 event의 순서열로 주어진 입출력 행동을 FA 나 FSM 모델로 동정화 해 보고자 하는 연구가 있었다. 그러나 이런 FSM, CSP 와 같은 부류의 모델들은 일련의 순서에 따라 일어난 event로서의 논리적인 측면을 반영할 뿐, 시간적인 속성을 고려하지 않는다. 이 논문에서는 기존의 논리적인 측면에서의 동정화 방법에, 새롭게 시간적인 측면에 대한 고려를 접목하므로 서 기존의 연구를 이산사건 시스템의 범주로 확장하였다. 이 논문에서는 우선 동정화 엔진으로서 HRNN의 구조를 설계한 후, 이 HRNN의 학습을 위한 training set을 정의하고, HRNN의 학습 과정과 그리고 학습된 HRNN으로부터 정보의 추출 과정을 구성하였다. DES의 동정화 과정은 논리적 그리고 시간적인 양측면에서의, 관측한 행동의 학습단계와 학습된 정보의 추출단계로 이루어진다. HRNN은 학습 과정을 통해 외부적으로 관측되는 행동적 정보를 내부적인 구조 정보로 변환한다. 이 학습 과정을 통해 HRNN 에 형성된 내부적인 구조 정보는 추출 과정을 통해 DEVS 모델로서 읽어낸다. 일반적으로 추출한 모델은 많은 여분의 state들을 가지고 있으므로, 이를 제거하는 최소화 과정을 거쳐 동정화된 DEVS 모델을 얻는다. 실제적인 문제의 모델링을 고려한 3가지 타입의 예제들에 대한 동정화 과정을 보여 주었다. 이 예제들은 무작위로 DEVS 모델을 생성하기 위한 목적으로 고안한 DGLM이라는 도구로 부터 생성되었다. DES 동정화의 실제적인 응용으로는 플랜트의 일관조립 공정에 대한 이산사건 제어 (DEC)에 적용되는 경우를 보여 주었다. DES 동정화는 논리적인 측면 이외에도 실수인 시간차원을 다루어야 하는 어려운 난제로서, 지금까지 이 분야에 대한 본격적인 연구가 이루어지지 않았다. 이 연구는 신경회로망을 사용한 DES의 동정화의 가능성을 보여 주었다는데 그 의의가 있다. 앞으로 이 새로운 분야가 개척 해야할 흥미있는 많은 미해결 과제들에 대한 집중적인 연구가 있을 것이다.

서지기타정보

서지기타정보
청구기호 {DEE 02001
형태사항 x, 117 p. : 삽도 ; 26 cm
언어 영어
일반주기 저자명의 한글표기 : 최시종
지도교수의 영문표기 : Tag-Gon Kim
지도교수의 한글표기 : 김탁곤
수록잡지명 : "Identification of discrete event systems using compound recurrent neural network: extracting DEVS from Trained Network". Transactions of The Society of Computer Simulation International (SCSI), (2002)
학위논문 학위논문(박사) - 한국과학기술원 : 전기및전자공학전공,
서지주기 Reference : p. 111-114
주제 discrete event system
DES identification
neural network
DGLM
HRNN training
DEVS model extraction
state clustering
minimization
이산사건 시스템 동정화
DEVS 모델
신경회로망
HRNN 학습 및 모델 추출
QR CODE qr code