| Form of studies |
Bachelor |
| Title of the study programm |
Engineering Technology , Mechanics and Mechanical Engineering |
| Title in original language |
Salīdzinošā analīze dubultā svārsta sistēmas modelēšanai izmantojot dziļo neironu tīklu metodes |
| Title in English |
Comparative analysis of the modelling of a double pendulum system with methods based on deep neural networks |
| Department |
Faculty Of Civil And Mehanical Engineering |
| Scientific advisor |
Ēvalds Urtāns |
| Reviewer |
Jānis Vība |
| Abstract |
Statistika liecina, ka pēdējo piecu gadu laikā augusi popularitāte gan dziļajos
mākslīgo neironu tīklos balstītām metodēm kopumā, gan arī to pielietojumiem inženierzinātnēs.
Darbā iezīmētas dziļo mākslīgo neironu tīklu īpašības un ar tiem praktiski modelēta
dubultā svārsta sistēma, par pamatu izmantojot datu kopu, kas ģenerēta no
video ierakstiem. Rezultātu salīdzinājumam līdzīga modelēšana veikta ar sistēmu
aprakstošiem diferenciālvienādojumiem. Salīdzinātas abu metožu spējas prognozēt
nākamās 2s no dubultā svārsta kustības, informācijai izmantojot datus par iepriekšējās
sekundes kustību, kā arī novērtētas modeļu spējas iekļauties noteiktā
prognožu kļūdas intervālā.
Rezultāti liecina, ka labākais dziļo mākslīgo neironu tīklu modelis spēj uzrādīt
daudzkārt labākus rezultātus par diferenciālvienādojumos balstīto risinājumu,
kļūdas robežās spējot prognozēt nākamās 1.5s, salīdzinot ar 0.075s diferenciālvienādojumos balstītajam risinājumam.
Tomēr mākslīgo neironu tīklu apmācības ilgums ir nesalīdzināmi lielāks par diferenciālvienādojumos balstītā risinājuma aprēķina ilgumu un pieprasa lielus skaitļošanas resursus.
Darba pamattekstā ir 54 lappuses, 82 formulas, 30 attēli, 3 tabulas, 40 izmantotās
literatūras avoti. |
| Keywords |
dziļie mākslīgo neironu tīkli, rekurentie mākslīgo neironu tīkli, dubultais svārsts, diferenciālvienādojumi, skaitliskās metodes |
| Keywords in English |
deep artificial neural networks, deep learning, recurrent neural networks, double pendulum, differential equations, numerical methods |
| Language |
lv |
| Year |
2022 |
| Date and time of uploading |
07.06.2022 18:08:17 |
