ورود کاربران دانشگاهی
ثبت نام(مطالعه آنلاین پایان نامه ها)
کاربر مهمان
سپندا
جمعه 10 فرودرین 1403
|
44.211.58.249
:Your IP
س
امانه
پ
ایان
ن
امه های
د
انشگاه
ا
صفهان (
سپندا
)
صفحه اول(جستجو)
مرور موضوعی
پرسش های متداول و راهنما
سامانه تطبیق پایان نامه با شیوه نامه
تماس با ما
(0)
عنوان :
آموزش یک رفتاربه عامل های فوتبالیست شبیه سازی شده بااستفاده ازنرو-فازی
انتشارات :
دانشگاه اصفهان
سال :
1383
زبان :
Persian
شماره سند :
3396
موضوع :
پژوهشگر :
اعظم ربیعی دولت آبادی
توصیفگر لاتین :
????? ????- ???? Computer engineering ? Artificial intelligence ? Multi agent system ? Learning system ? Simulation ? Neural network ? Fuzzy set ? Fuzzy clustering ? Neurofuzzy system
توصیفگر فارسی :
مهندسی کامپیوتر ◄ هوش مصنوعی ◄ سیستم چندعاملی ◄ سیستم یادگیری ◄ شبیه سازی ◄ شبکه عصبی ◄ مجموعه فازی ◄ خوشه بندی فازی
دانشکده :
دانشگاه اصفهان،دانشکده فنی ومهندسی،گروه کامپیوتر
مقطع :
کارشناسی ارشدمهندسی کامپیوتر
استاد راهنما :
دکترناصرقاسم آقایی
استاد مشاور :
سال دفاع :
1383
شماره رکورد :
3396
شماره راهنما :
COM2 54
فهرست :
فهرست مطالبعنوان صفحهفصل اول: مقدمه1-1- مقدمه 11-2- تعریف مسأله 41-3- راهحل انجام این تحقیق 71-4-کارهای انجام شده 71-5- اهمیت و کاربرد نتایج تحقیق 81-6- مروری بر فصول این گزارش 8فصل دوم: مروری بر شبیهسازی رباتهای فوتبالیست2-1- مقدمه 102-2- لیگ شبیهسازیِ مسابقاتِ روبوکاپ 112-3- مروری بر کارگزار فوتبال 12فصل سوم: یادگیری تقویتی3-1- مقدمه 303-2- الگوریتمهای یادگیری تقویتی 313-3- یادگیری تقویتی استفاده شده در این تحقیق 32فصل چهارم: شبکههای عصبی4-1- مقدمه 354-2- شبکة عصبی چندلایة پیشرو با یادگیری پس انتشار خطا 364-2-1- الگوریتم یادگیری پسانتشار خطا 37فصل پنجم: سیستمهای استنتاجی فازی و خوشهبندی فازی5-1- مقدمه 405-2- چند تعریف 415-3- سیستم استنتاجی فازی 455-4- مراحل ایجاد یک سیستم استنتاج فازی 465-5- خوشهبندی فازی 485-5-1- روش خوشهبندی Fuzzy C-Mean 49فصل ششم: ترکیب شبکههای عصبی و منطق فازی6-1- مقدمه 516-2- تعریف سیستم نرو-فازی 526-3- ترکیب شبکة عصبی و منطق فازی در مقایسه با سایر فنآوریهای انتخابی 546-4- مراحل طراحی و توسعة سیستمهای نرو-فازی یا شبکههای عصبی-فازی 556-5- برخی از معایب بعضی از سیستمهای نرو-فازی 586-6- ترکیبهای مختلف سیستمهای فازی و شبکههای عصبی 58فصل هفتم: بررسی چند ساختار ترکیبی شبکههای عصبی و منطق فازی7-1- مقدمه 637-2- تنظیم مجموعههای فازی با شبکة عصبی 637-3- استخراج قوانین فازی با شبکة عصبی 647-4- کنترل هوشمند بر اساس استنتاج تقریبی (ARIC) 657-5- پرسپترون فازی 687-6- NEFPROX 697-7- NEFCLASS 717-8- NEFCON 757-9- HNFB 767-10- سیستمِ استنتاجیِ فازی-عصبیِ وفقی (ANFIS) 767-10-1- الگوریتم یادگیری دوگانه برای ANFIS 797-11- سیستم استنتاجی فازی عصبی خود تطبیقی (SANFIS) 79فصل هشتم: پیادهسازی و نتایج 8-1- مقدمه 908-2- جمعآوری دادگان آموزشی 918-3- بازدهی تکنیک گلزنی تیم UvA Trilearn 938-4- پیادهسازی و نتایج یادگیری تقویتی 958-5- شبکههای عصبی 988-5-1- نتایج شبکههای عصبی 1008-6- ترکیب پیشنهادی از شبکههای عصبی و خوشهبندی فازی 1028-6-1- نتایج عملی 1038-7- سیستم نرو-فازی ANFIS 1048-7-1- نتایج سیستم نرو-فازی ANFIS 1068-8- مقایسة روشهای مختلف و نتیجهگیری 106فصل نهم: نتیجهگیری9-1- مقدمه 1099-2- نتیجهگیری 1109-3- کارهای آینده 110پیوست شمارة 1- برنامة محاسبة بهترین نقطه از دروازه با بیشترین احتمال 112منابع و مآخذ 115
چکیده :
چکیده مسألة فوتبال رُباتها یکی از سیستمهای چندعاملیِ بسیار پیچیده است، که در آن عاملها نقش بازیکنان فوتبال را ایفا میکنند. این سیستم دارای محیطی با ویژگیهای نویزی، تعاملی، بلادرنگ و رقابتی است. به علت پیچیدگی ذاتی این نوع سیستمهای چندعاملی، از یادگیری ماشین برای آموزش بعضی از رفتارها به عاملها، استفاده میشود. از آنجایی که هدف اصلی یک مسابقة فوتبال گل زدن است، برای یک عامل فوتبال رُباتها مهم است که یک سیاست یا تکنیک واضحی در مورد چگونگی به ثبت رساندن یک گل، در یک موقعیت خاص داشته باشد. پارامترهای بسیار زیادی در تعیین نتیجة یک شوت به سمت دروازه دخیل هستند. از بین این پارامترها، تیم شبیهسازی UvA Trilearn دو پارامتر مهمتر را برای این مهارت در نظر گرفته است. این دو پارامتر شامل «زاویة بین دروازهبان و نقطة هدف دروازه» و «فاصلة توپ تا دروازهبان» هستند. این تیم از روشی استفاده میکند که طی آن در هر موقعیت گلزنی، بهترین نقطه از دروازه برای گل زدن و احتمال گل شدن در این نقطه محاسبه میشود. این تحقیق به گسترش سیاست استفاده شده در این تیم با در نظر گرفتن دو پارامترِ دیگر، زاویة بدن دروازهبان و زاویة گردن آن نسبت به بدن، میپردازد. در این تحقیق با در نظر گرفتن احتمال محاسبهشده توسط تیم UvA و این دو پارامتر اضافی و با استفاده از روشهای مختلف یادگیری، مهارت گلزدن به یک عامل فوتبالیست شبیهسازی شده در محیط دو بُعدیِ شبیهسازی، آموزش داده میشود. روشهای استفاده شده شامل یادگیری تقویتی، شبکههای عصبی، یک ترکیب از شبکههای عصبی و خوشهبندی فازیِ FCM و سیستمِ نرو-فازیِ ANFIS، میباشد. از آنجا که دادگان استفاده شده در آموزش این مهارت، نویزی و نامطمئن (غیرقطعی) هستند، تکنیکهای فازی نتایج بهتری نشان میدهند. در این تحقیق سعی شده با استفاده از روشهای فازی، خطای یادگیری هر چه بیشتر کاهش یافته و بازدهی مهارت گل زدن هر چه بیشتر افزایش یابد. در نتایج این تحقیق نیز چنین چیزی به چشم میخورد.
چکیده انگلیسی :
Abstract The Robotic soccer is one of the complex multi-agent systems in which agents play the role of soccer players. The characteristics of such systems are: real-time, noisy, collaborative and adversarial. Because of the inherent complexity of this type of systems, machine learning is used for training agents. Since the main purpose of a soccer game is to score goals, it is important for a robotic soccer agent to have a clear policy about whether he should attempt to score in a given situation. Many parameters affect the result of shooting toward the goal. UvA Trilearn simulation team considers two important parameters for this behavior which are "the angle between the goalkeeper and the target point of goal" and "the distance of the ball and the goalkeeper". This team used a method in which the best point of goal for scoring and the probability of scoring in this point are calculated in every scoring situation. This research describes expanding the policy which is used in the UvA team, by choosing two additional important parameters, "the body angle of the goalkeeper" and "the neck angle of goalkeeper". In this research, scoring behavior is trained to a simulated soccer agent in the 2-D simulation environment of the RoboCup by considering the probability which is calculated by the UvA team and this two additional parameters as well as using different machine learning techniques. Used methods are reinforcement learning, neural networks, a combination of neural networks and FCM Fuzzy clustering and the neuro-fuzzy system, ANFIS. Because of the noise and uncertainty which are in used training data set, the fuzzy techniques show better results. In this research, we tried to reduce error or to improve the performance of scoring using fuzzy techniques. Results show this fact.
کلید واژه ها :
مهندسی کامپیوتر ◄ هوش مصنوعی ◄ سیستم چندعاملی ◄ سیستم یادگیری ◄ شبیه سازی ◄ شبکه عصبی ◄ مجموعه فازی ◄ خوشه بندی فازی,سیستم فازی- عصبی Computer engineering ◄ Artificial intelligence ◄ Multi agent system ◄ Learning system ◄ Simulation ◄ Neural network ◄ Fuz
بهمن 1383
0
صفحه اول :
University of Isfahan Faculty of Engineering Computer Group M.Sc. Thesis Learning a Behavior to a Simulated Soccer Agent Using Neuro-Fuzzy Supervisor: Dr. Nasser Ghasem-Aghaee By: Azam Rabiei Dolatabadi February 2005
فصل اول :
1-9
فصل دوم :
10-29
فصل سوم :
30-34
فصل چهارم :
35-39
فصل پنجم :
40-50
فصل ششم :
51-62
63-89
90-108
109-120