Oprogramowanie Naukowo Techniczne

Dystrybutor oprogramowania MATLAB i Simulink w Polsce

Mathworks
  • Zaloguj
  • Zarejestruj
  • Kontakt
  • Produkty
    Informacje o produktach
    • Lista produktów
    • Mapa produktów
    • Najnowsze wydanie
    • Wersja próbna
    • Cenniki
    • Typy licencji
  • Rozwiązania
    Obszary zastosowań
    • Analityka danych
    • Przetwarzanie obrazów
    • Biologia komputerowa
    • Przetwarzanie sygnałów
    • Internet przedmiotów
    • Systemy komunikacji
    • Matematyka finansowa
    • Systemy wbudowane
    • Mechatronika
    • Testowanie i pomiary
    • Nauka i edukacja
    • Układy sterowania
    • Projektowanie FPGA
    Dziedziny przemysłu
    • Automatyzacja i przemysł maszynowy
    • Przemysł medyczny
    • Biotechnologia i przemysł farmaceutyczny
    • Przemysł motoryzacyjny
    • Telekomunikacja
    • Elektronika i półprzewodniki
    • Transport lądowy i morski
    • Przemysł energetyczny
    • Usługi finansowe
    • Przemysł lotniczy i obronny
  • Wydarzenia
  • Szkolenia
    Szkolenia organizowane przez ONT
    • Szkolenia MATLAB i Simulink – terminy
    • Szkolenia zamknięte
    • Lista dostępnych kursów
  • Webinaria
  • Blog
  • O firmie

Reinforcement Learning Toolbox

Projektowanie i uczenie optymalnych rozwiązań przy pomocy algorytmów „reinforcement learning” (uczenie się przez wzmacnianie).

Moduł Reinforcement Learning Toolbox udostępnia funkcje i bloki dla strategii szkoleniowych wykorzystujących algorytmy uczenia się ze wzmacnianiem, w tym DQN, A2C i DDPG. Przy pomocy tych zasad można projektować kontrolery i algorytmy podejmowania decyzji dla złożonych systemów, takich jak roboty i systemy autonomiczne. Zasady postępowania można zaimplementować za pomocą głębokich sieci neuronowych, wielomianów lub tablicowania .

Zestaw narzędzi umożliwia tworzenie strategii i zasad oraz ich interakcji ze środowiskami reprezentowanymi przez modele MATLABa lub Simulinka. Pozwala również na weryfikację działania algorytmów, dobór ich parametrów oraz monitorowanie postępu uczenia. Aby poprawić wydajność uczenia, możliwe jest przyspieszanie symulacji przy pomocy obliczeń równoległych w chmurze lub na klastrach komputerowych i GPU (moduły: Parallel Computing Toolbox i/lub MATLAB Parallel Server).

Dzięki wsparciu dla formatu ONNX, istniejące zasady i modele mogą być importowane z głębokich sieci neuronowych uczonych w środowiskach, takich jak TensorFlow ™ Keras i PyTorch (przy pomocy Deep Learning Toolbox). Możliwa jest również automatyczna generacja zoptymalizowanego kodu C, C++ oraz CUDA w celu wdrożenia zaprojektowanych algorytmów na mikrokontrolerach i GPU.

Moduł Reinforcement Learning Toolbox zawiera przykłady przedstawiające sposób wykorzystania uczenia się przez wzmacnianie do projektowania sterowników dla robotyki i aplikacji dla autonomicznych pojazdów.

Dołącz do nas:

Kontakt:

Oprogramowanie Naukowo-Techniczne sp. z o.o.
E-mail: info@ont.com.pl
Telefon: +48 12 630 49 50

Siedziba
ul. Pod Fortem 19
31-302 Kraków

© 1992-2022 ONT Oprogramowanie Naukowo Techniczne

Polityka prywatności    Regulamin strony