The deep learning approach to machine learning emphasizes high-capacity, scalable models that learn distributed representations of their input. This thesis addresses the use of deep learning algorithm to design the controller; to explore the feasibility of applying deep learning to control problems. The proposed controller for deep learning is designed by learning PID controller that is most commonly used in industry. The input/output of the PID controller are used as the learning data set for the deep learning network. SAE (Stacked Autoencoder) algorithm is used to design the deep learning controller. We develop an extension of sparse autoencoder by incorporating a stacking 2 autoencoders and softmax layer for hidden units.

Глубокий подход к обучению машинного обучения, подчеркивает высокую ёмкость, масштабируемость моделей, что учиться распределенных представлений об их вводе. Этот тезис рассматривается применение алгоритма самообучения для построения регулятора; изучить возможность применения самообучения для задач управления. Предлагаемый регулятор для самообучения рассчитан на изучение ПИД-регулятор, который наиболее часто используется в промышленности. Вход/выход ПИД-регулятора используются в качестве учебного набора данных для сетевого самообучения. Алгоритм САЕ (наборный Автоэнкодер) используется для разработки регулятор глубокого обучения. Мы разрабатываем расширение разреженный автоэнкодер путем включения штабелировать 2 автоэнкодера и слой softmax для скрытых единиц.