17 Redes Difusas Dinamicas para Identificacion...

CENTRO DE INVESTIGACIN Y DE ESTUDIOS AVANZADOS
DEL
INSTITUTO POLITCNICO NACIONAL

DEPARTAMENTO DE CONTROL AUTOMTICO

Redes neuronales difusas dinmicas para
identificacin y control adaptable

TESIS QUE PRESENTA
Rigoberto Toxqui Toxqui

PARA OBTENER EL GRADO DE
MAESTRO EN CIENCIAS

EN LA ESPECIALIDAD DE
CONTROL AUTOMTICO

DIRECTORES DE TESIS:
Dr. Wen Yu Liu

Mxico, D.F., abril del 2003.

ndice general
1. Introduccin 1
1.1. Motivacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Publicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Estructura de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Neuro difuso identicacin y control 7
2.1. Redes neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1. La neurona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.2. Topologa de la red neuronal (RN) . . . . . . . . . . . . . . . . . . . 12
2.2. Lgica difusa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1. Conjuntos difusos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.2. Borrosicador (Fuzzier) . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.3. Desborrosicador (Defuzzier) . . . . . . . . . . . . . . . . . . . . . . 17
2.3. Neuro difuso (Neurofuzzy) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1. Esttica y dinmica en sistemas difusos . . . . . . . . . . . . . . . . . 20
2.3.2. Comparaciones generales de sistemas difuso y redes neuronales . . . . 21
2.4. La estabilidad de la entrada a estado (ISS) y funciones de Lyapunov ISS . . 22
3. Esttica neuro difuso para identicacin 25
3.1. Esttica difusa redes neuronales . . . . . . . . . . . . . . . . . . . . . . . . . 25
ii NDICE GENERAL
3.1.1. Estructura tipos mamdani esttica difusa redes neuronales . . . . . . 29
3.1.2. Estructura tipos takagi sugeno kang esttica difusa redes neuronales . 31
3.2. Sistemas de identicacin difusa . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3. Sistemas de identicacin difusa neuronal . . . . . . . . . . . . . . . . . . . . 35
3.3.1. Funciones pertenencia conocidas . . . . . . . . . . . . . . . . . . . . . 35
3.3.2. Funciones pertenencia desconocidas . . . . . . . . . . . . . . . . . . . 37
3.4. Simulacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4. Dinmica neuro difuso para identicacin 49
4.1. Dinmica difusa redes neuronales . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.1. Estructura tipo mamdani dinmica difusa redes neuronales . . . . . . 49
4.1.2. Estructura tipo takagi sugeno dinmica difusa redes neuronales . . . 52
4.2. Sistemas de identicacin con dinmica neuro difuso . . . . . . . . . . . . . 53
4.2.1. Funciones pertenencia conocidas . . . . . . . . . . . . . . . . . . . . . 53
4.2.2. Funciones pertenencia desconocidas . . . . . . . . . . . . . . . . . . . 55
4.3. Simulacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5. Redes neuronales difusas dinmicas para sistemas no lineales de control
adaptable 67
5.1. Estructura difusa neuro control . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2. Difusa neuro control con algoritmo estable . . . . . . . . . . . . . . . . . . . 71
5.2.1. Aprendizaje sin funciones pertenencia . . . . . . . . . . . . . . . . . . 71
5.2.2. Aprendizaje con funciones pertenencia . . . . . . . . . . . . . . . . . 73
5.3. Simulacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6. Conclusiones 83
ndice de guras
2.1. Modelo de una neurona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2. a) Escaln, b) Saturacin c) Sigmoide d) Tangente hiperblica . . . . . . . 13
2.3. Arquitectura bsica de un controlador de lgica difusa (FLC) . . . . . . . . . 16
2.4. Estructura se un sistema de lgica difusa . . . . . . . . . . . . . . . . . . . . 18
2.5. Representacin de la red de un sistema difuso con una red neuronal de tres
capas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1. Arquitectura de un sistema neuronal difuso . . . . . . . . . . . . . . . . . . . 31
3.2. Seleccin de variables de proposicin . . . . . . . . . . . . . . . . . . . . . . 35
3.3. Sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4. Datos de consecuencia y ruido . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.5. Funcin gausiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.6. Aproximacin de la funcin . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.7. Aprendizaje inestable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.8. Error medio cuadratico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.9. Modelado de un sistema no lineal . . . . . . . . . . . . . . . . . . . . . . . . 46
3.10. Error cuadratico medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1. La estructura del sistema de la dinmica neuronal difuso . . . . . . . . . . . 51
4.2. Sistema dinmico catico de Lorenz . . . . . . . . . . . . . . . . . . . . . . 64
iv NDICE DE FIGURAS
5.1. Identicacin del sistema no lineal para el modelo Chen . . . . . . . . . . . . 79
5.2. Identicacin del sistema no lineal para el modelo Narendra . . . . . . . . . 80
5.3. Identicacin del sistema no lineal para el modelo Wen . . . . . . . . . . . . 81
Captulo 1
Introduccin
Las redes neuronales han sido populares modelos en una extensa variedad en modelado
y control, sin embargo las redes neuronales no pueden incluir descripciones en sistemas
lingsticos, por que estos mtodos se dicultan para obtener el conocimiento en una manera
comprensiva. Por otro lado, la deduccin de los sistemas difusos representan el conocimiento
usando etiquetas lingsticas y quizs sea ms fcil de interpretar. Pero los sistemas difusos
no tienen mucha capacidad de aprendizaje, es difcil para un operador humano poner a punto
las reglas difusas y las funciones de pertenencia de un conjunto de datos de entrenamiento.
Entonces prometiendo aproximar para combinar dentro de un sistema integrado, tal que
podemos obtener resultados de ambos sistemas difusos y redes neuronales.
La aproximacin del sistema neuro difuso tiene puestos muchas atenciones recientemente.
La fusin de las dos diferentres tecnologas pueden realizarse en tres direcciones [14].
1. Los sistemas neuronales difusos (redes neuronales basados en sistemas difusos), usan
redes neuronales como herramienta para los modelos difusos.
2. Las redes neuronales difusas (modelos de redes neuronales basados en lgica difusa),
se utilizan para borrosicadores de los modelos de redes neuronales convencionales.
3. Los sistemas hbridos neuronales difusos, unin de tecnologa de lgica difusa y redes
neuronales dentro de sistemas hbridos.
2 Introduccin
Los primeros dos sistemas representan a favor combinaciones, donde una tecnologa esta
presente en la otra. La tercera muestra contribuciones de combinaciones, donde las dos
tecnologas son incluidos para realizar una comn tarea.
Estos modelos libres se aproximan usando una caracterstica de las redes neuronales
y sistemas difusos, pero la falta del modelo hace difcil obtener resultados tericos en la
estabilidad de sistemas neuro difusos. Para el diseo es muy importante asegurar la teora
de estabilidad antes de que estos sistemas quieran aplicarse a controladores neuro difuso
a sistemas reales. A pesar de sus aplicaciones exitosas, no hay muchos resultados en el
anlisis de estabilidad para sistemas neuro difusos ah aparecen un nmero de anlisis de
estabilidad y sntesis de resultados en control difuso. La idea bsica de estos mtodos es
disear un controlador de retroalimentacin o retropropagacin (BP) de cada modelo local y
la construccin de un controlador global del controlador local de tal manera que la estabilidad
global de un sistema de control difuso en lazo cerrado sea garantizado. La existencia de un
controlador difuso para el sistema no lineal puede ser estabilizado con la teora de lgica
difusa.
Las redes neuronales recurrentes han sido estudiados durante las ltimas dcadas. El
anlisis de Lyapunov es apropiado para redes neuronales dinmicas, las redes neuronales de
capa simple fueron discutidos en [36], [39]. Las redes de alto orden y las redes multicapas se
encuentran en [37], [38]. La estabilidad de algoritmos de aprendizaje pueden ser derivados
por el anlisis de la identicacin o error de seguimiento de las redes neuronales.
Desde que las redes neuronales no pueden igualar a los sistemas desconocidos no lineales
exactamente, algunas modicaciones robustas [21] deberan ser aplicados en el gradiente nor-
mal o en los algoritmos de retroalimentacin [36], [39]. La estabilidad de entrada a estado
(ISS) y la aproximacin de pasividad son herramientas alternativas efectivas para redes neu-
ronales dinmicas. Las propiedades de pasividad de redes neuronales dinmicas se describen
en [40].
1.1 Motivacin 3
1.1. Motivacin
Bsicamente la tarea a realizar es un modelo neuronal difuso para sistemas dinmicos de
identicacin y control utilizando un algoritmo de aprendizaje. En artculos publicados por
[6], se analiza el modelado difuso para identicacin de sistemas dinmicos en particular se
describe un nuevo modelo difuso de una red neuronal difusa dinmica (DFNN), consta de
reglas recurrentes Takagi Sugeno Kang (TSK). El objetivo principal parte del borrosicador
esttico, mientras las siguientes partes de la reglas difusas son redes neuronales recurrentes
con la retroalimentacin interior y la sinapsis de retraso de tiempo. La red est entrenada
por medio de un nuevo algoritmo de aprendizaje, el mtodo de optimizacin restringiendo la
dinmica neuronal difuso (D-FUNCOM), basado en el concepto de restringir la optimizacin.
La propuesta del modelo dinmico, provee con el algoritmo de aprendizaje, se aplican a
varios problemas temporales, mientras se incluyen procesos de modelado tipo NARMA y
el problema de la cancelacin de ruido. Comparando con la funcin, estas llevan a series
estticos, sistemas dinmicos y algunos modelos difusos existentes recurrentes.
En general las redes neuronales difusas no pueden igualar a los sistemas no lineales. La
dinmica del no modelado lleva la tendencia de los parmetros al igual que el problema de
estabilidad. Algunas modicaciones robustas han sido incluidos en orden para garantizar
la estabilidad de Lyapunov. En esta tesis se aproxima la estabilidad entrada a estado, es
aplicado a acceso de algoritmos de entrenamiento robusto en redes neuronales difusas. Se
propone el anlisis del modelado neuronal difuso en esta tesis no necesitan una modicacin
robusta y esta robustes en alguna inestabilidad acotada.
1.2. Objetivos
1. El objetivo de esta tesis es abordar el modelo neuronal difuso para identicacin y
control, para sistemas dinmicos y estticos con funciones de pertenencia conocidas y
funciones de pertenencia desconocidas, as como el anlisis de redes neuronales recur-
rentes difusas para sistemas no lineales de control.
4 Introduccin
Modelo neuronal difuso recurrente de tipo takagi sugeno kang (TSK).
Modelo neuronal difuso recurrente de tipo mandani.
2. Algoritmos de aprendizaje estables para dos modelos.
3. Control estable adaptable usando sistemas recurrentes neuro difuso.
1.3. Publicaciones
Parte de esta tesis se present como el artculo titulado "Stable Fuzzy Identication Using
Recurrent Fuzzy Neural Networks"en el IASTED International Conference Neural Networks
and Computational Intelligence, 2003, Cancun, Mxico
1.4. Estructura de la tesis
El presente trabajo consta de seis captulos donde se expone la importancia del trabajo.
En el captulo dos se presenta la estrategia de identicacin para un sistema neuro difuso
de identicacin y control, deniendo redes neuronales, lgica difusa nalmente neuro difuso.
En el captulo tres se describe el sistema esttica neuro difuso para la identicacin,
describiendo la esttica en redes neuronales para una red neuronal de capa simple y multicapa
as como la esttica difusa en redes neuronales describiendo el sistema para la estructura de
las redes neuronales del tipo mandani y takagi sugeno kang. El aprendizaje de funciones de
pertenencia conocidas y funciones de pertenencia desconocidas, posteriormente se presenta
la parte de simulacin.
En el captulo cuatro se dene la dinmica de identicacin neuro difuso, primero redes
neuronales dinmicas para sistemas de capa simple y multicapa en redes neuronales recur-
rentes, como segundo punto se describe la dinmica difusa de redes neuronales, estructura
tipo mandani, takagi sugeno para funciones pertenencia conocidas y funciones pertenencia
desconocidas nalmente se presenta la simulacin.
1.4 Estructura de la tesis 5
En el captulo cinco se hace el anlisis del sistema de redes neuronales difusas dinmicas
para sistemas no lineales de control adaptable, analizando su estructura difusa neuro control,
anlisis de estabilidad difusa neuro control con y sin funciones pertenencia de aprendizaje,
tambin se tiene la parte de la simulacin en donde se comparan tres mtodos diferentes
Chen, Narendra y Wen.
Finalmente en el capitulo seis se presentan las conclusiones generales del trabajo, as
mismo se presentan propuestas para futuros trabajos.
6 Introduccin
Captulo 2
Neuro difuso identicacin y control
2.1. Redes neuronales
La creciente demanda en tecnologa de nuestra sociedad requiere nuevos enfoques para
los problemas actuales de control. Las Redes Neuronales (RN) con su masivo paralelismo y
su capacidad para aprender prometen mejores soluciones, al menos para algunos problemas.
En este momento, la comunidad de control ha puesto su atencin en las RN y se pregunta si
pueden ser usadas para obtener mejores soluciones para viejos problemas o quiz soluciones
a problemas que se han resistido a nuestros mejores esfuerzos.
El uso de las RN en control puede verse como un paso natural en la evolucin de la teora
de control. Viendo hacia atrs la evolucin del control se ha visto motivada por tres aspectos
fundamentales: la necesidad de tratar con sistemas complejos; la necesidad de cumplir con la
creciente demanda de nuevos modelos de control y la necesidad de obtener esos modelos con el
menor conocimiento de la planta y el medio ambiente, es decir la necesidad de controlar bajo
incertidumbre. La necesidad de controlar sistemas dinmicos complejos bajo incertidumbre
ha conducido a la revaluacin de los mtodos convencionales de control, y por lo tanto la
necesidad de nuevos mtodos es obvia. Esto tambin ha conducido a un concepto mas general
de control, uno que incluye decisin, planeacin y aprendizaje, los cuales son cualidades
necesarias cuando se desea un sistema con autonoma. En vista a esto, no es de sorprender
8 Neuro difuso identicacin y control
que la comunidad de control este muy activa buscando nuevas ideas para resolver de forma
efectiva los problemas de control de la sociedad moderna. La necesidad es la madre de la
invencin, y en control no ha sido la excepcin, y por ejemplo en el siglo III se diseo un reloj
de agua con un mecanismo de retroalimentacin, el primer artefacto con retroalimentacin
en la historia. As el uso de las RN en control es un paso bastante natural en su evolucin. Las
RN parecen ofrecer un mejor entendimiento y quizs la solucin de algunos de los problemas
de control mas difciles. Es claro que las RN pueden ser aceptadas y usadas si ellas resuelven
problemas que han sido previamente imposible o muy difcil de resolver. Las RN pueden ser
rechazadas y ser solo producto de la moda, como lo han sido inventos tales como la mquina
de escribir elctrica entre otros, si no promueven su utilidad. El reto es entonces encontrar
el mejor camino para utilizar completamente esta nueva poderosa herramienta en control.
Al referirnos a RN en control es importante dar las caractersticas y propiedades ms
signicativas de las RN:
Las RN poseen una gran habilidad para la aproximacin de funciones.
Los elementos bsicos de procesamiento en una RN tienen una estructura simple. Esto
en conjuncin con una implementacin en paralelo resulta en un procesamiento muy
rpido.
La capacidad de aprendizaje y de generalizacin de las RN las convierte en una her-
ramienta poderosa principalmente en sistemas variantes adems de su capacidad de
adaptacin en lnea.
Las RN pueden operar con datos de forma cuantitativa as como de forma cualitativa.
Las RN pueden procesar muchas entradas y tambin muchas salidas, por lo tanto son
altamente aplicables en sistemas multivariables.
Desde el punto de vista de control la habilidad de las RN para tratar con sistemas no
lineales es un punto muy signicativo. Respecto a este tema mtodos para el diseo de
2.1 Redes neuronales 9
controles no lineales que incluyen mtodos terico-prcticos y optimizacin juegan un rol
importante y una posibilidad es el uso de RN para obtener sistemas de control no lineales.
Otra rea en control es la teora de control adaptable. Esta rea ha producido muchos
resultados tericos en los ltimos 20 aos, sin embargo es solo relativo a la teora de sistemas
lineales, por lo tanto cuando estamos tratando con sistemas no lineales variantes en el tiempo
los cuales son bastante mas complejos las RN son una buena opcin.
Autores como Widrow (et. al.) [7] denen una red neuronal como un sistema con entradas
y salidas que est compuesta de muchos elementos de procesamiento similares. Cada elemento
de procesamiento tiene un nmero de pesos sinpticos o simplemente pesos. Ajustando los
pesos de un elemento se puede cambiar el comportamiento del mismo y, por lo tanto, puede
tambin alterar el comportamiento de total de la red para alcanzar la relacin de entrada
salida deseada. Este ltimo proceso es conocido como entrenamiento de la red.
Para nuestro propsito una Red Neuronal (RN) la denimos como un aproximador no
lineal de funciones compuesto como dijimos anteriormente de neuronas, organizadas en una
topologa especca que utiliza una ley de aprendizaje para mejorar su desempeo.
2.1.1. La neurona
La neurona o elemento de procesamiento a su vez estn constituidas de: vector de entrada,
pesos, umbral, un operador matemtico de suma y funcin de activacin, Figura (2.1).
El primer modelo matemtico de una neurona biolgica fue dado por Mc Culloch y Pitt
[8] y es el siguiente:
y = (
n
X
i=0
w
i
u
i
) (2.1)
donde: u
i
, i = 1, 2, ..., n son las entradas a la neurona, u
0
es la entrada al umbral e y es la
salida de la neurona, los pesos sinpticos w
i
<, i = 1, 2, ..., n cambian su valor segn se
requiera, (.) es la funcin de activacin. Lapedes Farber mostr, una arquitectura que es
bsicamente la misma que la de Mc Culloch y Pitt, esta es:
y(k) = (v(k)); v(k) =
n
X
i=0
w
i
u
i
(k) (2.2)
w
i0
u
0
=+1
w
i0
=
i
(bias)
w
i1
u
1
w
i2
u
2
w
im
u
m
(.)
Entradas
Salida
y
i
Funcin de
activacin
Operador
Suma
Pesos
Sinpticos
v
i
Figura 2.1: Modelo de una neurona
donde y, , w y u son denidas como en el prrafo anterior, k es la variable de tiempo. A
continuacin se da una descripcin de cada uno de los elementos
Vector de entrada
Es denotado por U, U = (u
1
, u
2
, ..., u
m
) donde m es el nmero de entradas a la RN y
a su vez la dimensin de U, este vector U son los datos con los que va operar la neurona,
estas pueden ser dadas del medio ambiente o ser salidas de neuronas anteriores. Cabe hacer
notar que si estamos hablando de identicacin de funciones o control de sistemas U = U(k),
donde k K <; es la variable del tiempo, ya sea, segn sea el caso, continuo o discreto,
para esta situacin las entradas generan una matriz E <
nxm
donde m es la dimensin del
vector de entradas y n es la dimensin del subespacio K, esta n generalmente se le conoce
como nmero de iteraciones.
Pesos sinpticos
Al ser capturados los datos de entrada estos son propagados a travs de la red, en el
proceso de propagacin cada componente u
i
del vector de entrada U es multiplicada por una
2.1 Redes neuronales 11
variable w
ij
, la cual aumenta o atena la seal de entrada, a w
ij
se le conoce como peso
sinptico o simplemente peso, estos pesos no tienen el mismo valor siempre sino que se van
modicando segn se requiera para tener un mejor desempeo, posteriormente puede haber
una convergencia y entonces estar jos. Cuando se habla de que una red es capaz de aprender
se reere al hecho de poder modicar sus pesos w
ij
, el conjunto de pesos genera una matriz
W, es decir, w
ij
es la ij-sima componente de la matriz de pesos W.
El umbral
Denotado por
i
es simplemente un peso mas, pero a diferencia de estos el umbral tiene
una entrada ja de (-1). En el contexto en que usaremos las RN, el umbral nos sirve para
trasladar el punto de equilibrio de la RN, del origen x = 0 a un punto x 6= 0.
Operador de suma
Realiza la adicin de los productos u
i
w
ij
, la operacin aqu descrita constituyen una
combinacin lineal generando un campo local inducido (CLI) v
i
, es decir:
v
i
=
X
i
u
i
w
ij
i
(2.3)
La funcin de activacin
Denotada por (), dene la salida de la neurona en trminos del CLI v
i
, en [9] es denida
como una funcin para limitar la amplitud de la salida neuronal. Sin embargo en el sentido
en el que estamos tratando las Redes Neuronales, la razn de ser de la funcin de activacin
es la de proporcionar un comportamiento no lineal a la red y as poder aproximar funciones
de todo tipo, el teorema universal de aproximacin de funciones [9] da condiciones para
determinar si una funcin , es una funcin de activacin.
La funcin Sigmoide, Tangente Hiperblica, Saturacin o Escaln cumplen las condiciones
del teorema y son utilizadas como funciones de activacin. Las tres primeras funciones son
aptas para nuestro propsito, el escaln como veremos mas adelante tiene una gran aplicacin
en reconocimiento de patrones.
Funcin Escaln: Para este tipo de funcin de activacin tenemos que:
(v) =
(
1 si v 0
1 si v < 0
(2.4)
donde v es el CLI.
Funcin Saturacin (Sat): Esta denida por la siguiente ecuacin:
(v) =
_
_
c si v +1
v si + 1 > v > 1
c si v 1
(2.5)
donde el factor de amplicacin c es generalmente tomado como 1, pero su valor puede variar
segn sea requerido en las tareas de identicacin y control.
Funcin Sigmoide (Sigm): Es de hecho la funcin ms comn en la construccin de
RN. Esta es denida como una funcin estrictamente creciente que exhibe un balance entre
una conducta lineal y no lineal y es denida por:
(v) =
1
1 + exp(av)
(2.6)
donde a es un parmetro que dene la pendiente de la funcin sigmoide.
Funcin Tangente Hiperblica (Tansig): Al igual que la sigmoide es una de las
principales funciones en la construccin de las RN especialmente como es mencionado en
tareas de identicacin y control:
(v) =
1 exp(av)
1 + exp(av)
(2.7)
donde a es como antes, un parmetro. Las funciones escaln, saturacin, sigmoide as como
la tangente hiperblica son mostradas en la Figura (2.2).
2.1.2. Topologa de la red neuronal (RN)
Es la forma en que se organizan las neuronas en una RN y existen dos tipos fundamentales
Redes Estticas (Feed Forward), (RNFF) y Redes Recurrentes (RNR) o Redes Dinmicas.
En las RNFF, todas las seales neuronales se propagan hacia adelante. No existen conex-
iones hacia atrs y normalmente tampoco autorrecurrentes, ni laterales y son especialmente
tiles en tareas de reconocimiento o clasicacin de patrones [10].
2.2 Lgica difusa 13
Figura 2.2: a) Escaln, b) Saturacin c) Sigmoide d) Tangente hiperblica
Las RNR son aquellas donde la informacin circula tanto hacia adelante como hacia
atrs durante el funcionamiento de la red. Para que esto sea posible, existen conexiones
hacia adelante y retroalimentaciones, [10]. En este trabajo de tesis utilizaremos una red
hbrida que posee las dos caractersticas pero asociada principalmente con las RNR.
2.2. Lgica difusa
En los aos 60s fue el comienzo de la teora de la lgica difusa, esto fue debido por Lot
A. Zadeh in 1965 con su publicacin de conjuntos difusos, en los 70s la teora continuo
creciendo, surgieron las aplicaciones reales, es justo decir que la teora difuso establecida
como el campo independiente el gran parte debido a la dedicacin y notablemente al trabajo
de Zadeh, lo ms fundamental de la teora de lgica difusa fue propuesto por Zadeh en los
60s y cerca de los 70s, despus el propuso los algoritmos difusos en 1968, [12].
La lgica difusa se utiliza en un amplio rango de aplicaciones como:
Controladores de lavadoras, sistemas de aire acondicionado, video cmaras, mecanismos
de control, sistemas de control de mini submarinos, controladores del metro as como horno
de microondas.
La lgica difusa permite tratar informacin imprecisa, en trminos de conjuntos difusos
veremos que estos conjuntos se combinan en reglas para denir acciones, por ejemplo, si la
temperatura es alta entonces enfra mucho. De esta manera, los sistemas de control basados en
lgica difusa combinan una variable de entrada (denidos en trminos de conjuntos difusos),
por grupos que producen uno o varios valores de salida. Hablando ya en trminos ms
rigurosos, la teora de lgica difusa parte de la teora clsica de conjuntos, aadiendo una
funcin de pertenencia al conjunto, denida sta como un nmero real entre 0 y 1, as se
introduce el concepto de lgica difusa determinado a un valor lingstico. Para cada conjunto
o subconjunto difuso se dene una funcin de pertenencia o inclusin
A
(t) , que indica el
grado en el cual la variable t est incluida en el concepto que esta representado por la etiqueta
A.
2.2.1. Conjuntos difusos
Recordando el ejemplo de las personas, esta situacin puede describirse asignando un 1
a todos los elementos incluidos en el conjunto y un 0 a los no incluidos. A la funcin que
asigna estos valores se llama funcin de inclusin o pertenencia (membership funtion).
A los subconjuntos difusos se les puede aplicar determinados operadores, o bien pueden
realizarse operaciones entre ellos. Al aplicar un operador sobre un slo conjunto difuso se
obtiene otro conjunto difuso, de la misma manera al combinar dos o ms subconjuntos
mediante algunas operaciones, se obtendr otro conjunto.
Sean los subconjuntos difusos identicados por las etiquetas A y B, asociados a una
variable linguistica x, entonces se pueden denir tres operaciones bsicas: complemento unin
e interseccin. Estas operaciones pueden expresarse de la siguiente manera en trminos de
funciones de pertenencia de los conjuntos difusos A y B.
Sea U un conjunto cualquiera y M = [0, 1], su conjunto asociado de pertenencia. Si se
considera a un conjunto difuso A U, entonces el complemento de A ser:
2.2 Lgica difusa 15
Complemento
A
(x) = 1
A
(x) x U
Sea U un conjunto cualquiera y M = [0, 1], su conjunto asociado de pertenencia. La
unin difusa de dos conjuntos difusos, A U y B U, se dene como:
Unin
AB
(x) = m ax [
A
(x) ,
B
(x)]
A
(x)
B
(x) x U, donde indica
la operacin mxima.
Sea U un conjunto cualquiera y M = [0, 1], su conjunto asociado de pertenencia. La
interseccin difusa de dos conjuntos difusos, A U y B U, se dene como:
Interseccin
AB
(x) = mn [
A
(x) ,
B
(x)]
A
(x)
B
(x) x U, donde
indica la operacin mnima.
Es importante resaltar que el funcionamiento de estas operaciones bsicas coincide con
los correspondientes a los de la teora clsica de conjuntos.
Operaciones entre conjuntos difusos
Operaci on Rango
Igualdad
A
(x) =
B
(x) x U
Unin
AB
(x) = m ax [
A
(x) ,
B
(x)] x U
Interseccin
AB
(x) = mn [
A
(x) ,
B
(x)] x U
Complemento
A
(x) = 1
A
(x) x U
Norma
Norma(A)
(x) =

A
(x)
max[
A
(x)]
x U
Concentracin
Conc(A)
(x) = (
A
(x))
2
x U
Dilatacin
Dilat(A)
(x) = (
A
(x))
0,5
x U
(2.8)
La arquitectura tpica de un control difuso lgico (FCL) se muestra en la Figura (2.3). El cual
se compone de cuatro principales componentes: un borrosicador, una regla difusa base, una
maquina de inferencia (Inference Engine) y un desborrosicador (defuzzier). En la salida
del desborrosicador no hay una accin de control para una planta, entonces el sistema es
un sistema de decisin de lgica difusa. El borrosicador tiene el efecto de transformar los
datos medidos alterados.
Fuzzifier Defuzzifier Planta
( ) x ( ) y
y
x x
Motor
Consecuencia
Base
Regla difusa
Estados
o
Salidas
( ) x ( ) y
y
x x
Maquina
de
Inferencia
Base
Regla difusa
( ) x ( ) y
y
x x
Motor
Consecuencia
Base
Regla difusa
Estados
o
Salidas
( ) x ( ) y
y
x x
Maquina
de
Inferencia
Base
Regla difusa
Figura 2.3: Arquitectura bsica de un controlador de lgica difusa (FLC)
2.2.2. Borrosicador (Fuzzier)
A continuacin de enuncian algunas deniciones necesarias:
Inferencia borrosa tambin como en el caso de la lgica clasica, la borrosa se ocu-
pa del razonamiento formal con proposiciones, pero a diferencia de sta, los valores de las
proposiciones pueden tomar valores intermedios entre verdadero y falso. De esta forma, los
conjuntos borrosos tambin representan predicados en la lgica proposicional. El objeto de
la lgica borrosa es proporcionar un soporte formal al razonamiento basado en el lenguaje
natural, que se caracteriza por tratarse de un razonamiento de tipo aproximado, que hace
uso de unas proposiciones que a su vez expresan informacin de carcter impreciso.
Borrosicador esto establece una relacin entre puntos de entrada no borrosos al sis-
tema x = (x
1
, ..., x
n
)
T
, y sus correspondientes conjuntos borrosos A en U. Se pueden utilizar
diversas estrategias de borrosicacin.
Borrosicador singleton. Es el mtodo de borrosicacin ms utilizado, principalmente
en sistemas de control consiste en considerar los valores propios discretos como conjuntos
borrosos. De otra manera para cada valor de entrada x se dene un conjunto A
0
que lo soporta,
con una funcin de pertenencia
A
(x
0
) , de modo que
A
(x) = 1, (x
0
= x) , y
A
(x
0
) = 0,
2.2 Lgica difusa 17
para todos los otros x
0
U en los que x
0
6= x.
Borrosicador no singleton. Este mtodo de borrosicador utiliza una funcin exponencial
del tipo siguiente:
A
0 (x
0
) = a exp[
x
0
x
] (2.9)
Funcin con forma de campana, centrada en el valor x de entrada, de anchura y amplitud
a.
El conjunto de declaraciones consta de una regla base difusa, el cual es una parte vital de
un sistema de lgica difusa (FLS), como se observa en la Figura siguiente (2.4), la base de la
regla difusa (fuzzy inference engine), combina las declaraciones de la regla base, acordndose
de aproximar por razn de la teora a producir un mapeo del conjunto difuso en la entrada del
espacio U a el conjunto difuso en la salida del espacio V . El borrosicador (fuzzier), mapea
en conjunto de entradas difusa en la entrada del espacio y el desborrosicador (defuzzier),
mapea agregando la salida del conjunto difuso una simple punto en la cresta de la salida en
el espacio.
2.2.3. Desborrosicador (Defuzzier)
Se llaman dispositivos de inferencia borrosa a los sistemas que interpretan las reglas de
tipo IF - THEN de una base de reglas, con el n de obtener los valores de salida a partir de
los actuales valores de las variables lingsticas de entrada al sistema.
Desborrosicador es la funcin que transforma un conjunto borroso en V , normalmente
la salida de un dispositivo de inferencia borrosa, en un valor no borroso y V. Para esto se
utilizan diversos mtodos.
Desborrosicador por mximo, esta denido como:
y = arg sup
yV
(
B
0 (y)) (2.10)
es decir, y es el punto de V en que
G
0 (y) alcanza su valor mximo, donde
B
0 (y) est
denido segn la ecuacin
B
0 (y) =
B
1 (y)

+...

+
B
M (y) (2.11)
FUZZIFIER DEFUZZIFIER
BASE DE LA REGLA DIFUSA
DEDUCCION DIFUSA DEL
PROCESADOR
SALIDA
( EN V )
ENTRADA
EN ( U )
( CONJUNTO DIFUISO EN U ) ( CONJUNTO DIFUISO EN V )
FUZZIFIER DEFUZZIFIER
BASE DE LA REGLA DIFUSA
DEDUCCION DIFUSA DEL
PROCESADOR
SALIDA
( EN V )
ENTRADA
EN ( U )
( CONJUNTO DIFUISO EN U ) ( CONJUNTO DIFUISO EN V )
Figura 2.4: Estructura se un sistema de lgica difusa
Desborrosicador por medida de centros, de la manera siguiente
y =
P
M
l=1
y
1
B
0
y
l
P
M
l=1
(
B
0 ( y
l
))
(2.12)
donde y
1
representa el centro del conjunto fuzzier G
l
( denido como el punto de V en el
que
G
l (y) alcanza su valor mximo ), y
B
0 (y) esta denido como:
B
0 (y) = sup
xU
h
F
l
1
x...F
l
n
G
l (x, y)
A
0 (x)
i
(2.13)
Desborrosicador por centro de rea, denido como, [11].
y =
P
M
l=1
M
l
B
0
y
l
P
M
l=1
A
l
(
B
0 ( y
l
))
=
P
M
l=1
R
l
V

B
0
y
l
2
dyM
l
B
0
y
l
P
M
l=1
R
V

B
0 ( y
l
) dy
(2.14)
donde M
l
es el momento (entorno al eje y del universo de discurso de la salida V ), de la
funcin de inclusin del conjunto borroso G
l
, A
l
es el rea, y
B
0 (y) est denida como la
ecuacin (2.13).
2.3 Neuro difuso (Neurofuzzy) 19
Capa 3
Capa 2
Capa 1
1
y
M
y
f a b =
1
Z
M
Z
f
1
X
n
X
i
X
( ) exp = = L
Capa 3
Capa 2
Capa 1
1
y
M
y
f a b =
1
Z
M
Z
f
1
X
n
X
i
X
( ) exp = = L
Figura 2.5: Representacin de la red de un sistema difuso con una red neuronal de tres capas
La Figura (2.5), representa la salida del sistema difuso, es calculado como f(x) = a/b.
Estas operaciones de tres etapas se muestra como la Figura siguiente con tres capas de la
red de retroalimentacin (feedforward).
2.3. Neuro difuso (Neurofuzzy)
El conjunto difuso o neurofuzzy son sistemas que usan lgica difusa que se comprende de
juegos difusos y las reglas difusas que es combinando los datos numricos y lingsticos.
La lgica difusa usa las condiciones del idioma naturales como: fro, caluroso, caliente,
pequeo, medio, grande. Tales condiciones no son precisas y no pueden representarse en la
teora normal del juego. Los juegos difuso les permiten a los miembros ser bien, la funcin
parcial de pertenencia como el nmero de miembros multijo normal. Este conjunto parcial
habilita; La diferencia primaria entre los sistemas difuso y neurofuzzy, es que los sistemas
difusos son especialistas en la construccin y los sistemas neurofuzzy son entrenados de datos.
Aunque el software permite usar una combinacin de los dos acercamientos interactivamente.
Las reglas de lgica difusa se usan en sistemas difusos y neuro difuso, representndose en
trminos lingsticos la relacin de entradas del sistema a sus salidas.
2.3.1. Esttica y dinmica en sistemas difusos
Uno de los ms importantes conceptos de propiedades de sistemas dinmicos es la es-
tabilidad, sin embargo es difcil analizar la estabilidad de sistemas no lineales nos gustara
que los sistemas difusos y las RN, como a continuacin se dice que el anlisis de estabilidad
de sistemas de controles difusos, el control difuso ha sido exitosamente aplicado en muchas
aplicaciones industriales practicas, varias metodologas existentes para el anlisis de estabil-
idad para sistemas de control difuso fueron analizados por: [Mamdami, 1976; Kickert and
Mamdami, 1978; Tong, Chen 1989].
R
i
: Si x es A
i
& y es B
i
, entonces z = a
i
0
+a
i
1
x + ... a
i
n
y (2.15)
Donde x, y son variables lingsticas estas representan la distancia y orientacin en relacin
a las cotas de la orientacin, z es el prximo que sigue el ngulo decidido por el ith regla de
control, y a
i
0
, a
i
n
son los parmetros de entrada en el proceso de la identicacin. La identi-
cacin se hace optimizando un mnimo cuadrados desempeando el ndice como un mtodo
de regresin lineal con pesos (Un algoritmo recursivo es el algoritmo de mnimos cuadrados)
[Tong, 1978a; Takagi y Sugeno, 1983, 1985; Sugeno y Kang, 1986,1988]. Sumando el mode-
lado de una accin de operador, este mtodo es tambin usando el modelo (Identicacin)
controlando el proceso recordando sus datos entradas - salidas, el cual incluye parmetros de
aprendizaje como la estructura de aprendizaje [Sugeno y Tanaka, 1991]. Estos son llamados
reglas de control lingsticas aproximndose al modelado difuso o identicacin difusa. El
modelo Takagi y Sugeno tiene la siguiente forma:
L
i
: Si x(k) es A
i
1
& ... & x(k n + 1) es A
i
n
& u(k) es B
i
1
& ... & u(k m + 1) es B
i
m
Entonces x
i
(k + 1) = a
i
0
+a
i
1
x(k) + ... a
i
n
x(k n + 1)
+b
i
1
u(k) + ... b
i
m
u(k m+ 1)
(2.16)
donde x() es la variable de estado, x
i
(k + 1) es la salida de la regla L
i
, u() es la variable
de entrada
2.3 Neuro difuso (Neurofuzzy) 21
2.3.2. Comparaciones generales de sistemas difuso y redes neu-
ronales
Los sistemas Difusos y las RN (Redes Neuronales), ambos son estimados modelos numri-
cos y sistemas dinmicos. Estos comparten la capacidad de mejorar la inteligencia del sistema
trabajando en un indeterminado, impreciso, y el ruido del medio ambiente. Los sistemas di-
fuso y las RN calculan ejemplos de funciones y se comportan tal como memorias asociadas.
Ambos tienen una ventaja en lo tradicional de la estimacin estadstica y en la aproximacin
del control adaptable de una funcin estimacin. Estos estiman una funcin sin necesidad
de una descripcin de la funcin matemtica de donde la salida de la funcionalidad depende
en la entrada; que ellos aprenden de ejemplos numricos, la lgica difusa y la aproximacin
de neuronas son numricamente por naturaleza.
A pesar de que los sistemas difusos y las RN son de forma similar, hay signicantes difer-
encias entre estos. Estos dieren de la manera en que ellos estiman las funciones probadas,
representan y dar un reconocimiento de la estructura, y asociativamente la deduccin o
mapeo de entradas y salidas.
Las RN tienen un grande numero favorablemente de elementos a procesar (nodos), el
cual demuestra la habilidad de aprendizaje y generalizacin de patrones de entrenamiento
[14], los sistemas difusos la base de sus decisiones de su entrada en la forma linguistica las
variables se derivan de funciones el cual son formulas usadas para determinar el conjunto
difuso el cual el valor pertenece y el grado de la funcin esta en el conjunto. Las variables
entonces se igualan con las precondiciones de la regla lingsticas Si Entonces (IF - THEN)
(regla de lgica difusa), la respuesta de cada regla se obtiene a travs de una implicacin
difusa.
Bsicamente los sistemas difuso estiman funciones con conjuntos difusos por ejemplo
(A
i
, B
i
), mientras las RN usan puntos numricos por ejemplo (x
i
, y
i
) , en una RN x
i
quiz
representa los pxeles que hagan una imagen, mientras que y
i
quiz representan una clasi-
cacin de un vector, en una RN x
i
, y
i
dependiendo de sus entradas y salidas pueden aprender
de un mapeo ajustando sus pesos, por otra parte los conjuntos difusos si A
i
se caracteriza
el estado de un factor y B
i
la posibilidad de la presencia o ausencia de varios rupturas en el
factor, entonces la reglas difusas y la deduccin se usaron para determinar la probabilidad
que uno de estas rupturas quiz se represente por una funcin de A
i
.
Opcin de sistemas difusos o RN. Se entiende que una RN y la lgica difusa se usan
cuando uno o mas variables de estado son continuos y cuando un modelo matemtico del
proceso no existe o existe pero es tan difcil integrar es decir es tan complejo ser evaluado
rpidamente para una operacin en tiempo real. Entonces necesitamos encontrar cual mtodo
es el mejor y cuando debe ser usado, la teora de las RN, conjuntos difusos y lgica difusa
como desarrollando son sistemas abstractos que no hacen extensa demanda con respecto a
biolgicas o psicolgico recomendables.
Introducimos el teorema de estabilidad para sistemas difusos que proveer una condicin
suciente que garantiza la estabilidad de un sistema difuso acordndose de la denicin de
estabilidad en el sentido de Lyapunov.
2.4. La estabilidad de la entrada a estado (ISS) y fun-
ciones de Lyapunov ISS
En esta seccin estudiamos ISS, para sistemas no lineales en tiempo discreto, esto fue
propuesto inicialmente por Sontang (1989, 1990), la estabilidad de la entrada a estado es otra
elegante aproximacin para analizar la estabilidad adems el mtodo de Lyapunov. Puede
llevar a las conclusiones generales en la estabilidad usando la entrada y las caractersticas del
estado, entendiendo las dependencias de las trayectoria de estados en magnitud de entrada
para sistemas del tipo:.
Considere el sistema no lineal de tiempo discreto siguiente:
x(k + 1) = f[x(k), u(k)] (2.17)
y(k) = h[x(k)]
dnde u(k) R
m
es el vector de entrada , x(k) R
n
un vector de estado, y Y (k) R
m
es
2.4 La estabilidad de la entrada a estado (ISS) y funciones de Lyapunov ISS 23
la salida del vector f y h son generalmente funciones suaves no lineales, f, h C
. De las
siguientes deniciones tenemos que.
Denicin 2.1 El sistema (2.17), se dice que es globalmente estable entrada estado ISS
si ah existe una funcin k () ( continuo y estrictamente creciente si (0) = 0 ) y una
funcin k$ () (funcin k y el lim
s
k
(s
k
) = 0), tal que para cada u L
, entonces
el sup {ku(k)k} < , y cada estado inicial x
o
R
n
, esto dice que kx(k, x
o
, u(k))k
(kx
o
, kk) + (u(k)) .
Denicin 2.2 Una funcin continua V : R
n
R 0 se llama una funcin suave de
Lyaponov ISS del sistema (2.17), si: (a) existe un funcin k
(funcin k
y el lim
s
k
i
(s
k
) =
)
1
() y
2
() son tal que:
1
(s) V (s)
2
(s), s R
n
(b) Ah existe una funcin k

3
() y una funcin k
4
() tal que V
k+1
V
k

3
(kx(k)k)+
4
ku(k)k , x(k) R
n
, u(k) R
m
.
Teorema 2.3 Para un sistema no lineal de tiempo discreto ecuacin (2.17), lo siguiente es
equivalente [23].
1. Es la estabilidad de entrada a estado (ISS).
2. Es estable y robusto.
3. Admite una funcin suave de Lyapunov ISS
Si un sistema no lineal es estable entrada a estado, el comportamiento del
sistema, permanece acotado cuando sus entradas son acotadas.
Propiedad 2.4 Si un sistema no lineal es estable entrada a estado, el comportamiento del
sistema, permanece acotado cuando sus entradas son acotadas.
Captulo 3
Esttica neuro difuso para
identicacin
3.1. Esttica difusa redes neuronales
En general, las redes neuronales difusa no se pueden igualar con precisin a los sistemas
no lineales. El modelo dinmico puede ser el primero en llevar la tendencia de los parmetros
al igual que el problema de inestabilidad. Algunas modicaciones robustas tienen que ser in-
cluidas para garantizar la estabilidad de Lyapunov. En este modelo la estabilidad de entrada
a estado se aproxima y se aplica para acceder al algoritmo de entrenamiento robusto de redes
neuronales difusas. Concluimos que la ley descendiente del gradiente normal dependiente con
una proporcin de aprendizaje de tiempo variante es estable en el sentido L
. El modelado
neuronal difuso se aproxima a lo propuesto en este modelo, no necesita ninguna modicacin
robusta y es robusto en alguna inestabilidad acotada.
Ambas redes neuronales y la lgica difusas son consistentes universales, estos pueden
aproximar cualquier funcin no lineal en alguna exactitud con tal de que las neuronas ocultas
sucientes o reglas difusas que estn disponibles. Recientemente resultados dicen que la fusin
de las dos diferentes tecnologas parece ser muy ecaz para modelar una clase extensamente
de sistemas no lineales complejos cuando nosotros no tengamos la informacin completa de
26 Esttica neuro difuso para identicacin
algn modelo [13],[17],[14]. El algoritmo de retroalimentacin (backpropagation, BP), son
siempre usados para conectar los parmetros de funciones del conjunto difuso (fuzzy sets)
y los pesos del borrosicador (las redes neuronales). La baja velocidad de aprendizaje y
el mnimo local son principales conictos del algoritmo de BP [25]. Algunas modicaciones
de aprendizaje del BP se deducen. [16] propuso un BP robusto que aprende para resistir el
efecto del ruido y rechazar los errores a su totalidad durante la aproximacin. [34] Bspline
para funciones de conjunto difuso a minimizar la funcin del objeto robusto, la velocidad de
convergencia fue mejorado. Las redes neuronales de RBF y la idea dinmica fueron aplicadas
en [29], para determinar la estructura y parmetros del sistema neuronal difuso.
Para los ingenieros es muy importante asegurar la estabilidad en la teora, antes de que
ellos quieran aplicar el modelado a la tcnica neuronal difusa a sistemas reales. Se conoce bien
que los algoritmos normales de identicacin (por ejemplo, gradiente y mnimo cuadrado)
son estable para condiciones ideales.
Sin la seguridad del modelo dinmico, estos procedimientos adaptables pueden ser fcil-
mente inestables. La falta de robustez de identicacin de parmetros se demostr en [18] y
llego a ser un problema directo en 80s. Varias tcnicas de modicacin robustas para identi-
cacin adaptable se propusieron en [21]. La actualizacin de los pesos del modelado neuro
difuso es una clasicacin de identicacin de parmetros, el aprendizaje del gradiente de-
scendiente normal y la retroalimentacin son algoritmos estables, si el modelo neuronal difuso
puede igualar exactamente a la planta no lineal. Generalmente tenemos que hacer algunas
modicaciones de estos algoritmos por eso estos procesos de aprendizajes son estables.
El operador de proyeccin es muy efectivo para asegurar las cotas de los parmetros para
el modelado difuso [33]. La tcnica de la proyeccin tambin se usa por muchos sistemas
difusos neuronales [31].
Otro mtodo generalizado es usando las tcnicas de modicacin robustas de control
adaptable [21], en modelado de redes difusas. Por ejemplo, [35] aplicando un cambio de
modicaciones para prevenir la tendencia de parmetros.
El modelado neuronal difusa esta en el sentido de aproximacin de una de caja negra.
Todas las incertidumbres pueden ser considerando las partes de la caja negra, entonces, sin la
3.1 Esttica difusa redes neuronales 27
dinmica del modelo puede ser considerado dentro del modelo, no como las incertidumbres
estructuradas. Por lo tanto las tcnicas usadas comnmente no son necesarias. En [24],
los autores propusieron un algoritmo estable y un coeciente de aprendizaje ptimo sin
la modicacin robusta. El coeciente ptimo fue difcil ser encontrado, de tal manera
que la bsqueda gentica del algoritmo fue usado. Usando la teora de pasividad, nosotros
demostramos ese descenso del gradiente de los algoritmos sin la modicacin robusta fueron
estables y para algunas inestabilidad acotado para las redes neuronales recurrentes [41] neuro
identicacin [42].
En este modelo nosotros extendemos nuestros resultados anteriores para modelado de
redes neuronales difusos. La estabilidad de la entrada a estado (ISS) la aproximacin se aplica
para obtener nuevas leyes de aprendizaje de modelado neuronal difuso. Para mejorar nuestro
conocimiento, ISS se acercan para el sistema neuronal difuso no se ha establecido todava
en la literatura. Comparado con [24], nosotros tambin usamos el coeciente de aprendizaje
tiempo variante, pero este coeciente de aprendizaje puede calcularse directamente de los
datos de entrada salida. El algoritmo de aprendizaje es ms simple que en [24].
Ambas Redes neuronales y la lgica difusa son los evaluaciones universales, ellos pueden
aproximar cualquier funcin no lineal a alguna correccin, con tal de que las neuronas ocul-
tas sucientes y las reglas difusas estn disponibles. Escribiendo resultados muestra que el
procedimiento de fusin de estas dos tecnologas diferentes parece ser muy ecaz para la
identicacin de sistemas no lineales [13], [17], [14]. El gradiente descendiente y la retroali-
mentacin son siempre usados para ajustar los parmetros de las funciones de pertenencia
(fuzzy sets) y los pesos de los borrosicadores (Redes Neuronales) para redes neuronales
difusas. La lenta convergencia y el mnimo local son principales inconvenientes de estos al-
goritmos [25]. Algunas modicaciones fueron derivados en recientes publicaciones. [16] hacer
pensar que la ley de retroalimentacin robusta para resistir el efecto del ruido y rechazar
los errores durante la tendencia de la aproximacin. [34] usando la funcin de pertenencia
B-spline para minimizar una funcin robusta, sus algoritmos pueden mejorar la velocidad
de convergencia. En [29], las redes neuronales con funciones radiales bsicas (RBF) son
aplicados a sistemas difusos, las redes neuronales se aplicaron a sistemas difusos, un nuevo
acercamiento para determinar la estructura y parmetros de los sistemas neurales difusos
fue propuesto.
El problema de estabilidad de identicacin neural difusa es muy importante en las apli-
caciones. Se conoce bien que los algoritmos de identicacin normal (por ejemplo, gradiente
descendiente de pendiente y mnimos cuadrados) son estable en las condiciones ideales. En
la presencia de la dinmica del no modelado, ellos pueden volverse inestables. La falta de
robustez de la identicacin de los parmetros se demostr en [18] y llego a ser un problema
directo en los 80s, cuando algunas tcnicas de la modicacin robustas fueron sugeridas
[21]. El procedimiento de aprendizaje de las redes neural difusas puede considerarse como un
tipo de identicacin de parmetros. El gradiente descendiente dependiente y algoritmo de
retroalimentacin son estables, si los modelos neuronales difusos pueden igualar a las plantas
no lineales exactamente. Sin embargo, algunas modicaciones robustas deben aplicarse para
asegurar la estabilidad con respecto a las incertidumbres. La proyeccin del operador es una
herramienta ecaz para garantizar la cota del modelado difuso [24]. Es tambin usado por
muchos sistemas neurales difusos [31].
La identicacin neuronal difusa usa datos de entrada salida y estructura del modelo.
Puede considerarse como la aproximacin de una caja negra. Todo las incertidumbres pueden
ser consideradas como partes de la caja negra, es decir, la dinmica del no modelado est
dentro del modelo de la caja negra, no como las incertidumbres estructuradas. Por consigu-
iente las tcnicas de robusticidad comnmente usadas no son necesarias. En [32], los autores
sugirieron estabilidad y la velocidad de aprendizaje ptimo sin la modicacin robusta, un
algoritmo gentico de investigacin fue propuesto para encontrar el porcentaje ptimo. Sin
embargo el algoritmo es complejo, y difcil de comprender. Usando la teora de pasividad,
nosotros demostramos con xito que para tiempo continuo las redes neuronales recurrentes,
los algoritmos de gradiente descendiente sin la modicacin robusta eran estables y robus-
tos en alguna cota [41], y para la identicacin de tiempo continuo estos fueron tambin
robustamente estables [42]. No obstante, hacer en tiempo discreto las redes neuronales di-
fusa tienen caractersticas similares. El mejor conocimiento, ISS se aproxima para el sistema
neural difuso todava no se aplic en la literatura.
En esta seccin de estabilidad de entrada a estado (ISS) la aproximacin se aplica a
la identicacin del sistema por redes neuronales difusas. Son considerados dos casos: 1)
la proposicin pertenencia son supuestamente conocidos, predeterminar de algn modo en
progreso y aprendiendo a llevar slo los parmetros a conclusin, y 2) la actualizacin de
peso incluye ambos la proposicin y los parmetros para concluir. Los nuevos algoritmos
estables con las proporciones de aprendizaje de tiempo variantes se aplica a dos tipos de
modelos neuronales difusos, llamados tradicionalmente modelo del tipo Mamdani y modelo
de TSK.
El sistema no lineal para identicacin
y(k) = h[x(k)] = [y (k 1) , y (k 2) , u(k 1) , u(k 2) , ] = [X (k)] (3.1)
donde
X (k) = [y (k 1) , y (k 2) , u(k d) , u(k d 1) , ]
T
(3.2)
3.1.1. Estructura tipos mamdani esttica difusa redes neuronales
Los modelos difusos Mandani y TSK se han usado por mas de dos decadas en el modelado
de sistemas en la teora de control (anlisis y diseo).
El trabajo presenta un inovadora interpretacin de los modelos difusos Mandani y TSK,
estos modelos permiten saber que una mejor representacin para sistemas dinmicos. El mod-
elo Mandani es mejor para sistemas estticos, mientras que el modelo TSk para dinmicos,
El modelo Mandani sera una mejor aproximacin para sistemas dinmico.
El sistema se representa por reglas difusas en la forma siguiente:
Modelo mandani
R
(i
1
,...,in)
: si

x
1
es X
(i
1
)
1
y,..., y

x
n
es X
(in)
n
entonces

x
n+1
es X
(i
1
,...,in)
n+1
(3.3)
R
i
: si x
1
es A
1i
y x
2
es A
2i
y, ..., x
n
es A
ni
entonces y
1
es B
1i
y, ..., y
m
es B
mi
(3.4)
l = (1, 2, ..., n) difuso si entonces las reglas para realizar un vector de un mapeo de entrada
lingstica X = [x
1,...,
x
n
] R
n
a una variable de salida lingstica. A
1i
, ..., B
mi
son conjuntos
difusos estandares [33]. Para la variable de entrada x
i
hay l
conjunto difusos. En el caso

de una conexin completa, l = l
1
l
2
, ..., l
n
de [33] sabemos que, usando la inferencia del
producto, centro promedio y borrosicador singleton, el kth salida del sistema lgica difusa
se expresa como:
y
p
= (
l
X
i=1
w
pi
[
n
Y
j=1
Aji
]/
l
X
i=1
[
n
Y
j=1
Aji
])
=
l
X
i=1
w
pi
i
(3.5)
donde
Aji
, son las funciones de pertenencia del conjunto difuso A
j
y w
pi
es el punto en el
cual
Bpi
= 1. Si denimos
i
=
n
Y
j=1
Aji
/
l
X
i=1
n
Y
j=1
Aji
. (3.6)
La ecuacin (3.5) puede ser expresado como parmetros
Y (k) = W
k
[X (k)] (3.7)
donde
Y (k) = [ y
1
, ..., y
m
]
T
= W
k
=
_
_
w
11
w
1l
.
.
.
w
m1
w
ml
_
_
(3.8)
el vector de datos [X (k)] = [
1
, ...,
l
]
T
.
La arquitectura de una red neuronal difusa FNN ver Figura (3.1), consta de cuatro capas,
los nodos de entradas y los nodos de salidas se encuentran en la capa I y la capa IV, las
capas ocultas se forman de nodos de reglas para reglas difusas.
Capa I II III IV
2
x
1
x
n
x
11
A
1l
A
1 n
A
nl
A
1
1
w
ml
w
1
y
m
y
Capa I II III IV
2
x
1
x
n
x
11
A
1l
A
1 n
A
nl
A
1
1
w
ml
w
1
y
m
y
Figura 3.1: Arquitectura de un sistema neuronal difuso
3.1.2. Estructura tipos takagi sugeno kang esttica difusa redes
neuronales
Para el modelo neuronal difuso Takagi Sugeno Kang tenemos
R
i
: si x
1
es A
1i
y x
2
es A
2i
y, ..., x
n
es A
ni
entonces y
j
= p
i
j0
+p
i
j1
x
1
+... + p
i
jn
x
n
(3.9)
donde j = 1, , m. el pth salida del sistema de lgica difusa puede expresarse como
b y
p
=
l
X
i=1
p
i
p0
+p
i
p1
x
1
+ p
i
pn
x
n
i
(3.10)
donde
i
es denido como en la ecuacin (3.6). La ecuacin (3.10) puede ser expresado en
la forma del tipo Mamdani (3.7),
b
Y (k) = W (k) [x(k)]
donde
b
Y (k) = [b y
1
b y
m
]
T
W (k) =
_
_
p
1
10
p
l
10
p
1
11
p
l
11
p
1
1n
p
l
1n
.
.
.
.
.
.
.
.
.
p
1
m0
p
l
m0
p
1
m1
p
l
m1
p
1
mn
p
l
mn
_
_
(3.11)
[x(k)] =
h

1

l
x
1
1
x
1
l
x
n
1
x
n
l
i
T
(3.12)
Estructura Takagi Sugeno
3.2. Sistemas de identicacin difusa
La idea principal es presentar una herramienta matemtica para construir un sistema
modelo difuso, generalmente hablando el modelo de construccin por datos de entrada y
salida es caracterizado por dos cosas; el primero por una herramienta matemtica para
expresar un modelo de sistemas y el otro es un mtodo de identicacin.
Tambin se muestra el mtodo de identicacin de un sistema usando datos de entrada
y salida, como sabemos para la identicacin de sistemas se divide en dos partes: estructura
de identicacin y parmetros de identicacin.
La estructura de implicaciones difusa y algoritmos de razonamientos, denotamos la fun-
cin de pertenencia de un conjunto difuso A como A(x), x X. Todos los conjuntos difusos
son asociados con funciones lineales, entonces la funcin pertenencia es caracterizado por
dos parmetros dando el grado mas alto 1 y el grado menos 0. El valor verdadero de una
proposicin x es A & y es B, se expresa por:
|x es A & y es B| = A(x) B(y) (3.13)
Formas de implicaciones, la implicacin difusa R es de la forma:
R : es f(x
1
es A
1
, ..., x
k
es A
k
) entonces y = g(x
1
, ..., x
k
) (3.14)
3.2 Sistemas de identicacin difusa 33
donde
y es la variable de respuesta cuyo valor es deducido
x
1
x
k
proposicin de variables que muestran en la parte del resultado
A
1
A
k
conjunto difuso con funciones lineales representando un subespacio
difuso en el cual la implicacin R puede ser aplicado
f funcin lgica que conecta la proposicin
g funcin que implica el valor de y cuando x
1
x
k
satisface la proposicin
En la proposicin si A
i
es igual a X
i
para algn i donde X
i
es el universo.
Proposicin de cambio de variables
Se propone un algoritmo para el cambio de variables de las variables de entrada con-
siderables. Como han sido previamente declaradas, todas las variables de las consecuencias
que no siempre aparecen en las proposiciones. Hay dos problemas interesados con el algorit-
mo. Uno es el cambio de variables: para elegir una variable en la proposicin esto implica
que es inciertamente dividido. El otro es el nmero de divisiones. El problema completo es
una combinacin, por eso en general ah al parecer no tericamente hay una aproximacin
disponible.
Aqu justamente se lleva a buscar un mtodo descrito en los siguientes pasos.
Suponemos que construimos un modelo difuso de entrada K esima x
1
, ..., x
k
y un
sistema de salida nica.
El rango de x
1
se divide en dos subespacios difusos grande y pequeo, el rango
de las otras variables x
2
, ..., x
k
no son divididas, se reere que solo x
1
aparece en la
proposicin de la implicacin. Entonces el modelo consiste de dos implicaciones.
Si x
1
es grande
1
entonces ...
Si x
1
es chico
2
entonces ...
Este modelo se llama 1-1. Simultneamente, un modelo en el cual el rango de x
2
se divide
y el rango de las otras variables x
1
, x
3,
..., x
k
no son divididas entonces son el modelo 1-2. De
esta manera tenemos k modelos, en el cual se compone de dos implicaciones. En general, el
modelo 1-i es de la forma
Si x
i
es grande
i
entonces ...
Si x
i
es chico
i
entonces ...
Para cada modelo los parmetros de la proposicin ptima y parmetros de consecuen-
cia son encontrados por el algoritmo que se describe en la seccin previa. El modelo
ptimo con el mnimo ndice de desempeo se aprueba fuera del modelo k. Este paso
se llama estado estable.
Comenzando de un estado estable como el primer paso, se dice que el modelo 1-i,
donde solo la variable x
i
se muestra en la proposicin, toma todas las combinaciones
de x
i
x
j
(j = 1, 2, ..., k) y divide el rango de cada variable en dos subespacios difusos.
Para la combinacin de x
i
x
i
, el rango de x
i
se divide en cuatro subespacios, por
ejemplo grande, medio grande, medio chico y chico. Entonces se obtiene el
modelo k el cual cada modelo se llama 2 j. Entonces cada modelo consiste de 2 2
implicaciones. Encontramos de nuevo un modelo con el mnimo ndice de proposicin
como el paso 2 que tambin se llama un estado estable en este paso.
Repitiendo el paso 3 simultneamente de manera de poner otra variable dentro de la
proposicin.
La bsqueda se detiene si cualquiera de los siguientes criterios se satisfacen.
1) El ndice de la proposicin de estado estable llega a ser menos que el valor predeter-
minado.
2) El nmero de implicaciones de un estado estable excede los nmeros predeterminados.
El cambio de variables en la proposicin se muestra en la Figura (3.2).
3.3 Sistemas de identicacin difusa neuronal 35
1
x
2
x
Inicio
Estable
Estable
Estable
i
x
i j
x x
1 i
x x
1 i j
x x x Estado 3
Estado 2
Estado 1
k
x
i k
x x
1
x
2
x
Inicio
Estable
Estable
Estable
i
x
i j
x x
1 i
x x
1 i j
x x x Estado 3
Estado 2
Estado 1
k
x
i k
x x
Figura 3.2: Seleccin de variables de proposicin
3.3. Sistemas de identicacin difusa neuronal
3.3.1. Funciones pertenencia conocidas
Cuando tenemos alguna informacin anterior de la planta a identicar, podemos construir
reglas difusas como en las ecuaciones (3.4) y (3.9). Suponemos que las funciones pertenencia
A
li
, ..., A
ni
son dados por conocimiento anterior, entonces
i
=
n
Q
j=1
A
ji
/
l
P
i=1
n
Q
j=1
A
ji
se conoce
[16], [29], [35]. El objetivo del modelado de la neurona difusa es encontrar valores del centro
de B
1i
B
mi
( los pesos entre las capas III y IV como se muestran en la Figura (3.1)), tal
que la salida
b
Y (k) de la red neuronal difusa (3.7), sigue la salida Y (k) de la planta no lineal
(3.1).
El error de identicacin se dene como:
e(K) =

Y (K) Y (K) (3.15)
El modelado neuronal difuso discutido en este modelo es un tipo de identicacin en lnea,
entonces usaremos el modelado del error e(k) para entrenar las redes neuronales difusas
la ecuacin (3.7) en lnea tal que

Y (k) puede aproximarse a Y (k). segn las teoras de
aproximacin de la funcin de lgica difusa [24] y las redes neuronales [9], el proceso de
identicacin no lineal la ecuacin (3.1) se puede representar como:
Y (k) = W
[X(k)] (k) (3.16)

donde W
son los pesos desconocidos que pueden minimizar el no modelado dinmico (k).
Teorema 3.1 Si nosotros asumimos que las redes neuronales difusas la ecuacin (3.7), el
modelado de la planta no lineal de la ecuacin (3.1), el siguiente algoritmo de descenso de
gradiente con una proporcin de aprendizaje de tiempo variante se puede hacer la identi-
cacin del error acotado e(k) .
W (k + 1) = W (k)
k
e(k)
T
[X(k)] (3.17)
donde
k
=

1 + k[X(k)k
2
, 0 < 1. El error de identicacin normalizado satisface el
siguiente promedio de desempeo
e
2
N
(k) =
e
2
(k)
1 + m ax
k
(k[X(k)]k
2
)
(3.18)
J = lmsup
T
1
T
T
k=1
e
2
N
(k)
(3.19)
donde = max
k
[
2
(k)].
Demostracin. [43]
Propiedad 3.2 Porque el modelo neuronal difuso no puede igualar los sistemas no lineales
exactamente. As nosotros no podemos hacer que los parmetros de convergencia neuronales
difusas a sus valores ptimos, nosotros solo queremos forzar la salida de las redes neuronales
para seguir la salida de la planta. Aunque los valores de los pesos no pueden converger a sus
valores ptimos, la ecuacin (3.19) las muestras de la identicacin normalizado del error
converger al radio de la bola .
3.3 Sistemas de identicacin difusa neuronal 37
3.3.2. Funciones pertenencia desconocidas
Cuando consideramos la planta como una caja negra, ninguna de las proposiciones ni los
parmetros consecuentes son conocidos (ver [28], [34], [32]). Ahora el objeto del modelado
de la neurona difusa es encontrar valores centrales de B
1i
B
mi
, como seran las funciones
pertenencia A
1i
A
ni
, tal que la red neuronal difusa (3.7), puede seguir la planta no lineal
(3.1).
La funcin gaussiana pertenencia son aprovechados para identicar las reglas difusas en
esta seccin, el cual se dene como
A
ji
= exp
(x
j
c
ji
)
2
2
ji
!
(3.20)
Teorema 3.3 Si nosotros usamos la red neuronal difusa de tipo Mamdani (3.4) para iden-
ticar la planta no lineal (3.1), el siguiente algoritmo de retroalimentacin, hacer que la
identicacin del error e (k) sea acotado.
W
k+1
= W
k
k
e (k) Z (k)
T
c
ji
(k + 1) = c
ji
(k) 2
k
z
i
w
pi
b yp
b
x
j
c
ji
2
ji
(b y
q
y
q
)
ji
(k + 1) =
ji
(k) 2
k
z
i
w
pi
b yp
b
(x
j
c
ji
)
2
3
ji
(b y
q
y
q
)
(3.21)
donde
k
=

1 + kZk
2
+ 2 kD
z
k
2
, 0 < 1. El promedio de la identicacin del error
satisface
J = lmsup
T
1
T
T
X
k=1
e
2
(k)

(3.22)
donde =

(1 +)
2
> 0, = max
k
kZk
2
+ 2 kD
z
k
2
, = max
k
2
(k)
.
Demostracin. [43]
Para el modelo neuronal difuso del tipo Takagi Sugeno Kang ecuacin (3.4) seleccionamos
A
ji
, como funciones gaussiana. La qth salida del sistema lgico difuso puede expresarse como
b y
q
=
l
X
i=1
n
X
k=0
p
i
qk
x
k
!
n
Y
j=1
exp
(x
j
c
ji
)
2
2
ji
!
/
"
l
X
i=1
n
Y
j=1
exp
(x
j
c
ji
)
2
2
ji
!#
(3.23)
donde x
0
= 1. La parte
l
P
i=1
qi
w
qi
z
i
/b
q
es la ecuacin (??) fue cambiado como
l
X
i=1
n
X
k=0
p
i
qk
p
i
qk
x
k
!
z
i
/b (3.24)
El teorema siguiente nos da un algoritmo estable para la red neuronal difusa del tipo TSK.
Teorema 3.4 Si usamos la red neuronal difusa de tipo TSK de la ecuacin (3.23) para
identicar la planta no lineal ecuacin (3.1), el algoritmo siguiente hace la identicacin del
error acotado e (k) .
p
i
qk
(k + 1) = p
i
qk
(k)
k
(b y
q
y
q
)
z
i
b
x
k
c
ji
(k + 1) = c
ji
(k) 2
k
z
i
w
pi
b yp
b
x
j
c
ji
2
ji
(b y
q
y
q
)
ji
(k + 1) =
ji
(k) 2
k
z
i
w
pi
b yp
b
(x
j
c
ji
)
2
3
ji
(b y
q
y
q
)
(3.25)
donde
k
=

1 + kZk
2
+ 2 kD
z
k
2
, 0 < 1.
Demostracin. [43]
Uno puede observar que TSK necesita solo una formulacin diferente comparativo al
tradicional modelo Mamdani y la diferencia entre el teorema (3.3) y teorema (3.4), es contener
de la ley de actualizacin para p
i
qk
(k) .
3.4. Simulacin
Ejemplo 3.5 R si x
1
es chico y x
2
es grande entonces
y = x
1
+x
2
+ 2x
3
(3.26)
La implicacin de estado que si x
1
es chico y x
2
es grande, entonces el valor de y debera ser
igual a la suma de x
1
, x
2
y 2x
3
, donde x
3
no es condicionado de la propuesta.
R : si x
1
es A
1
&...& x
k
es A
k
, entonces y = p
0
+p
1
x
1
+... +p
k
x
k
.
3.4 Simulacin 39
El algoritmo de razonamiento, suponemos que tenemos implicaciones R
i
(i = 1, ..., n) ante-
riormente entonces tenemos:
(x
1
= x
0
1
, ..., x
1
= x
0
k
) , donde x
0
1
x
0
k
son singleton, el valor de y se deduce en los pasos sigu-
ientes:
1.- Para cada implicacin R
i
, y
i
se calcula por la funcin g
i
el resultado es:
y
i
= g
i
x
0
1
, ..., x
0
k
= p
i
0
+p
i
1
x
0
1
, ..., +p
i
k
x
0
k
(3.27)
2.- El valor verdadero de la proposicin y = y
i
se calcula por la ecuacin:
y = y
i
x
0
1
es A
i
1
&...& x
0
k
es A
i
k
(3.28)
R
i
=

A
i
1
(x
0
1
) ... A
i
k
(x
0
k
)
R
i
(3.29)
donde || se reere al valor verdadero de la proposicin * & es la proposicin para el
operador mnimo, y |x
0
es A| = A(x
0
), entonces el grado de x
0
. Por simplicidad se asume
que |R
i
| = 1 por eso el valor verdadero del resultado se obtiene como:
y = y
i
= A
i
1
(x
0
1
) ... A
i
k
(x
0
k
) (3.30)
3.- la salida nal y se deduce de n implicaciones es dado como el promedio de todos los y
i
con los pesos
y = y
i
: y =
X
|y = y
i
| y
i
X
|y = y
i
|
(3.31)
En este ejemplo se muestra la identicacin usando un sistema de datos recopilados de entra-
da salida con ruidos. La deduccin tpica del ruido esta en el 5 % de la salidas. Este sistema
tiende a ser notado que se puede identicar justo los mismos parmetros de la condicin
como el sistema original si el ruido no existe.
Es de gran importancia un punto de salida anteriormente hecho, si este no es el caso se
puede armar la valides de un algoritmo de identicacin a la vez con una descripcin de
lenguaje sistema difuso.
Suponemos que el sistema original existe ver Figura (3.3), con las dos implicaciones
siguientes:
Si x es entonces y = 0.6x+2
0 7
4 10
0 7
4 10
Figura 3.3: Sistema
la funcin es consecuencia de implicaciones en datos con ruidos de entrada salida como
se muestra a continuacin Figura (3.4), los parmetros propuestos de identicacin como
se muestran, podemos ver que casi siempre son los mismos parmetros y estos han sido
derivados. En esta seccin, se sugiere un algoritmo de aprendizaje estable que es evaluado
como una funcin de aproximacin y un sistema a identicar.
Ejemplo 3.6 Una Funcin de aproximacin de 2 dimensiones
Nosotros queremos usar el algoritmo estable para aproximar la funcin siguiente:
f(x
1
, x
2
) = 0.52 + 0.1x
1
+ 0.28x
2
0.6x
1
x
2
este ejemplo se toma de [33], ellos usan el siguiente sistema difuso para aproximar esto.
f =

x1
x2
f(x
1
, x
2
)
A
1
A
2
x1
x2
A
1
A
2
(3.32)
se usara la red neuronal difusa la ecuacin (3.7). La entrada X(k) = [x
1
(k), x
2
(k)] . Usamos
el mismo conjunto difuso como en [33]. El numero de conjunto difuso para cada variable de
entrada en la ecuacin (3.5). Hay 25 reglas difusas. La funcin que asocia para x
1
y x
2
son
funciones pertenencia en [2, 2], ver Figura (3.5). como en la Figura (3.1), n = 2, l
1
= l
2
=
3.4 Simulacin 41
y
15
12
9
6
3
0 1 2 3 4 5 6 7 8 9 10 x
+ + + +
+ +
+ +
+++ + +
++
+
+
+
+ + + + ++++
+++ + +++
+ +
++
+++
+ ++ +
+++ + + + +
++++
+ ++
y
15
12
9
6
3
0 1 2 3 4 5 6 7 8 9 10 x
+ + + +
+ +
+ +
+++ + +
++
+
+
+
+ + + + ++++
+++ + +++
+ +
++
+++
+ ++ +
+++ + + + +
++++
+ ++
Figura 3.4: Datos de consecuencia y ruido
0 100 200 300 400 500 600
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Funcin membership
0 100 200 300 400 500 600
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Funcin membership
Figura 3.5: Funcin gausiana
0 100 200 300 400 500 600
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
y
y
0 100 200 300 400 500 600
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
y
y
Figura 3.6: Aproximacin de la funcin
11, l = 121, m = 1. y x
1
(k) y x
2
(k) son seleccionados como:
x
1
(k) =

2 exp
(x(k) c)
2
x
2
(k) =

2 exp
(x(k) 8.25)
2
(3.33)
donde k = 1, 2, ..., T. En esta simulacin nosotros dejamos T = 600. El algoritmo de apren-
dizaje es como en la ecuacin (3.17), con = 1. El resultado de identicacin y los pesos se
muestran en la Figura (3.6). Para vericar la efectividad del algoritmo, nosotros encontramos
despus de 2.7, el proceso de aprendizaje se hace inestable. El resultado de identicacin
con = 2.7. se muestra en la Figura (3.7). El teorema (3.1), nos da una condicin necesaria
de para aprendizaje estable, con 1. En este ejemplo la estabilidad se limita a ser
aumentado a un valor de < 2.7. Para una aplicacin real, podemos seleccionar un = 1.
Del teorema (3.1) el modelado del error asegura que es estable. Si queremos un proceso de
aprendizaje rpido aumentando un poco ms el valor de quizs tambin sea el error de
3.4 Simulacin 43
0 100 200 300 400 500 600
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Figura 3.7: Aprendizaje inestable
identicacin estable.
Para este sistema el error medio cuadratico queda expresado en la Figura (3.8).
Ejemplo 3.7 Identicacin del sistema no lineal
Usamos un sistema no lineal para ilustrar el aprendizaje del gradiente descendiente
ecuacin (3.17) y el algoritmo de retroalimentacin ecuacin (3.21) y el problema estable.
La planta identicada es (Ejemplo 4 de [27]).
y(k) =
y(k 1)y(k 2)y(k 3)u(k 1)[y(k 3) 1] +u(k 1)
1 +y(k 2)
2
+y(k 3)
2
(3.34)
la entrada de la seal se selecciona como:
u(k) =
_
_
sin(

15
)
1
1
0.3 sin(

15
k) + 0.1 sin(

22
k) + 0.603 sin(
k
8.5
)
_
_
k < 200
200 k < 400
400 k < 600
600 k < 1000
(3.35)
0 100 200 300 400 500 600
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Figura 3.8: Error medio cuadratico
nosotros usamos la red neuronal difusa la ecuacin (3.7), para identicar la ecuacin (3.34),
X(K) = [y(k 1), y(k 2), y(k 3), u(k 1), u(k 2)]
T
para la Figura (3.1), n = 5, l
j
= 10(j = 1, ..., 5). El mtodo para evitar el peso computacional,
nosotros usamos una simple conexin, es decir, la entrada para
k
es solo A
1k
, A
k2
, ...,
A
nk
(k = 1, ..., l). As l = 10, m = 1. Las funciones pertenencia son escogidas como funciones
gaussiana.
Aji
(k) = exp((
x
j
(k) c
ji
ji
)
2
) (3.36)
El centro c
ji
y el ancho
ji
, son constantes aleatorias entre [0, 1]. La complejidad del modelo
es importante en el contexto de la identicacin del sistema, el cual corresponde al nmero de
unidades de reglas del modelo neuronal difuso. En esta simulacin nosotros intentamos probar
diferentes nmeros de nodos ocultos, nosotros encontramos que despus que los dominios de
los nodos es ms que l > 10, la identicacin aproximada no mejorara mucho. Nosotros
seleccionamos = 1 para actualizar los pesos W
k
como en la ecuacin (3.7). Las condiciones
3.4 Simulacin 45
iniciales para W
k
son aleatorios entre [0, 1]. El resultado de identicacin se muestra en
Figura (3.9), y ele error cuadratico medio en la Figura (3.10).
Del teorema (3.1). Dar una condicin necesaria de para el aprendizaje estable, 1.
En este ejemplo, nosotros encontramos que si 3.1, el proceso de aprendizaje llega a ser
inestable.
Comparando el gradiente normal descendiente, el porcentaje de aprendizaje en tiempo
variante
k
en la ecuacin (3.17) es ms fcil para ser comprendido. Este ejemplo se ha
hecho en varios artculos. Por ejemplo, una red neuronal multicapas [27] (la velocidad de
aprendizaje jando = 0.025), la red difusa recurrente tipo TSK [5] y las redes neuronales
difusas dinmica [6]. Uno puede ver que el algoritmo propuesto en este modelo la ecuacin
(3.17), es ms fcil de comprender para el diseo. Quizs ah existe una mejor como en [24],
pero muchas de las simulaciones han sido hechas para encontrar un porcentaje de aprendizaje
mejor de .
0 100 200 300 400 500 600 700 800 900 1000
-1.5
-1
-0.5
0
0.5
1
( ) y k
( ) y k
0 100 200 300 400 500 600 700 800 900 1000
-1.5
-1
-0.5
0
0.5
1
( ) y k
( ) y k
Figura 3.9: Modelado de un sistema no lineal
3.4 Simulacin 47
0 100 200 300 400 500 600 700 800 900 1000
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
Figura 3.10: Error cuadratico medio
Captulo 4
Dinmica neuro difuso para
identicacin
4.1. Dinmica difusa redes neuronales
4.1.1. Estructura tipo mamdani dinmica difusa redes neuronales
Un modelo difuso de un grupo se presenta como una coleccin de reglas difusas de la
forma siguiente:
R
i
: si x
1
(k) es A
1i
y x
2
(k) es A
2i
y, ..., x
n
(k) es A
ni
entonces x
1
(k + 1) es B
1i
y, ..., x
n
(k + 1) es B
ni
o x
1
(k + 1) es u
1
C
1i
y, ..., x
m
(k + 1) es u
m
C
mi
, ..., x
n
(k + 1) es C
ni
(4.1)
entonces se puede escribir de las dos formas siguientes:
R
i
1
: si x
1
(k) es A
1i
y x
2
(k) es A
2i
y, ..., x
n
(k) es A
ni
entonces

2
x
1
(k + 1) es B
1i
y, ...,

2
x
n
(k + 1) es B
ni
R
i
2
: si x
1
(k) es A
1i
y x
2
(k) es A
2i
y, ..., x
n
(k) es A
ni
entonces

2
x
1
(k + 1) es u
1
C
1i
y, ...,

2
x
m
(k + 1) es u
m
C
mi
, ...,

2
x
n
(k + 1) es C
ni
(4.2)
donde es conocida y es una constante positiva, se tiene que l (i = 1, 2, ..., l) la regla difusa
(si entonces) realiza un mapeo de un vector de entrada X = [ x
1
, ..., x
n
] R
n
a un vector de
50 Dinmica neuro difuso para identicacin
salida

Y (k) = [ x
1
(k + 1), ..., x
m
(k + 1)]
T
.
A
1i
, ..., A
ni
, B
1i
, ..., B
ni
y C
1i
, ..., C
ni
son conjuntos difusos bsicos. Para entrada variable
x
i
hay l
i
conjuntos difusos. En el caso de conexin completa, l = l
1
l
2
, ..., l
n
, usando la
consecuencia del producto, centro promedio y la salida pth del sistema de lgica difusa se
expresa como.
b x
p
(k + 1) =

2
l
P
i=1
w
1pi
"
n
Q
j=1
A
ji
#!
/
l
P
i=1
"
n
Q
j=1
A
ji
#!
=

2
l
P
i=1
w
1pi
i
b x
p
(k + 1) =

2
l
P
i=1
u
i
w
2pi
"
n
Q
j=1
A
ji
#!
/
l
P
i=1
"
n
Q
j=1
A
ji
#!
=

2
l
P
i=1
u
i
w
2pi
i
(4.3)
donde
A
ji
es una funcin pertenencia del conjunto difuso A
ji
, w
pi
es el punto en el cual
B
pi
= 1. Si denimos
i
=
n
Y
j=1
A
ji
/
l
X
i=1
n
Y
j=1
A
ji
(4.4)
la ecuacin (4.3) se puede expresar en forma de matriz como
b x(k + 1) = W
1
(k) [x(k)] +W
2
(k) [x(k)] U (k) (4.5)
donde los parmetros,
W
k
=
_
_
w
11
w
1l
.
.
.
w
n1
w
nl
_
_
(4.6)
el vector de datos [x(k)] = [
1

l
]
T
, U(k) = [u
1
, u
2
u
m
, 0, 0]
T
. La estructura del
sistema de la esttica neuronal difuso se muestra en la Figura (3.1). Estas cuatro capas de
la red neuronal difuso fue estudiado por [14]. La estructura del sistema dinmicos neuronal
difuso se muestra en la Figura (4.1). La identicacin del sistema no lineal se muestra como
(2.17), asumimos que la planta es estable BIBO, y entonces x(k) y u(k) son acotados. Segun
el teorema Stone Weierstrass, en general la funcin suave no lineal se escribe como:
x(k + 1) = W
1
[x(k)] +W
2
[x(k)] U (k) +(k) (4.7)
4.1 Dinmica difusa redes neuronales 51
) (
1
k x
) (k x
n
) 1 (
+
k x
n
) 1 (
1
+
k x
11
w
nl
w
1
11
A
1
1l
A
n nl
A
1 n
A
I II III IV
Capa
1
z
n nl
A
1
11
A
1
1l
A
n nl
A
1 n
A
) (
1
k x
) (k x
n
11
u
nl
u
1
u
2
u
n
u
) (
1
k x
) (k x
n
) 1 (
+
k x
n
) 1 (
1
+
k x
11
w
nl
w
1
11
A
1
1l
A
n nl
A
1 n
A
I II III IV
Capa
1
z
n nl
A
1
11
A
1
1l
A
n nl
A
1 n
A
) (
1
k x
) (k x
n
) (
1
k x
) (k x
n
) 1 (
+
k x
n
) 1 (
1
+
k x
11
w
nl
w
1
11
A
1
1l
A
n nl
A
1 n
A
I II III IV
Capa
1
z
n nl
A
1
11
A
1
1l
A
n nl
A
1 n
A
) (
1
k x
) (k x
n
11
u
nl
u
1
u
2
u
n
u
Figura 4.1: La estructura del sistema de la dinmica neuronal difuso
donde W
1
y W
2
son pesos constantes que pueden minimizar (k) , el error a modelar es
(k)
e (k) = b x(k) x(k) (4.8)
Ahora de la ecuacin (4.7) tenemos
e (k + 1) =
f
W
1
(k) [x(k)] +
f
W
2
(k) [x(k)] U (k) + (k) (4.9)
donde
f
W
1
(k) = W
1
(k) W
1
,
f
W
2
(k) = W
2
(k) W
2
,
1
(k) el error es una aproximacin
de segundo orden,
0
es la derivada de la funcin de activacin no lineal () en el punto
de W
1
(k) . Despus la funcin de activacin es una sigmoide ,
1
(k) es acotada como
k
1
(k)k
2

1
,
1
es una constante positiva no conocida. Donde (k) =
1
(k)+
2
(k)(k) .
En el siguiente teorema tenemos un algoritmo de aprendizaje estable de tiempo discreto de
una red neuronal de capa simple.
4.1.2. Estructura tipo takagi sugeno dinmica difusa redes neu-
ronales
R
i
: Si x
1
es A
1i
y x
2
es A
2i
y , , x
n
es A
ni
entonces b y
j
= p
i
j0
+p
i
j1
x
1
+ p
i
jn
x
n
(4.10)
donde j = 1, , m. el pth salida del sistema de lgica difusa puede expresarse como
b y
p
=
l
X
i=1
p
i
p0
+p
i
p1
x
1
+ p
i
pn
x
n
i
(4.11)
donde
i
es denido como en la ecuacin (4.4). Ahora la ecuacin (4.11) puede ser expresado
en la forma del tipo Mamdani ecuacin (4.5),
b
Y (k) = W (k) [x(k)]
donde
b
Y (k) = [b y
1
b y
m
]
T
W (k) =
_
_
p
1
10
p
l
10
p
1
11
p
l
11
p
1
1n
p
l
1n
.
.
.
.
.
.
.
.
.
p
1
m0
p
l
m0
p
1
m1
p
l
m1
p
1
mn
p
l
mn
_
_
(4.12)
4.2 Sistemas de identicacin con dinmica neuro difuso 53
[x(k)] =
h

1

l
x
1
1
x
1
l
x
n
1
x
n
l
i
T
(4.13)
4.2. Sistemas de identicacin con dinmica neuro di-
fuso
4.2.1. Funciones pertenencia conocidas
El inters principal es entender algunos conceptos de estabilidad de entrada estado (ISS).
Consideramos el siguiente sistema no lineal de tiempo discreto.
x(k + 1) = f[x(k), u(k)] (4.14)
donde u(k) R
m
es el vector de entrada, x(k) R
n
un vector de estado, y y(k) R
l
es la
salida del vector f es en general una funcin suave no lineales, f C
. Ahora las deniciones

(2.1, 2.2) y el teorema (2.3).
Teorema 4.1 Si se usa la red neuronal de capa simple para identicar la planta no lineal y
A esta en un intervalo como 1 < (A) < 0, el siguiente actualizacin de la regla gradiente
sin modicacin robusta se puede identicar el error acotado e (k) (estable en L
)
W
1
(k + 1) = W
1
(k) (k) e (k)
T
W
2
(k + 1) = W
2
(k) (k) u(k)e
T
(k)
(4.15)
donde si
ke (k + 1)k ke (k)k , (k) =

1 + kk
2
+ kuk
2
Si
ke (k + 1)k < ke (k)k , (k) = 0
0 < 1
Demostracin. Seleccionamos la funcin de Lyapunov como
V (k) =

f
W
1
(k)
2
+
f
W
2
(k)
2
(4.16)
donde

f
W
1
(k)
2
=
P
n
i=1
e w
1
(k)
2
= tr
n
f
W
T
1
(k)
f
W
1
(k)
o
. De la regla de actualizacin (5.23)
f
W
1
(k + 1) =
f
W
1
(k) (k) e (k)
T
(4.17)
Por eso,
V (k) = V (k + 1) V (k)
=

f
W
1
(k) (k) e (k)
T
f
W
1
(k)
2
+
f
W
2
(k) (k) u(k)e
T
(k)
f
W
2
(k)
2
=
2
(k) ke (k)k
2
kk
2
2 (k)
f
W
1
(k) e
T
(k)
+
2
(k) ke (k)k
2
ku(k)k
2
2 (k)
u(k)
f
W
2
(k) e
T
(k)
(4.18)
Usando la ecuacin (4.9) y (k) 0,
max
(A) , > 0, ah existe un pequeo > 0,
tal que ke (k + 1)k ke (k)k
2 (k)
f
W
1
(k) e
T
(k)
2 (k)
u(k)
f
W
2
(k) e
T
(k)
2 (k)
e
T
(k)
ke (k + 1) (k)k
= 2 (k)
e
T
(k) e (k + 1) e
T
(k) (k)
2 (k)
e
T
(k) e (k + 1)
+ 2 (k)
e
T
(k) (k)
2 (k) ke (k)k
2
+ (k) ke (k)k + (k) k (k)k
2
(4.19)
despus 0 < 1, ,
V (k)
2
(k) ke (k)k
2
k
0
x(k)k
2
+
2
(k) ke (k)k
2
u(k)
0
x(k)
2
(k) ke (k)k
2
+ (k) k (k)k
2
= (k)
_
_
1
k
0
x(k)k
2
+
u(k)
0
x(k)
2
1 + k
0
x(k)k
2
+
u(k)
0
x(k)
2
_
_
e
2
(k) +
k
2
(k)
e
2
(k) +
2
(k)
(4.20)
donde =

1 +
1

1 +
, = max
k
k
0
x(k)k
2
+
u(k)
0
x(k)
. Puesto que 1 <

(A) < 0, > 0
nmn
e w
2
i
V
k
nm ax
e w
2
i
(4.21)
donde n mn ( e w
2
i
) y n m ax ( e w
2
i
) son funciones K
, y e
2
(k) es una funcin K
,
2
(k)
es una funcin K, por eso V
k
admite una funcin suave de Lyapunov ISS como en la Deni-
cin (2.2). Del teorema (2.3), la identicacin del error dinmico es ISS. La ENTRADA
corresponde al segundo trmino de la ultima lnea en la ecuacin (4.20), entonces, el error a
modelar es (k) =
1
(k) +
2
(k) (k) , el ESTADO corresponde al primer trmino de
la ultima lnea de la ecuacin (4.20), y entonces, la identicacin del error es e (k) por que la
ENTRADA (k) es acotada y la dinmica es ISS, el ESTADO e (k) es acotado. Cuando
ke (k + 1)k < ke (k)k , V (k) = 0. V (k) es constante, la constante de W
1
(k) entonces
e (k) es acotado (ver (4.9)).
Propiedad 4.2 La ecuacin (4.15) es el algoritmo gradiente descendiente (BackPropaga-
tion), el cual el aprendizaje normalizado n
k
es de tiempo variante en orden asegurar el
proceso de identicacin sea estable. Esta regla de aprendizaje es simple a usar, por que no
se necesita tener cuidado como seleccionar un ley de aprendizaje mejor para asegurar ambos
en la rapidez de convergencia y estabilidad. En ninguna informacin previa se requiere.
Propiedad 4.3 La condicin ke (k + 1)k ke (k)k es la zona muerta. Si es seleccionado
muy grande, la zona muerta llega a ser pequea.
4.2.2. Funciones pertenencia desconocidas
Cuando la planta a identicar es considerada como caja negra, nosotros no podemos
construir reglas difusas para la proposicin parte de
A
ji
(ver [28], [30], [34]). El objeto del
modelado de la neurona difusa es encontrar valores centrales (W
k
) de B
1i
B
mi
, como seran
las funciones pertenencia A
1i
A
ni
, tal que la red neuronal difusa, puede seguir la planta
no lineal.
La funcin pertenencia gaussiana para identicar las reglas difusas, son denidos como
A
ji
= exp
(x
j
c
ji
)
2
2
ji
!
(4.22)
qth es la salida del modelo neuronal difuso se puede expresar de la forma
b y
q
=
l
X
i=1
w
qi
n
Y
j=1
exp
(x
j
c
ji
)
2
2
ji
!
/
"
l
X
i=1
n
Y
j=1
exp
(x
j
c
ji
)
2
2
ji
!#
(4.23)
Ahora denimos
z
i
=
n
Y
j=1
exp
(x
j
c
ji
)
2
2
ji
!
, a
q
=
l
X
i=1
w
qi
z
i
, b =
l
X
i=1
z
i
(4.24)
por eso
b y
q
=
a
q
b
(4.25)
Similar a la identicacin del proceso no lineal, se puede expresar como
y
q
=
l
X
i=1
w
qi
n
Y
j=1
exp
x
j
c
ji
2
ji
!
/
"
l
X
i=1
n
Y
j=1
exp
x
j
c
ji
2
ji
!#
q
(4.26)
donde w
qi
, c
ji
y
2
ji
son parmetros desconocidos el cual quiz no minimicen el modelado
dinmico
q
.
En el caso de tres variables independientes, una funcin suave f tiene la formula de Taylor
como:
f (x
1
, x
2
, x
3
) =
l1
X
k=0
1
k!
x
1
x
0
1

x
1
+
x
2
x
0
2

x
2
+
x
3
x
0
3

x
3
k
0
f +R
l
(4.27)
donde R
l
es la formula de Taylor a recordar. Si x
1
, x
2
, x
3
corresponde a w
pi
, c
ji
y
2
ji
, x
0
1
, x
0
2
, x
0
3
corresponde a w
pi
, c
ji
y
2
ji
,
y
q
+
q
= b y
q
+
l
X
i=1
qi
w
qi
z
i
/b +
l
X
i=1
n
X
j=1
c
ji
a
q
b
ji
c
ji
(4.28)
+
l
X
i=1
n
X
j=1
ji
a
q
b
ji
ji
+R
1q
(4.29)
Usando la regla de la cadena, obtenemos lo siguiente
c
ji
aq
b
=

z
i
aq
b
z
i
c
ji
=

1
b
aq
z
i
+

z
i
1
b
a
q
2z
i
x
j
c
ji
2
ji
=

w
qi
b

a
q
b
2
2z
i
x
j
c
ji
2
ji
= 2z
i
w
qi
b yq
b
x
j
c
ji
2
ji
(4.30)
ji
a
q
b
=

z
i
a
q
b
z
i
ji
= 2z
i
w
qi
b y
q
b
(x
j
c
ji
)
2
3
ji
(4.31)
En forma de matriz,
y
q
+
q
= b y
q
f
W
q
Z (k) D
Zq
C
k
E D
Zq
B
k
E (4.32)
de donde
Z (k) = [z
1
/b z
l
/b]
T
, W
q
= [w
q1
w
ql
] ,
f
W
q
= W
q
W
q
D
Zq
=
h
2z
1
w
q1
b yq
b
, , 2z
l
w
ql
b y
q
b
i
, E = [1, 1]
T
C
k
=
_
_
x
1
c
11
2
11
(c
11
c
11
)
xnc
n1
2
n1
(c
n1
c
n1
)
.
.
.
x
1
c
1l
2
1l
(c
1l
c
1l
)
xnc
nl
2
nl
(c
nl
c
nl
)
_
_
B
k
=
_
_
(x
1
c
11
)
2
3
11
(
11
11
)
(x
n
c
n1
)
2
3
n1
(
n1
n1
)
.
.
.
(x
1
c
1l
)
2
3
1l
(
1l
1l
)
(xnc
nl
)
2
3
nl
(
nl
nl
)
_
_
(4.33)
denimos la identicacin del error de la forma como se dene
e
q
= b y
q
y
q
e
q
= Z (k)
f
W
q
+D
Zq
C
k
E +D
Zq
B
k
E +
q
R
1q
(4.34)
donde R
1q
es de segundo orden el error de aproximacin, de la serie de Taylor, q = 1 m.
Nosotros denimos
e (k) = [e
1
e
m
]
T
e (k) =
f
W
k
Z (k) +D
z
(k) C
k
E +D
z
(k) B
k
E + (k)
(4.35)
del cual
f
W
k
=
_
_
w
11
w
11
w
m1
w
m1
.
.
.
w
1l
w
1l
w
ml
w
ml
_
_
, D
z
(k) =
_
_
2z
1
w
11
b y
1
b
2z
l
w
1l
b y
1
b
.
.
.
2z
1
w
m1
b ym
b
2z
l
w
ml
b ym
b
_
_
.
(k) = R
1
, = [
1

m
]
T
, R
1
= [R
11
R
1m
]
T
.Para las cotas de la funcin gaussiana
quiz asumimos que en la ecuacin (4.26) es acotado, tambin R
1
es acotado. Por
eso (k) en la ecuacin (4.35) es acotado. El siguiente teorema nos da un algoritmo de
retroalimentacin estable para una red neuronal difusa en tiempo discreto.
Teorema 4.4 Si usamos la red neuronal difusa ecuacin (4.23) para identicar la planta
no lineal, el siguiente algoritmo de retroalimentacin puede hacer la identicacin del error
e (k) acotado
W
k+1
= W
k
k
e (k) Z (k)
T
c
ji
(k + 1) = c
ji
(k) 2
k
z
i
w
pi
b yp
b
x
j
c
ji
2
ji
(b y
q
y
q
)
ji
(k + 1) =
ji
(k) 2
k
z
i
w
pi
b yp
b
(x
j
c
ji
)
2
3
ji
(b y
q
y
q
)
(4.36)
donde si
ke (k + 1)k ke (k)k ,
k
=

1 + kZk
2
+ 2 kD
z
k
2
Si
ke (k + 1)k < ke (k)k ,
k
= 0
0 < 1. El error promedio de la identicacin satisface
J = lmsup
T
1
T
T
X
k=1
e
2
(k)

(4.37)
donde =

1 +
1

1 +
> 0, = max
k
kZk
2
+ 2 kD
z
k
2
, = max
k
2
(k)
Demostracin. Denimos ec
ji
(k) = c
ji
(k) c
ji
,
e
b
ji
(k) =
ji
(k)
(k) , el elemento de
e
C
k
es expresado como ec
ji
(k) =
h
e
C
k
i
. Por eso
h
e
C
k+1
i
=
h
e
C
k
i
2
k
z
i
w
qi
b y
q
b
x
j
c
ji
2
ji
(b y
q
y
q
) (4.38)
Nosotros seleccionamos una matriz denida positiva L
k
como
L
k
=

f
W
k
2
+
e
C
k
2
+
e
B
k
2
(4.39)
Usando la ecuacin (4.35) tenemos
L
k
=

f
W
k
k
e (k) Z (k)
T
2
+
e
C
k
h
2
k
z
i
w
qi
b yq
b
x
j
c
ji
2
ji
(b y
q
y
q
)
i
2
+
e
B
k
h
2
k
z
i
w
qi
b yq
b
(x
j
c
ji
)
2
3
ji
(b y
q
y
q
)
i
f
W
k
e
C
k
e
B
k
2
=
2
k
e
2
(k)
Z(k)
T
2
+ 2
D
T
z
2
k
ke (k)k
f
W
k
Z (k)
T
+D
T
z
C
k
E +D
T
z
B
k
E
=
2
k
e
2
(k)
kZk
2
+ 2 kD
z
k
2
2
k
ke (k) [e (k) (k)]k

k
e
2
(k)
1
k
kZk
2
+ 2 kD
z
k
2
+
2
(k)
e
2
(k) +
2
(k)
(4.40)
donde se dene como
=

1 + m ax
k
kZk
2
+ 2 kD
z
k
2
(4.41)
Por que
n
h
mn
e w
2
i
+ mn
ec
2
ji
+ mn
e
b
2
ji
i
L
k
n
h
m ax
e w
2
i
+ max
ec
2
ji
+ max
e
b
2
ji
i
(4.42)
donde n
h
mn ( e w
2
i
) + mn
ec
2
ji
+ mn
e
b
2
ji
i
y n
h
m ax ( e w
2
i
) + m ax
ec
2
ji
+ max
e
b
2
ji
i
son fun-
ciones K
, y e
2
(k) es una funcin K
,
2
(k) es una funcin K. De las ecuaciones (4.35)
y (4.39) conocemos que V
k
es la funcin de e (k) y (k) , por eso L
k
admite una funcin de
Lyapunov suave ISS como en la Denicin (2.2). del Teorema (2.3), la dinmica del error
de identicacin entrada a estado estable ISS. Por que la ENTRADA (k) Es acotada y
la dinmica es ISS, el ESTADO e (k) es acotado.
La ecuacin (5.46) se puede reescribir como
L
k
e
2
(k) +
2
(k) e
2
(k) + (4.43)
Sumando la ecuacin (4.43) de 1 hasta T, y usando L
T
> 0 y L
1
es una constante, obtenemos
L
T
L
1

P
T
k=1
e
2
(k) +T
P
T
k=1
e
2
(k) L
1
L
T
+T L
1
+T
(4.44)
la ecuacin (3.22) es establecido.
Propiedad 4.5 Para el modelo neuronal difuso del tipo Takagi Sugeno Kang ecuacin (4.10)
con una funcin gaussiana pertenencia en A
ji
, el qth salida del sistema lgico difuso puede
expresarse como
b y
q
=
l
X
i=1
n
X
k=0
p
i
qk
x
k
!
n
Y
j=1
exp
(x
j
c
ji
)
2
2
ji
!
/
"
l
X
i=1
n
Y
j=1
exp
(x
j
c
ji
)
2
2
ji
!#
(4.45)
donde x
0
= 1. La parte
l
P
i=1
qi
w
qi
z
i
/b
q
es la ecuacin (4.28) es cambiando como
l
X
i=1
n
X
k=0
p
i
qk
p
i
qk
x
k
!
z
i
/b (4.46)
Si usamos el siguiente algoritmo
p
i
qk
(k + 1) = p
i
qk
(k)
k
(b y
q
y
q
)
z
i
b
x
k
c
ji
(k + 1) = c
ji
(k) 2
k
z
i
w
pi
b yp
b
x
j
c
ji
2
ji
(b y
q
y
q
)
ji
(k + 1) =
ji
(k) 2
k
z
i
w
pi
b yp
b
(x
j
c
ji
)
2
3
ji
(b y
q
y
q
)
(4.47)
El error de identicacin e (k) es acotado. La demostracin es la misma como en el teorema
(3.1).
Propiedad 4.6 Normalizando el porcentaje de aprendizaje
k
en las ecuaciones (3.17) y
(3.21) son de tiempo variante, el mtodo del error de identicacin. Estas ganancias de
aprendizaje son fciles para ser decididos como en [30], en ninguna informacin a priori se
requiere, por ejemplo si nosotros quiz seleccionamos = 1. La contradiccin en la rpida
convergencia y el algoritmo estable puede ser evitado. Cambiando el porcentaje del tiempo
variante puede ser encontrando algunos esquemas adaptables bsicos como en [21]. Pero ellos
usan tambin modicacin robusta para garantizar el proceso de identicacin estable.
Propiedad 4.7 Si seleccionamos como una funcin de zona muerta:
(
= 0 si |e (k)|
=
0
si |e (k)| >
(4.48)
4.3 Simulacin 61
la ecuacin (3.21) es el mismo como en [35]. Si un trmino modicacin o modicando
la regla los trminos son sumados en
k
en la ecuacin (3.17) o (3.21), Esto nos dice que
de [34] o [26]. Pero todas ellas necesitan la mayor de la cota del modelado del error . Y la
identicacin del error aumenta por las modicaciones de robustez [21].
Propiedad 4.8 Puesto que asumimos que la red neuronal difusa no puede igualar sistemas
no lineales, no podemos hacer que los parmetros (w
ji
, c
ji
y
ji
) convergen, nos gustara
solo forzar la salida de la red neuronal difusa siguiendo a la salida de la planta, entonces la
identicacin del error sera estable. Sin embargo los pesos no pueden converger a sus valores
ptimos, la ecuacin (3.22) muestra que el error de identicacin converger en una bola
de radio

. Si la entrada es constante, el modelado del error (k) no harn que los pesos
convergen a sus valores ptimos. Esto hace posible que la salida del error converge, pero los
pesos del error son muy altos cuando las reglas difusas no son bien denidas. La relacin
de la salida del error y el error de los pesos se muestran en las ecuaciones (??) y (4.35).
En un caso simple usamos la ecuacin (??) y las redes neuronales difusas no pueden igualar
exactamente a la planta no lineal.
planta: y = W
[X (k)]
redes neuronales difusas: b y = W (k) [X (k)]
salida del error: (y b y) = (W
W (k)) [X (k)]
(4.49)
Si [X (k)] es grande, la salida del error es pequeo (y b y) no signica una buena conver-
gencia del error de los pesos W
W (k) .
4.3. Simulacin
1). Un sistema de tipo catico, del modelo de Lorenz se elige para demostrar la facilidad
del neuro identicador. El modelo de Lorenz se usa para el uido de la descripcin espec-
camente para algunos caractersticas de la dinmica atmosfrica [41]. El modelo a controlar
es descrito de la forma:
x
1
= x
1
+x
2
x
3
x
2
= (x
3
x
2
)
x
3
= x
1
x
2
+x
2
x
3
(4.50)
donde x
1
, x
2
y x
3
representan medidas de temperaturas verticales, horizontales, velocidad
de uido correspondientes, , y son parmetros positivos representando el nmero de
Prandtl, nmero Rayleigh y factor geomtrico. Si < 1, es el origen de equilibrio estable. Si
1 <
(, ) := ( + + 3) / ( 1) , (4.51)
el sistema tiene dos puntos de equilibrio

p
( 1),
p
( 1), ( 1)
, y un punto
de equilibrio inestable el cual es (el origen). Si
(, ) < , los tres puntos de equilibrio

llegan a ser inestables. Como el caso comnmente estudiado, seleccionamos = 10 y = 8/3
que lleva a
(, ) = 24.74. En este ejemplo se considera el sistema con = 10, = 8/3 y

= 28. El sistema catico dinmico se muestra en las Figuras (4.2, 4.3, 4.4).
Usamos la siguiente tcnica de diferencia para obtener los estados de tiempo discreto del
sistema ecuacin (4.50), y de la ecuacin (4.50) el cual se puede escribir de la forma siguiente
x = Ax (4.52)
con x = [x
1
, x
2
, x
3
]
T
, A =
_
_
0 x
2
0
x
2
1
_
_
. Ahora denimos s
1
= Ax
k
, s
2
= A(x
k
+s
1
) ,
s
3
= A
x
k
+
s
1
+s
2
4
. Si

s
1
2s
3
+s
2
3
|x
k
|
1000
o

s
1
2s
3
+s
2
3
< 1, entonces x
k+1
= x
k
+
s
1
+4s
3
+s
2
6
,
k = 0, 1, 2 , x
0
= [50, 10, 20]
T
.
2). Primero usaremos una red neuronal difusa recurrente con las reglas siguientes entonces
se puede escribir de las dos formas siguientes
R
i
1
: si x
1
(k) es A
1i
y x
2
(k) es A
2i
y, ..., x
n
(k) es A
ni
entonces

2
x
1
(k + 1) es B
1i
y, ...,

2
x
n
(k + 1) es B
ni
R
i
2
: si x
1
(k) es A
1i
y x
2
(k) es A
2i
y, ..., x
n
(k) es A
ni
entonces

2
x
1
(k + 1) es u
1
C
1i
y, ...,

2
x
m
(k + 1) es u
m
C
mi
, ...,

2
x
n
(k + 1) es C
ni
4.3 Simulacin 63
donde la funcin pertenencia se conoce como una funcin gaussiana
i
=
n
Y
j=1
A
ji
/
l
X
i=1
n
Y
j=1
A
ji
(4.53)
de simple capa ecuacin (4.5) para identicar la ecuacin (4.50),
b x(k + 1) = Ab x(k) +W
1
(k) [x(k)] (4.54)
de donde [x(k)] = [
1

l
]
T
, = 4, () = tanh () , b x = [b x
1
, b x
2
, b x
3
]
T
, A = diag [0.8, 0.8, 0.8] ,
W
1
(k) <
33
. Los elementos de W
1
(0) son nmeros aleatorios entre [0, 1] . Usamos la
ecuacin (5.23) para actualizar los pesos para la identicacin en lnea.
W
1
(k + 1) = W
1
(k)
1
1 + kk
2
e (k)
T
(4.55)
Del teorema (4.1) tenemos una condicin necesaria para un aprendizaje estable de , con
1. En este ejemplo, encontramos que si 2.5, el proceso de aprendizaje llega a
ser inestable. El neuro identicacin en esta simulacin esta en lnea, aqu no se estudia la
convergencia de los pesos, cuidamos el error de identicacin e (k) . Los pesos no convergen
a algunas constantes o valores ptimos. La simulacin total en tiempo es de 600, ah hay 14
tiempos ke (k + 1)k < e (k) . Usamos una red difusa neuronal multicapa para identicar
(4.50),
x(k + 1) = A x(k) +V
k
[W
k
(K) x(k)] (4.56)
donde = 4, () = tanh () , A = diag [8, 8, 8] . La complejidad del modelo es importante
en el contexto de la identicacin del sistema, el cual corresponde al nmero de unidades
ocultas del neuro modelo. En esta simulacin probamos diferentes nmeros de nodos ocultos,
encontramos cuando los nodos ocultos son mas de 20, la exactitud de la identicacin todava
no ha sido mejorado mucho. En [27], tambin usaron 20 neuronas ocultas para la primer capa
oculta
0 100 200 300 400 500 600
-10
0
10
20
30
40
50
60
x1
0 100 200 300 400 500 600
-10
0
10
20
30
40
50
60
x1
Figura 4.2: Sistema dinmico catico de Lorenz
4.3 Simulacin 65
0 100 200 300 400 500 600
-20
-15
-10
-5
0
5
10
15
20
x2
0 100 200 300 400 500 600
-20
-15
-10
-5
0
5
10
15
20
x2
0 100 200 300 400 500 600
-30
-20
-10
0
10
20
30
x3
0 100 200 300 400 500 600
-30
-20
-10
0
10
20
30
x3
Captulo 5
Redes neuronales difusas dinmicas
para sistemas no lineales de control
adaptable
5.1. Estructura difusa neuro control
El grado relativo del sistema, para entrada y salida simple,
y(k) = f [y (k 1) , y (k n) , u(k 1) , u(k m)]
+g [(k 1) , y (k n) , u(k 1) , u (k m)] u(k)
(5.1)
donde f [] y g [] son funciones suaves, g [] es acotada fuera del cero. Este sistema de entrada
salida puede convertirse en una forma de espacios de estados, nosotros denimos
x
i
(k) = y (k n +i 1) , i = 1 n
x
i+n
(k) = u(k m+i 1) , i = 1 m
(5.2)
Un modelo de estado de la ecuacin (5.1) es
x
i
(k + 1) = x
i+1
(k) , i = 1 n 1
x
n
(k + 1) = f [x(k)] + g [x (k)] u(k)
(5.3)
68 Redes neuronales difusas dinmicas para sistemas no lineales de control adaptable
donde x(k) = [x
1
x
n+m
]
T
, g [x(k)] es diferente de cero con la seal conocida. Entonces,
sin perder la generalidad, g [x(k)] g > 0, g es una constante positiva conocida. Dando
un diseo de la trayectoria x
n
(k) y estos valores de retardo x
i
(k + 1) = x
i+1
(k) , el error
acumulado se dene como
e
ni
(k) = x
ni
(k) x
ni
(k) , i = 0 n 1 (5.4)
Un ltro de seguimiento de error es usado tipicamente en un controlador de robot como sigue
[26]
r(k) = e
n
(k) +
1
e
n1
(k) + +
n1
e
1
(k) (5.5)
donde
1

n1
son constantes seleccionados para que (z
n1
+
1
z
n2
+ +
n1
) sea
estable. Usando las ecuaciones (5.3), (5.5) y r(k + 1) = e
n
(k + 1) +
1
e
n1
(k + 1) + +
n1
e
1
(k + 1), la dinmica del error de seguimiento es
r(k + 1) = f [x(k)] +g [x(k)] u(k) x
n
(k + 1) +
1
e
n
(k) + +
n1
e
2
(k) (5.6)
Podemos seleccionar el estado de control de retroalimentacin como
u(k) =
1
g [x(k)]
[x
n
(k + 1) f [x(k)] +k
v
r (k)
1
e
n
(k)
n1
e
2
(k)] (5.7)
donde 1 > |k
v
| . El sistema de lazo cerrado llega a ser
r (k + 1) = k
v
r(k) (5.8)
Por eso r(k) es asintticamente estable. Puesto que la ecuacin (5.5) se puede reescribir como
E(k + 1) = AE(k) +Br(k) (5.9)
donde E(k) = [e
1
(k) e
n1
(k)] , A =
_
_
0 1 0
n1

1
_
_
, B = [0 01]
T
.
Este es un sistema lineal estable con entrada r(k), por eso e
n
(k) es asintoticamente estable.
5.1 Estructura difusa neuro control 69
Propiedad 5.1 El sistema de entrada y salida simple (SISO) el grado relativo de un sis-
tema no lineal ecuacin (5.1) en el caso simple, para sistemas de multi entradas y multi
salidas (MIMO), la forma general del control de retroalimentacin es similar (ver [22]). Si
el grado relativo est ms de uno, la transformacin est ms completa, pero el control de
retroalimentacin es similar como la ecuacin (5.7), para ms discusin puede encontrarse
en [3].
Si f [x(k)] y g [x(k)] en la ecuacin (5.3) son redes neuronales conocidas en tiempo
discreto se pueden aplicar para aproximar estas funciones. Recordando el teorema Stone
Weierstrass [4], estas funciones suaves generales no lineales se pueden expresar por redes
neuronales difusa de donde se puede representar como
Un modelo genrico difuso se presenta como una coleccin de reglas difusas en la forma
siguiente:
R
i
: si x
1
es A
1i
y x
2
es A
2i
y, ..., x
n
es A
ni
entonces
b
f
1
es B
1i
y, ...,
b
f
m
es B
mi
(5.10)
Usamos l(i = 1, 2, ..., l) difuso si entonces las reglas para realizar un vector de un mapeo
de entrada lingstica X = [x
1,...,
x
n
] R
n
a una variable de salida lingstica. A
1i
, ..., B
mi
son conjuntos difusos estandares [33]. Para la entrada x
i
variables hay l
conjunto difusos.
En el caso de conexin completa, l = l
1
l
2
, ..., l
n
de [33] sabemos. Usando la deduccin
del producto, centro promedio y semifallo del borrosicador, el kth salida del sistema lgica
difusa se expresa como:
b
f [x (k)]
p
= (
l
X
i=1
w
pi
[
n
Y
j=1
Aji
]/
l
X
i=1
[
n
Y
j=1
Aji
])
=
l
X
i=1
w
pi
i
(5.11)
donde
Aji
, son las funciones de pertenencia del conjunto difuso A
j
y w
pi
es el punto en el
cual
Bpi
= 1. Si denimos
i
=
n
Y
j=1
Aji
/
l
X
i=1
n
Y
j=1
Aji
. (5.12)
La ecuacin (3.5) puede expresarse en parmetros
b
f [x(k)] = W
1
1
[x(k)] (5.13)
donde
b
f [x(k)] =
h
b
f
1
, ...,
b
f
m
i
T
= W
1
=
_
_
w
11
w
1l
.
.
.
w
m1
w
ml
_
_
(5.14)
el vector de datos
1
[x(k)] = [
1
, ...,
l
]
T
.
f [x(k)] = W
1
[x(k)]
e
f
1
g [x(k)] u (k) = W
2
[x(k)] u(k) eg
1
(5.15)
donde
e
f
1
y eg
1
son funciones del error de evaluacin W
i
R
1n
es una matriz constante que
puede minimizar el error de la funcin de aproximacin. La funcin de vector de dimensin
i
y m, con i = 1, 2. La representacin tpica del elemento
i
() es la funcin de activacin
sigmoide. Sea W
1,k
y W
2,k
denotando la estimacin de W
1
y W
2
.
W
1
[x(k)] = W
1,k
1
[x(k)]
e
f
2
,
W
2
[x(k)] u(k) = W
2,k
2
[x(k)] u(k) e g
2
f [x(k)] =
b
f [x(k)]
e
f, g [x(k)] u(k) = bg [x(k)] u(k) eg
(5.16)
donde
e
f =
e
f
1
+
e
f
2
y eg = eg
1
+eg
2
son errores de la funcin de estimacin.
b
f [x(k)] = W
1,k
1
[x(k)]
bg [x(k)] = W
2,k
2
[x(k)]
(5.17)
La ecuacin de redes neuronales difusas se puede expresar en forma de matriz como
b x(k + 1) = W
1
(k) [x(k)] +W
2
(k) [x(k)] u(k) (5.18)
5.2 Difusa neuro control con algoritmo estable 71
5.2. Difusa neuro control con algoritmo estable
5.2.1. Aprendizaje sin funciones pertenencia
La dinmica del error de seguimiento se escribe
r(k +1) = W
1,k
1
[x(k)] +W
2,k
2
[x(k)] u(k) x
n
(k + 1) +
1
e
n
(k) + +
n1
e
2
(k) + (k)
(5.19)
donde (k) =
e
f +eg. Entonces el control u(k) se puede denir como lo siguiente
u(k) = [W
2,k
2
]
+
[x
n
(k + 1) W
1,k
1
[x(k)] +k
v
r (x)
1
e
n
(k)
n1
e
2
(k)] (5.20)
donde []
+
puesto que el sentido de la pseudo inversa en Moor Penrose, que se dene como
[1].
x
+
=
x
T
kxk
2
, 0
+
= 0 (5.21)
El sistema de lazo cerrado es
r (k + 1) = k
v
r(k) + (k)
= k
v
r(k) +
e
f +egu(k)
= k
v
r(k) +
f
W
1,k
1
[x(k)] +
f
W
2,k
2
[x(k)] u(k) +
1
(k)
(5.22)
donde
f
W
1,k
= W
1,k
W
1
,
f
W
2,k
= W
2,k
W
2
,
1
(k) =
e
f
1
+ eg
1
. Recordando [20], (k) y
1
(k) las constantes son acotadas y
1
, entonces, k (k)k
2
, k
1
(k)k
2

1
.
Teorema 5.2 Si usamos el neuro control adaptable ecuacin (5.20) para el control de la
planta no lineal ecuacin (5.3), la siguiente ley de actualizacin del gradiente sin la modi-
cacin robusta se puede hacer que el error de seguimiento sea acotado r (k) (estable en el
sentido de L
)
W
1,k+1
= W
1,k
k
r (k)
T
1
[x(k)]
W
2,k+1
= W
2,k
k
r (k)
T
2
[x(k)] u(k)
(5.23)
donde
k
satisface que
k
=
_
_
_
1 + k
1
k
2
+ k
2
uk
2
si kr (k + 1)k kr (k)k
0 si kr (k + 1)k kr (k)k
(5.24)
aqu 1 > 0,
1
1+k
V
1.
Demostracin. Seleccionamos una funcin de Lyapunov como
L
k
=

f
W
1,k
2
+
f
W
2,k
2
(5.25)
donde

f
W
1,k
2
=
P
n
i=1
e w
2
1,k,i
= tr
n
f
W
T
1,k
f
W
1,k
o
. De la ley de actualizacin ecuacin (5.23)
f
W
1,k+1
=
f
W
1,k
k
r (k)
T
[x(k)]
L
k
= L
k+1
L
k
=

f
W
1,k
k
r (k)
T
1
[x(k)]
f
W
1,k
2
+
f
W
2,k
k
r (k)
T
2
[x(k)] u(k)
f
W
2,k
2
=
2
k
r
2
(k) k
1
k
2
+
2
k
r
2
(k) k
2
uk
2
2
k
r (k)
T
1
f
W
1,k
2
k
r (k)
T
2
f
W
2,k
u (k)
(5.26)
Usando la ecuacin (5.22)
2
k
r (k)
T
1
f
W
1,k
2
k
r (k)
T
2
f
W
2,k
u (k)
= 2
k
kr (k)k
T
1
f
W
1,k
T
2
u(k)
f
W
2,k
2
k
kr (k)k
T
1
f
W
1,k
+
T
2
f
W
2,k
u(k)
= 2
k
kr (k)k kr (k + 1) k
v
r(k)
1
(k)k
= 2
k
kr (k) r (k + 1) k
v
r
2
(k) r (k)
1
(k)k
(5.27)
2
k
r (k)
T
1
f
W
1,k
2
k
r (k)
T
2
f
W
2,k
u(k)

2
k
kr (k)k
2
+ 2
k
k
v
kr (k)k
2
+
k
kr (k)k
2
+
k
k
1
(k)k
2
(5.28)
Usando 0 < 1, 0
k
1,
k
=

1 + k
1
k
2
+ k
2
uk
2
L
k
=
2
k
r
2
(k)
k
1
k
2
+ k
2
uk
2
2
k
r (k)
2
+ 2
k
k
v
r (k)
2
+
k
r (k)
2
+
k
2
1
(k)
=
k
"
2k
v
1
k
1
k
2
+ k
2
uk
2
1 + k
1
k
2
+ k
2
uk
2
#
r
2
(k) +
k
2
1
(k)
r
2
(k) +
2
1
(k)
(5.29)
donde =

1 +
2
k
2k
v
1

1 +
, = max
k
k
1
k
2
+ k
2
uk
2
. Puesto que
1
1+k
V

1,

2
2k
v
1
> 1, > 0
nmn
e w
2
i
V
k
nm ax
e w
2
i
(5.30)
donde n mn ( e w
2
i
) y n m ax ( e w
2
i
) son funciones K
, y e
2
(k) es una funcin K
,
2
(k)
es una funcin K. De las ecuaciones (5.22) y (5.25) conocemos V
k
es una funcin de e (k) y
(k) , por eso V
k
admite una funcin de Lyapunov ISS. la dinmica del error de identicacin
estable entrada estado. La ENTRADA corresponde al segundo termino de la ultima lnea
en la ecuacin (5.29), entonces el modelado del error (k) = (k) + (k) , el ESTADO
corresponde al primer trmino de la ultima lnea en la ecuacin (5.29), entonces el error
de identicacin e (k) . Por que la ENTRADA (k) es acotada y la dinmica es ISS, el
ESTADO e (k) es acotado.
Si kr (k + 1)k < kr (k)k , L
k
= 0. L
k
es constante, W
1,k
, W
2,k
son las constantes.
Puesto que kr (k + 1)k <
1
kr (k)k ,
1
< 1, r (k) es acotado.

5.2.2. Aprendizaje con funciones pertenencia
Ahora consideramos una red neuronal multicapa(o perceptrones multicapa. MLP) que se
representan como [26] para aproximar funciones no lineales f [x(k)] y g [x(k)] en la ecuacin
(5.3). La ecuacin (5.17) se cambia como
b
f [x(k)] = W
1,k
1
[V
1,k
x(k)]
bg [x(k)] = W
2,k
2
[V
2,k
x(k)]
(5.31)
donde los pesos en la capa de salida son V
1,k
, V
2,k
R
mn
, los pesos en la capa oculta son
W
1,k
, W
2,k
R
1m
. m es la dimensin de la capa oculta, n es la dimensin del estado. El
control de retroalimentacin es entonces u(k) se pude denir de la manera siguiente
u(k) = [W
2,k
2
(V
2,k
x(k))]
+
[x
n
(k + 1) W
1,k
1
(V
1,k
x(k)) +k
v
r (x)
1
e
n
(k)
n1
e
2
(k)]
(5.32)
El sistema de lazo cerrado llega a ser
r (k + 1) = k
v
r(k) +
e
f +egu (k) (5.33)
Simultneamente a la ecuacin (5.16)
e
f = W
1
[V
1
x(k)] W
1,k
1
[V
1,k
x(k)]
e
f
1
egu (k) = W
2
[V
2
x(k)] u(k) W
2,k
2
[V
2,k
x(k)] u(k) eg
1
(5.34)
En el caso de dos variables independientes, una funcin suave f tiene una formula de Taylor
de la forma
f (x
1
, x
2
) =
l1
X
k=0
1
k!
x
1
x
0
1

x
1
+
x
2
x
0
2

x
2
k
0
f +R
l
(5.35)
donde R
l
recordando de la formula de Taylor. Si permitiramos que x
1
y x
2
correspondan a
W
1
, V
1
, x
0
1
y x
0
2
corresponda W
1,k
y V
1,k
,
W
1
[V
1
x(k)] W
1,k
1
[V
1,k
x(k)]
=
f
W
1,k
1
[V
1,k
x(k)] +W
1,k
0
1
[V
1,k
x(k)]
e
V
1,k
x (k) +R
1
(5.36)
donde
0
1
es la derivada de la funcin de activacin no lineal
1
() en un punto de V
1,k
x(k) ,
f
W
1,k
= W
1,k
W
1
,
e
V
1,k
= V
1,k
V
1
. Y
W
2
[V
2
x(k)] u(k) W
2,k
2
[V
2,k
x(k)] u(k)
=
f
W
2,k
2
[V
2,k
x(k)] u(k) +W
2,k
0
2
[V
2,k
x(k)]
e
V
2,k
x (k) u(k) +R
2
(5.37)
de donde
f
W
2,k
= W
2,k
W
2
,
e
V
2,k
= V
2,k
V
2
. El sistema de lazo cerrado ecuacin (5.33) es
r (k + 1) = k
v
r(k) +
2
(k) +
f
W
1,k
1
+W
1,k
0
1
e
V
1,k
x +
f
W
2,k
2
u +W
2,k
0
2
e
V
2,k
xu (5.38)
donde
2
(k) =
e
f
1
+ e g
1
+R
1
+R
2
, k
2
(k)k
2

2
.
Teorema 5.3 Si usamos en neuro control adaptable ecuacin (5.32) al control de la planta
no lineal ecuacin (5.3), la siguiente ley de actualizacin hace que el error de seguimiento
r (k) sea acotado (estable en el sentido L
)
W
1,k+1
= W
1,k
k
r (k)
T
1
, V
1,k+1
= V
1,k
k
r (k) r (k)
0
1
W
T
1,k
x
T
(k)
W
2,k+1
= W
2,k
k
r (k) u
T
1
, V
2,k+1
= V
2,k
k
r (k) u
0
1
W
T
2,k
x
T
(5.39)
donde
k
satisface
k
=
_
_
_
k
1
k
2
+ k
2
uk
2
+
0
1
W
T
1,k
x
T
u
0
2
W
T
2,k
x
T
0 si kr (k + 1)k kr (k)k
(5.40)
aqu 1 > 0,
1
1+k
V
1. El error promedio de la identicacin satisface
J = lmsup
T
1
T
T
X
k=1
r
2
(k)

2
(5.41)
donde =

1 +
1

1 +
> 0, = max
k
k
1
k
2
+ k
2
uk
2
+
0
1
W
T
1,k
x
T
0
2
W
T
2,k
x
T
u
2
= max
k
[
2
2
(k)] .
Demostracin. Seleccionamos una funcin de Lyapunov como
L
k
=

f
W
1,k
2
+
f
W
2,k
2
+
e
V
1,k
2
+
e
V
2,k
2
(5.42)
De la ley de actualizacin ecuacin (5.39)
L
k
=

f
W
1,k
k
r (k)
1
f
W
1,k
2
+
f
W
2,k
k
r (k)
2
u
f
W
2,k
e
V
1,k
k
r (k)
0
1
W
T
1,k
x
T
(k)
e
V
1,k
2
+
e
V
2,k
k
r (k)
0
2
W
T
2,k
x(k)
T
u
e
V
2,k
2
=
2
k
r
2
(k)
k
1
k
2
+ k
2
uk
2
+
0
1
W
T
1,k
x
T
0
2
W
T
2,k
x
T
u
2
k
kr (k)k
1
f
W
1,k
2
f
W
2,k
u
e
V
1,k
0
1
W
T
1,k
x
e
V
2,k
0
2
W
T
2,k
xu
(5.43)
Usando la ecuacin (5.38), similar con el Teorema (5.3)
2
k
kr (k)k
1
f
W
1,k
2
f
W
2,k
u
e
V
1,k
0
1
W
T
1,k
x
T
e
V
2,k
0
2
W
T
2,k
x
T
u
2
k
kr (k) r (k + 1) k
v
r
2
(k) r (k)
2
(k)k
(5.44)
2
k
kr (k)k
1
f
W
1,k
2
f
W
2,k
u
e
V
1,k
0
1
W
T
1,k
x
T
e
V
2,k
0
2
W
T
2,k
x
T
u

2
k
kr (k)k
2
+ 2
k
k
v
kr (k)k
2
+
k
kr (k)k
2
+
k
k
2
(k)k
2
(5.45)
Usando 0 < 1, 0
k
1,
k
=

k
1
k
2
+ k
2
uk
2
+
0
1
W
T
1,k
x
0
2
W
T
2,k
xu
L
k
=
2
k
r
2
(k)
k
1
k
2
+ k
2
uk
2
+
0
1
W
T
1,k
x
T
0
2
W
T
2,k
x
T
u
2
k
r (k)
2
+ 2
k
k
v
r (k)
2
+
k
r (k)
2
+
k
2
2
(k)
=
k
_
_
2k
v
1
k
1
k
2
+ k
2
uk
2
+
0
1
W
T
1,k
x
0
2
W
T
2,k
x
T
u
1 + k
1
k
2
+ k
2
uk
2
+
0
1
W
T
1,k
x
0
2
W
T
2,k
x
T
u
_
_
r
2
(k)
+
k
2
2
(k)
r
2
(k) +
2
2
(k)
(5.46)
donde =

1 +
2
k
2k
v
1

1 +
, = max
k
(k
1
k
2
+ k
2
uk
2
+

0
1
W
T
1,k
x
T
0
2
W
T
2,k
x
T
u
). Puesto que
1
1+k
V
1,

2
2k
v
1
> 1, > 0
nmn
e w
2
i
V
k
nm ax
e w
2
i
(5.47)
donde n mn ( e w
2
i
) y n m ax ( e w
2
i
) son funciones K
, y e
2
(k) es una funcin K
,
2
(k)
es una funcin K. De las ecuaciones (5.38) y (5.42) conocemos V
k
es una funcin de e (k) y
(k) , por eso V
k
admite una funcin de Lyapunov ISS. La dinmica del error de identicacin
estable entrada estado. La ENTRADA corresponde al segundo trmino de la ultima lnea
en la ecuacin (5.46), entonces el modelado del error (k) = (k) + (k) , el ESTADO
corresponde al primer termino de la ultima lnea en la ecuacin (5.46), entonces el error
de identicacin e (k) . Por que la ENTRADA (k) es acotada y la dinmica es ISS, el
ESTADO e (k) es acotado.
Si kr (k + 1)k < kr (k)k , L
k
= 0. L
k
es constante, W
1,k
, W
2,k
son las constantes.
Puesto que kr (k + 1)k <
1
kr (k)k ,
1
< 1, r (k) es acotado. La ecuacin (5.29) se reescribe

como
L
k
r
2
(k) +
2
2
(k) r
2
(k) +
2
(5.48)
Sumando la ecuacin (5.48) de 1 a T, y usando L
T
> 0 y L
1
es una constante, obtenemos
L
T
L
1

P
T
K=1
r
2
(k) +T
2
P
T
K=1
r
2
(k) L
1
L
T
+T
2
L
1
+T
2
(5.49)
5.3 Simulacin 77
entonces la ecuacin (5.41) se demuestra.
5.3. Simulacin
Para esta simulacin usaremos un sistema no lineal en tiempo discreto comparando con
otros modelos.
Como [43]:
y(k + 2) =
[y(k) y(k) +y(k + 1) y(k + 1) + 2.5 tanh(y(k)) + 1] z(k)
(y(k) y(k) +y(k + 1) y(k + 1) + 1)
+u(k)
z(k + 1) = b1 y(k + 1) +b2 z(k)
(5.50)
Como [16]:
y(k+2) =
1.5 [y(k) y(k + 1)]
(y(k) y(k) +y(k + 1) y(k + 1) + 1) + 0.35 sin(y(k) +y(k + 1)
+u(k) (5.51)
Como [27]:
y(k + 2) =
(y(k)
2
+y(k + 1)
2
+ 2.5 tanh(y(k) + 1) u(k)
(y(k) y(k) +y(k + 1) y(k + 1) + 1)
+z(k) (5.52)
donde y(k) es la posicin a manipular, u(k) es el control del torque, T es el tiempo de
muestra. Si denimos x
1
(k) = y (k) , x
2
(k) = y (k + 1) , las ecuaciones (5.50), (5.51) y (4.7)
se pueden trasformar en la ecuacin (5.3)
x
1
(k + 1) = x
2
(k)
x
2
(k + 1) = f [x(k)] +g [x(k)] u (k)
(5.53)
donde x(k) = [x
1
(k) , x
2
(k)]
T
, f [x(k)] = 2 (1 T) x
2
(k)+(2T 1) x
1
(k)+10T
2
sin x
1
(k) ,
g [x(k)] = 1. El error de seguimiento se escribe como
r(k) = e
2
(k) +
1
e
1
(k) (5.54)
donde e
2
(k) = x
2
(k)x
2
(k) = y (k + 1)y
(k + 1) , e
1
(k) = x
1
(k)x
1
(k) = y (k)y
(k) ,
y
(k) es la trayectoria deseable. Si nosotros seleccionamos

1
= 0.5, T = 0.01, y
(k) =
2
sin
5
k
. Por que g [x(k)] = 1, la red neuronal difusa se cambia como

b
f [x(k)] = W
1,k
1
[V
1,k
x(k)] (5.55)
de donde V
1,k
R
202
, W
1,k
R
120
. Entonces el control adaptable u(k) puede ser
u (k) = x
2
(k + 1) W
1,k
1
[V
1,k
x(k)] +k
v
r (k)
1
e
2
(k) (5.56)
donde k
v
= 0.5. La actualizacin de los pesos como
W
1,k+1
= W
1,k
k
r (k)
T
1
[V
1,k
x(k)]
V
1,k+1
= V
1,k
k
r (k)
0
1
W
T
1,k
x
T
(k)
(5.57)
donde
k
satisface que
k
=
_
_
_
1 + k
1
k
2
+
0
1
W
1,k
x
0 si kr (k + 1)k < kr (k)k
(5.58)
donde = 1, = 2. El sistema de lazo cerrado se deriva de las ecuaciones (5.53), (5.56)
y (k + 2) = f [x(k)]
b
f [x(k)] +y
(k + 2) +k
v
r(k)
1
e
2
(k) (5.59)
Puesto que e
2
(k) = e
1
(k + 1) y r(k) = e
2
(k) +
1
e
1
(k), de manera tenemos
r(k + 1) = r(k) + (k) (5.60)
donde r(k) = y (k + 1) y
(k + 1) +
1
y [(k) y
(k)] , (k) = f [x(k)]

b
f [x(k)] .
Las simulaciones siguientes nos describen el sistema comparando con varios modelos
descritos anteriormente ecuaciones (5.51), (5.50), (5.52).
Este modelo corresponde a Chen Figura (5.1). Este modelo corresponde a Narendra
Figura (5.2). Este modelo corresponde a Wen Figura (5.3).
5.3 Simulacin 79
0 100 200 300 400 500 600
-10
-8
-6
-4
-2
0
2
4
6
8
10
( ) y k
( ) y k
0 100 200 300 400 500 600
-10
-8
-6
-4
-2
0
2
4
6
8
10
0 100 200 300 400 500 600
-10
-8
-6
-4
-2
0
2
4
6
8
10
( ) y k
( ) y k
Figura 5.1: Identicacin del sistema no lineal para el modelo Chen
0 100 200 300 400 500 600
-10
-8
-6
-4
-2
0
2
4
6
8
10
( ) y k
( ) y k
0 100 200 300 400 500 600
-10
-8
-6
-4
-2
0
2
4
6
8
10
( ) y k
0 100 200 300 400 500 600
-10
-8
-6
-4
-2
0
2
4
6
8
10
( ) y k
( ) y k
Figura 5.2: Identicacin del sistema no lineal para el modelo Narendra
5.3 Simulacin 81
0 100 200 300 400 500 600
-10
-8
-6
-4
-2
0
2
4
6
8
10
( ) y k
( ) y k
0 100 200 300 400 500 600
-10
-8
-6
-4
-2
0
2
4
6
8
10
( ) y k
( ) y k
Figura 5.3: Identicacin del sistema no lineal para el modelo Wen
Captulo 6
Conclusiones
Se propuso el modelo dinmico con un algoritmo de aprendizaje donde se aplican en
varios problemas temporales incluyendo un modelo NARMA. La funcin de compara-
cin son comportamientos con una sucesin esttica y sistemas dinmicos y algunos
modelos recurrentes difusos existentes esto se puede observan en las simulaciones donde
se pueden considerar sistemas de identicacin ecientes.
En esta tesis estudiamos el modelado de un sistema no lineal con redes neuronales
difusas usando un algoritmo de aprendizaje estable. Aproximando a una entrada es-
tado estable, concluimos que las tcnicas comnmente usados de robusticidad, como
un mtodo de modicacin sigma, de donde no necesariamente para la ley del gra-
diente descendiente. Posteriormente se trabajara haciendo aprendizajes con funciones
pertenencia conocidas y luego para funciones pertenencia desconocidas.
La identicacin neuro difuso y control en sistemas estticos y dinmicos, tambin
se hicieron comparaciones generales en sistemas difusos y redes neuronales, tambin
usamos la estabilidad estado entrada (ISS) para aproximar la funcin a estabilizar.
Adems se uso la estructura tipo mamdani y takagi sugeno kang (TSK) para la esttica
difusa en redes neuronales
Finalmente tenemos que las redes neuronales difusas dinmicas para sistemas no lin-
84 Conclusiones
eales de control adaptable la funcin a identicar no se conoce y se parte haciendo uso
de neuro difuso as notamos que el sistema y la identicacin comparando con otros
modelos en algunos casos decimos que fue fructfera y en algunos casos segun los valores
declarados hacan el sistema inestable para otro modelo, concluimos que el mtodo de
identicacin neuro difuso en sistemas no lineales de control adaptable es buena.
Bibliografa
[1] A.Albert, Regression and the Moore-Penrose Pseudoinverse, Academic Press, 1972.
[2] F.C.Chen and H.K.Khalil, Adaptive control of nonlinear systems using neural networks,
Int.J.Control, Vol.55,No.6, 1299-1317,1992
[3] F.C.Chen and H.K.Khalil, Adaptive control of a class of nonlinear discrete-time systems
using neural networks, IEEE Trans. Automatico Control, Vol.40, No.5, 791-801, 1995.
[4] G.Cybenko, Approximation by Superposition of Sigmoidal Activation Function,
Math.Control, Sig Syst, Vol.2, 303-314, 1989
[5] C.F.Juang, A TSK-Type recurrent fuzzy network for dynamic systems procesing by
neural network and genetic algorithm, IEEE Trans. Fuzzy Syst., Vol. 10, 155-170, 2002.
[6] P.A. Mastorocostas and J.B. Theocharis, A recurrent fuzzy-neural model for dinamic
systems identication, IEEE Trans. Syst., Man, Cybern. B, Vol. 32, 179-190,2002.
[7] Nguyen, D. H. and Widrow, B., Neural Networks for Self-Learning Control Systems,
IEEE Control Systems Magazine, vol. 10 pp. 18-23, 1990.
[8] Tsoi, A. C. and Back, A. D., Locally Recurrent Globally Feedforward Networks: A
Critical Review of Architectures, IEEE Trans. on Neural Networks, Vol.5, No. 2, March
1994, pp. 229-239.
[9] Haykin, S., Neural Networks, A Comprehensive Foundation, Prentice Hall U.S., 2nd
Ed. 1999.
86 BIBLIOGRAFA
[10] Hilera, J. R. y Martmez V. J., Redes Neuronales Articiales. Fundamentos Modelos y
Aplicaciones, Ed. RA-MA, 1995.
[11] Martin B.B. y Sanz M. A. Redes Neuronales y Sistemas Difusos, Ra-Ma, 2nd Ed
2001.
[12] Li-Xin W. A course in Fuzzy Systems and Control, Ed. prentice Hall, 1997.
[13] M. Brown. y C.J. Harris, Neurofuzzy Adaptive Modelling and Control , Prentice Hall,
New York, 1994.
[14] C.T.Lin and G.Lee, Neural fuzzy systems: A neural-fuzzy synergism to intelligent sys-
tems, Prentice-Hall Inc., NJ, 1996.
[15] W.C.Chan, C.W.Chan, K.C.Cheung and Y.Wang, Modeling of nonlinear stochastic dy-
namical systems using neurofuzzy networks, 38th IEEE Conference on Decision and
Control, 2643-2648, Phoenix, USA, 1999.
[16] D.S.Chen and R.C.Jain, A robust back propagation learning algorithm for fuunction
approximation, IEEE Trans.Neural Networks, Vol5, No3, 1994.
[17] M.Y.Chen and D.A.Linkensm, A systematic neuro-fuzzy modeling framework with ap-
plication to material property prediction, IEEE Trans. Syst., Man, Cybern. B, Vol.31,
781-790, 2001.
[18] B.Egardt, Stability of Adaptive Controllers, Lecture Notes in Control and Information
Sciences, Vol.20, Springer-Verlag, Berlin, 1979.
[19] S.I.Horikawa, T.Furuhashi and Y.Uchikawa, On fuzzy modeling using fuzzy neual net-
works with the back-propagation algorithm, IEEE Trans. Neural NetiDorks, Vol. 3 No.5,
801-806, 1992.
[20] k.Hornik, Approximation capabilities of multilayer feedforward networks, Neural Net-
works, Vol.4 No.5,251-257,1991.
BIBLIOGRAFA 87
[21] P.A.Ioannou and J.Sun, Robust Adaptive Control, Prentice-Hall, Inc, Upper Saddle Riv-
er: NJ, 1996.
[22] S.Jagannathan and F.L.Lewis, Identication of Nonlinear Dynamical Systems Using
Multilayered Neural Networks, Automatica, Vol.32, No.12, 1707-1712, 1996.
[23] Z.P.Jiang and Y.Wang, Input-to-State Stability for Discrete-Time Nonlinear Systems,
Automatica, Vol.37, No.2, 857-869, 2001.
[24] Y.G.Leu, T.T.Lee and W.Y.Wang, Observer-based adaptive fuzzy-neural control for
unknown nonlinear dynamical systems, IEEE Trans. Syst., Man, Cybern. B, Vol. 29,
583-591, 1999.
[25] C.T.Lin, A neural fuzzy control system with structure and parameter learning, Fuzzy
Sets anc Systems. Vol.70, 183-212, 1995.
[26] F.L.Lewis, A.Yesildirek and K.Liu, Multilayer Neural-Net Robot Controller with Guar-
anteed Tracking Performance, IEEE Trans. Neural Networks, Vol.7, No.2, 388-399, 1996.
[27] K.S.Narendra and S.Mukhopadhyay, Adaptive Control Using Neural Networks and Ap-
proximate Models, IEEE Trans. Neural Networs , Vol.8, No.3, 475-485, 1997.
[28] H.H.Tsai and P.T.Yu, On the optimal design of fuzzy neural networks with robust
learning for function approximation, IEEE Trans. Syst., Man, Cybern. B, Vol.30, 217-
223, 2000.
[29] S.Wu and M.J.Er, Dynamic fuzzy neural networks- a novel approach to function ap-
proximation, IEEE Trans.Syst, Man, _Cybern. B, Vol.30, 358-364, 2000.
[30] C.H.Wang, H.L.Liu and C.T.Lin, Dynamic optimal learning rates of a certain class of
fuzzy neural networks and its applications with genetic algorithm, IEEE Trans. Syst.,
Man, Cybern, B, Vol.31, 467-475, 200l.
88 BIBLIOGRAFA
[31] Y.G.Leu, T.T.Lee and W.Y.Wang, Observer-based adaptive fuzzy-neural control for
unknown nonlinear dynamical systems, IEEE Trans. Syst., Man, Cybern. B, Vol. 29,
583-591, 1999.
[32] C.H.Wang, H.L.Liu and C.T.Lin, Dynamic optimal learning rates of a certain class of
fuzzy neural networks and its applications with genetic algorithm, IEEE Trans. Syst.,
Man, Cybern. B, Vol.31, 467-475, 2001.
[33] L.X.Wang, Adaptive Fuzzy Systems and Control, Englewood Clis NJ: Prentice-Hall,
1994.
[34] W.Y.Wang, T.T.Lee, C.L.Liu and C.H.Wang, Function approximation using fuzzy neu-
ral networks with robust learning algorithm, IEEE Trans. Syst Man, Cybern. B, Vol.27,
740-747, 1997.
[35] W.Y.Wang, Y.G.Leu and C.C.Hsu, Robust adaptive fuzzy neural control of nonlin-
ear dynamical systems using generalized projection updated law and variable structure
controller, IEEE Trans. Syst., Man, Cybern. B, Vol.31, 140-147, 2001.
[36] G.A. Rovithakis and M.A. Christodoulou, Adaptive Control of Uknown Plants Using
Dinamical Neural Networks, IEEE Trans. on Syst., Man and Cybern., Vol. 24, 400-412,
1994.
[37] E.B. Kosmatopulos, M.M. Polycarpou, M.A. Christodoulou and P.A. Ioannpu, High
order neural networks structures for identication of dynamical systems, IEEE Trans.
Neural Network, Vol. 6, No. 2, 422-421, 1995.
[38] A.S. Poznyak, W. Yu, E. N. Sanchez and J.P. Perez, Nonlinear Adaptive Trajectory
Tracking Using Dynamical neural Networks, IEEE Trans. on Neural Networks, Vol. 10,
No. 5, 1402-1411, 1999.
[39] Wen Yu and Alexander S. Poznyak, Indirect Adaptive control via parallel dynamic
neural networks, IEE Proceding - Control Theory and Applications, Vol. 146, No. 1,
25-30, 1999.
BIBLIOGRAFA 89
[40] Wen Yu, Xiaoou Li, Some stability properties of dynamic neural networks, IEEE Trans.
Circuits and Systems, part I, Vol. 48, No. 2, 256-159, 2001.
[41] W.Yu and X. Li, Some stability properties of dynamic neural networks, IEEE Trans.
Circuits and Systems, Part I, Vol.48, No.1, 256-259, 2001.
[42] W.Yu and X. Li, Some new results on system identication with dynamic neural net-
works, IEEE Trans. Neural Networks, Vol.12, No.2, 412-417,
[43] Wen Yu, Fuzzy Identication Using Fuzzy Neural Networks with Stable Learning Algo-
rithms, IEEE Trans. on Fuzzy Systems, accepted for publication
[44] Wen Yu, Rigoberto Toxqui, Stable Fuzzy Identication Using Recurrent Fuzzy Neural
Networks"en el IASTED International Conference Neural Networks and Computational
Intelligence, 2003, Cancun, Mxico

17 Redes Difusas Dinamicas para Identificacion...

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

17 Redes Difusas Dinamicas para Identificacion...

Cargado por

Copyright:

Formatos disponibles

CENTRO DE INVESTIGACIN Y DE ESTUDIOS AVANZADOS

conjunto difusos. En el caso

[X(k)] (k) (3.16)

. Ahora las deniciones

. Puesto que 1 <

(, ) < , los tres puntos de equilibrio

(, ) = 24.74. En este ejemplo se considera el sistema con = 10, = 8/3 y

< 1, r (k) es acotado.

< 1, r (k) es acotado. La ecuacin (5.29) se reescribe

(k) es la trayectoria deseable. Si nosotros seleccionamos

. Por que g [x(k)] = 1, la red neuronal difusa se cambia como

(k)] , (k) = f [x(k)]

También podría gustarte