Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Parte1 Usm
Parte1 Usm
NEURONALES EN
CONTROL
ALEJANDRO SUREZ S.
UTFSM
CONTENIDO
1.
2.
3.
4.
5.
INTRODUCCIN
CONCEPTOS FUNDAMENTALES
APRENDIZAJE
APLICACIONES EN CONTROL
EJEMPLOS
1. INTRODUCCIN
PORQUE USAR REDES NEURONALES EN
CONTROL.
Procesos reales
Control manual
Control automtico
Lineal, no lineal
Variante, invariante
Optimo, robusto, adaptivo
Difuso, neuronal
2. CONCEPTOS
FUNDAMENTALES
2.1
2.2
2.3
2.4
2.5
NEURONA
FUNCIN DE ACTIVACIN
RED NEURONAL
TIPOS DE REDES
MODELOS DE REDES
2.1
NEURONA
NEURONA BIOLGICA
NCLEO
AXN
DENDRITAS
NEURONA ARTIFICIAL
ENTRADAS
X1
CONEXIONES
FUNCIN DE
RED
FUNCIN DE
ACTIVACIN
W1
X2
W2
X3
W3
ENTRADAS
PONDERADAS
y(.)
v(.)
SALIDA
y(v)
y(v)
Funciones
Umbral
v
-1
y(v)
Funciones
Sigmoidal
y(v)
1
v
-1
RED NEURONAL
ARTIFICIAL
neurona
neurona
neurona
neurona
neurona
neurona
CAPA DE
ENTRADA
CAPA
OCULTA
CAPA DE
SALIDA
RECURRENTES
NEURONA ESTTICA
NEURONA DINMICA
3. APRENDIZAJE
3.1 Mecanismos de aprendizajes
3.1.1 Aprendizaje Supervisado:
Utiliza patrones de salida deseados para entrenar.
ek = d k y k
x1(n)
xi(n)
Wj1(n)
Wji(n)
wk ( n + 1) = wk ( n ) + wk ( n )
wk ( n ) = ek ( n )G 'k ( n ) xi ( n )
sj1(n)
sj i(n)
sjp(n)
xp(n)
Wjp(n)
j(n)
G()
wij = ai
ij
APRENDIZAJE NO SUPERVISADO
Aprendizaje Hebbiano
Perceptrn
Hopfield
Adaline y Madaline
Backpropagation
Counterpropagation
Grossberg
Cognitrn / Neocognitrn
Aprendizaje estocstico
Mquina de Boltzman
Mquina de Cauchy
wil (n) =
Gradiente conjugado
Gradiente conjugado escalado
total
wil (n)
Respuesta Impulso de
duracin Finita (FIR)
Wji(n)
x1(n)
wji(o)
xi(n)
z-1
xi(n)
wji(1)
xi(n-1)
Wj1(n)
Wji(n)
sj1(n)
sj i(n)
j(n)
G()
sjp(n)
z-1
xi(n-2)
xp(n)
wji(2)
wji(m-1)
xi(n-m+1)
z-1
xi(n-m)
Wjp(n)
sji(n)
wji(m)
s ji (n) = W jiT X i ( n)
p
X i (n ) = [xi (n ), xi (n 1), h , xi (n m )]
W ji = w ji (o ), w ji (1), h , w ji (m )
v j (n) = s ji (n)
i =1
y j (n) = G (v j ( n) )
Retropropagacin temporal
del error para capa de salida
ek = d k yk
y1
xv
Wji
yk
wkj
yq
q
xc
Wrp
q
j = G j ' (v j ) k wkj
k =1
wqr
Econt = dk - yk
Red Identificacin
x1
y1
m
xv
wsv
i
s
wis
kk
Wji
xc
wkj
p
e
wpe
Wrp
yk
yq
wqr
i (n m) = G 'i (vi (n m )) (n m )W ji
j =1
T
j
j = G j ' (v j ) k wkj
k =1
4. APLICACIONES EN
CONTROL
4.1 SENSOR NEURONAL
4.2 MODELO NEURONAL
4.3 CONTROL NEURONAL
4.1
SENSOR NEURONAL
1.
2.
RECOPILAR DATOS
TRANSFORMACIN
*fft
*wavelets
*filtros
3.
4.
NORMALIZACIN
ENTRENAR LA RED
*entrenamiento
*memorizacin
*validacin
4.2
MODELO NEURONAL
1. MODELO SERIE
2. MODELO PARALELO
4.3
1.
2.
3.
4.
5.
6.
CONTROL NEURONAL
upj(n) vj (n)
6. CONTROL PREDICTIVO
7.
Modelo
Procesos discretos
sistema
. 00995
z . 99
discreto
lineal
primer
discreto
( k + 1) =
orden
segundo
no lineal
y (k )
1 + y (k )
p
orden
primer
orden
+ u 3 (k )
sistema
discreto
( k + 1) =
no lineal
p
(k )
1+
y
y
p
2
p
segundo
( k 1)
(k ) +
[y
2
p
orden
( k ) + 2 .5
( k 1)
]+
(k )
FIN