REDES

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

2.2 FUNCIONES DE ACTIVACIN

y(v)

y(v)

Funciones
Umbral

v
-1

y(v)

Funciones
Sigmoidal

y(v)
1

v
-1

2.3 RED NEURONAL

RED NEURONAL
BIOLGICA

RED NEURONAL
ARTIFICIAL
neurona

neurona

neurona

neurona
neurona

neurona
CAPA DE
ENTRADA

CAPA
OCULTA

CAPA DE
SALIDA

2.4 TIPOS DE REDES NEURONALES

FEEDFORWARD

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()

3.1.2 Aprendizaje No Supervisado: Utiliza

regla de auto-organizacin para el
entrenamiento.

wij = ai

ij

3.2 EJEMPLOS DE REDES SEGN MECANISMO DE

APRENDIZAJE
APRENDIZAJE SUPERVISADO

APRENDIZAJE NO SUPERVISADO

Aprendizaje por correccin de error

Aprendizaje Hebbiano

Perceptrn

Hopfield

Adaline y Madaline

Linear Associative Memory

Backpropagation

Fuzzy Associative Memory

Counterpropagation

Grossberg

Aprendizaje por refuerzo

Linear Reward Penalty

Bidirectional Associative Memory

Aprendizaje competitivo/cooperativo

Associative Reward Penalty

Learning Vector Quantizer

Adaptive Heuristic Critic

Cognitrn / Neocognitrn

Aprendizaje estocstico
Mquina de Boltzman
Mquina de Cauchy

Teora de Resonancia Adaptiva

3.3 Algoritmos de convergencia

Gradiente descendente
a) Razn de aprendizaje
b) Momento
c) Razn y momento variables

wil(n+1) =wil(n) +wil(n)

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

k (n) = ek (n)G 'k (n)

Wkj (n + 1) = Wkj (n) + k (n) X j (n)

Retropropagacin del error

Red Identificacin
x1

y1

xv
Wji

yk

wkj
yq
q

xc
Wrp
q

j = G j ' (v j ) k wkj
k =1

wqr

Econt = dk - yk

k = Econt Gk ' (vk )

Retropropagacin del error de

control
Red Control

Red Identificacin

x1

y1

m
xv

wsv

i
s

wis

kk

Wji

xc

wkj

p
e

wpe

Wrp

yk

yq

wqr

k = Econt Gk ' (vk )

r

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

CONTROL INVERSO LAZO ABIERTO

CONTROL INVERSO LAZO CERRADO
CONTROL SIN MODELO
CONTROL CON MODELO
CONTROL CON MODELO DE REFERENCIA
CONTROL PREDICTIVO

1. MODELO INVERSO LAZO ABIERTO

2. MODELO INVERSO LAZO CERRADO

3. CONTROL SIN MODELO

(n)
(n) ej (n) ypj(n)
=

wji (n) ej (n) y (n) upj(n)

pj

upj(n) vj (n)

j (n) wji (n)

4. CONTROL CON MODELO

5. CONTROL CON MODELO DE REFERENCIA

6. CONTROL PREDICTIVO

7.

CONTROL PREDICTIVO CON

MODELO DE REFERENCIA

Modelo

Procesos discretos
sistema
. 00995
z . 99

discreto

lineal

primer

sistema discreto lineal

. 00487 z + . 00474
2
z 1 . 91 z + . 923
sistema

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