Laboratorio de

Investigacin Matemtica
Aplicada a Control

LIMAC
1

MODELADO Y CONTROL DE SISTEMAS
PARA PROCESOS AGROINDUSTRIALES
Disertante: Cristian Rodrguez Rivero


INTERCON 2014
7 de Agosto de 2014


Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
2
Cristian Rodrguez Rivero


*Departamento de Ingeniera Electrnica,
Laboratorio de Investigacin en Matemticas Aplicadas a Control
(LIMAC)
Universidad Nacional de Crdoba
*Instituto Universitario Aeronautico - Facultad de Ingenieria
Departamento de Telecomunicaciones y Electronica

*Chair IEEE Computational Intelligence de Argentina 2014
Steering Committee Member LA-CCI
*Miembro del International Neural Network Society - INNS
crodriguezrivero@ieee.org



Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
3

MACHINE LEARNING MAQUINA DE APRENDIZJE se refiere a la construccin y el
estudio de los sistemas que pueden aprender a partir de datos.

El ncleo de la mquina aprendizaje trata con la representacin y la generalizacin.

La Representacin de las instancias de datos y las funciones evaluadas en estos casos son
parte de los sistemas de aprendizaje automtico.

La Generalizacin es la propiedad que el sistema funcionar bien en instancias de datos
que no se ven, las condiciones en que este se puede garantizar son un objeto fundamental
de estudio en el sub-campo de la teora del aprendizaje computacional.

Por ejemplo, un sistema de aprendizaje de mquina podra ser entrenado en los mensajes de
correo electrnico que aprender a distinguir entre los mensajes de spam y no spam.
Despus de aprender, que se puede utilizar para clasificar nuevos mensajes de correo
electrnico en carpetas de spam y no spam.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
4

DIFERENCIA ENTRE MACHINE LEARNING Y DATA MINIG


El aprendizaje automtico se centra en la prediccin, basada en las propiedades
conocidas extradas de los datos de entrenamiento .



La minera de datos se centra en el descubrimiento de (antes) propiedades desconocidas
en los datos. Esta es la etapa de anlisis de Descubrimiento de Conocimiento en Bases de
Datos .

Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
5
TIPOS DE ALGORITMOS

Los algoritmos de aprendizaje supervisado son entrenados en ejemplos etiquetados, es
decir, de entrada, donde se conoce la salida deseada. El algoritmo de aprendizaje
supervisado intenta generalizar una funcin o asignacin de las entradas a las salidas, que
luego pueden ser utilizados para generar especulativamente una salida para las entradas
previamente invisibles .

Los algoritmos de aprendizaje no supervisado operan en ejemplos no etiquetados, es
decir, de entrada, donde se desconoce el resultado deseado . Aqu el objetivo es descubrir la
estructura de los datos y no generalizar una asignacin de entradas a las salidas .

El aprendizaje semi - supervisado combina ambos ejemplos etiquetados y no etiquetados
para generar una funcin o clasificador apropiado.



Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
6
TIPOS DE ALGORITMOS

Aprendizaje por refuerzo se refiere a cmo los agentes inteligentes deben actuar en un
medio para maximizar alguna funcin de costo. El agente ejecuta acciones que causan el
estado observable del medio ambiente para cambiar . A travs de una secuencia de acciones
, el agente intenta reunir conocimientos sobre cmo el medio ambiente responde a sus
acciones , e intenta sintetizar una secuencia de acciones que maximiza una recompensa
acumulada .

Aprender a aprender aprende su propio sesgo inductivo basado en la experiencia anterior.

Aprendizaje del Desarrollo , elaborado por el aprendizaje Robot, genera sus propias
secuencias (tambin llamado plan de estudios ) de situaciones de aprendizaje para la
adquisicin acumulativa repertorios de habilidades nuevas a travs de auto -exploracin y la
interaccin social autnoma con los profesores humanos , y el uso de mecanismos de
orientacin , tales como el aprendizaje activo , la maduracin , motor de sinergias , y la
imitacin.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
7
ALGUNOS METODOS MAS USADOS

rbol de decisiones de aprendizaje o Decision Tree Learning
El rbol de decisiones de aprendizaje utiliza un rbol de decisin como un modelo predictivo
que mapea las observaciones acerca de un tema a conclusiones sobre el valor objetivo del
artculo.

Redes neuronales artificiales o Neural Networks
Un algoritmo de red neuronal artificial (ANN), generalmente denominado "red neuronal" (NN )
es un algoritmo de aprendizaje que se inspira en la estructura funcional y aspectos de las
redes neuronales biolgicas. Los clculos se estructuran en trminos de un grupo
interconectado de neuronas artificiales, procesamiento de la informacin utilizando un
enfoque conexionista a la computacin. Las Redes neuronales modernas son herramientas
de modelado de datos estadsticos no lineales. Por lo general se utilizan para modelar
relaciones complejas entre entradas y salidas, para encontrar patrones en los datos, o para
capturar la estructura estadstica de una distribucin de probabilidad conjunta desconocida
entre las variables observadas.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
8
ALGUNOS METODOS MAS USADOS

Mquinas de Vectores Soporte o Support Vector Machine
Mquinas de soporte vectorial (SVM) son un conjunto de mtodos de aprendizaje
supervisado relacionados que se utilizan para la clasificacin y la regresin. Dado un
conjunto de datos de entrenamiento, cada uno marcado como perteneciente a una de dos
categoras, un algoritmo de entrenamiento de SVM construye un modelo que predice si un
nuevo ejemplo cae en una u otra categora.
Clustering o Agrupacion de Datos
El anlisis de agrupacion de datos es la asignacin de un conjunto de observaciones en
subconjuntos (llamados clusters), por lo que las observaciones dentro del mismo grupo son
similares de acuerdo con algn criterio o criterios previamente designado, mientras que las
observaciones extradas de diferentes grupos son diferentes. Diferentes tcnicas de
agrupamiento hacen diferentes hiptesis sobre la estructura de los datos, a menudo definidos
por algunos mtrica de similitud y evaluado por ejemplo, por la similitud entre los miembros
del mismo grupo y la separacin entre los diferentes grupos . Otros mtodos se basan en la
densidad estimada y la conectividad grfico. El agrupamiento es un mtodo de aprendizaje
sin supervisin, y una tcnica comn para el anlisis de datos estadisticos .
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
9
ALGUNOS METODOS MAS USADOS

Redes bayesianas o Bayesian Networks
Una red bayesiana, la red de creencia o modelo grfico acclico dirigido es un modelo grfico
probabilstico que representa un conjunto de variables aleatorias y sus independencias
condicionales a travs de un grfico acclico dirigido (DAG). Por ejemplo, una red bayesiana
podra representar las relaciones probabilsticas entre las enfermedades y los sntomas.
Teniendo en cuenta los sntomas, la red se puede utilizar para calcular las probabilidades de
la presencia de diversas enfermedades. Algoritmos eficientes que existen realizar inferencia y
aprendizaje .

Aprendizaje por refuerzo o Reinforcement Learning
Aprendizaje por refuerzo se refiere a cmo un agente debe tomar las acciones en un entorno
con el fin de maximizar una idea de la recompensa a largo plazo. Algoritmos de aprendizaje
por refuerzo intentan encontrar una poltica que asigna los estados del mundo a las acciones
que el agente debe tomar en esos estados. Aprendizaje por refuerzo difiere del problema de
aprendizaje supervisado en el que los pares de entrada / salida correcta no se presentan , ni
acciones subptimas corrigi explcitamente.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
10

Estas tcnicas de aprendizaje automtico mediante el uso de computadores potentes se
usan para controlar sistemas complejos y estocsticos y predecir los resultados de este
tipo de sistemas.

Estos algoritmos son diseados para una arquitectura paralela que puede aprender de la
experiencia para llevar a cabo esa el control del sistema requerido.
Machine Learning para Control y Prediccin
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
11
1) Esquemas tecnolgicos
Mtodos para la modelizacin y simulacin de la dinmica de los procesos agrcolas.
Optimizacin en el control.
Modelizacin de la incertidumbre, la aleatoriedad, el tiempo de la variabilidad,
perturbaciones externas.

2) Conceptos de control
Estructura de control basada en la teora del control ptimo y automtico.
Algoritmos de optimizacin basados en bio-sistemas. Neuro programacin dinmica,
programacin dinmica o sus variantes como la dinmica iterativa.

3) Desafos tecnolgicos
El diseo y anlisis de las nuevas tendencias de la agricultura de precisin a nivel
regional y mundial para que los productos resulten atractivos y sean aprovechados
por el sector agropecuario.



Identificacin del problema general en estudio
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
12
Aplicacin al Control automtico para procesos agrcolas

Controlador

u

x


Sistema

Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
13
Guiado de cultivo en climas protegidos
Objetivo de control
Generar las condiciones adecuadas para que el cultivo se desarrolle
de acuerdo a un criterio.

0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platn [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Nmero de hojas
Tiempo [Hs.]



SISTEMA
CONTROLADOR

CULTIVO
u(x,k,{Ro})
x(k)
OBSERVADOR
DE
ESTADO
O
CARACTERISTICAS
Ro

MODELADO DE
VARIABLES

Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
14
Prediccin en cultivos extensivos
A campo abierto, normalmente en grandes extensiones de terreno,
donde las estaciones de siembra estn cuasi-determinadas.
El riesgo productivo se debe a la disponibilidad de diferentes
recursos:
Disponibilidad de agua, la evolucin de temperatura, humedad,
radiacin solar, etc. durante el futuro desarrollo vegetal.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
15
Aplicaciones de inteligencia computacional para
Control ej: guiado de cultivos
Motivacin del guiado
Planificacin de la produccin en la agricultura
Decidir las caractersticas de produccin.
Aumentar el volumen de produccin.
Disponer del producto en una fecha predefinida.
Introducir tecnologa con el fin de disminuir los costos, y maximizar
los beneficios.
Objetivos
Obtener una solucin al problema del guiado del desarrollo de cultivos en
invernaderos y extensivos usando la teora de control ptimo.
Que la solucin sea atractiva de implementar.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
16
El CONCEPTO DEL PROBLEMA DE CONTROL consiste en Generar
una secuencia de acciones de control u a partir del estado actual y
el tiempo de proceso para obtener un valor deseado de las variables
de estado en el tiempo tf (tiempo final) predefinido minimizando los
costos operativos asociados a las acciones de control u y cumpliendo
las restricciones en la temperatura que se encuentre entre 8 y 36
grados a lo largo de la evolucin.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
















Generar una secuencia de acciones de control, u=(x,t) para obtener x
d
(t
f
)
minimizando J / v(u) , W=peso seco, N=nro. de hojas
17
Aplicacin de inteligencia artificial para el guiado de
cultivos intensivos

T(t)

INVERNADERO
VARIABLES
COMPLEMENTARIAS

LAZO DE CO
2


CULTIVO
SISTEMA DE PRODUCCIN
CO
2
(t)
CO
2
(t) PAR, HR, etc.
H(t) V(t)
W(t) N(t)
ACCIN
a(t)
u
x
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
18
Control Basado en Aprendizaje Automatico
Realimentacin del estado del cultivo mediante estimacin basada en modelo,
con muestreo de 1Hs
Observacin mediante las variables de entorno, donde se estima el modelo en
funcin del nmero de hojas, que a su vez es dependiente de la temperatura
mediante una funcin lineal a tramos.
Observacin utilizando imgenes del cultivo.

L

ADQUISICIN DE
IMGENES Y
PROCESAMIENTO

OBSERVADOR DE ESTADOS
SISTEMA CULTIVO-INVERNADERO

INVERNADERO
u
T
,
CO
2

x

MODELO DEL
CULTIVO

T, CO
2
, S
PAR

CONTROLADOR

CULTIVO
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
19
La Agromtica, es la aplicacin de los principios y tcnicas de la informtica y
la computacin a las teoras y leyes del funcionamiento y manejo de los
sistemas agropecuarios.

Como tecnologa de avanzada en lo referido al tratamiento de datos del sector
agropecuario, no est sola, est integrada con la electrnica y las
telecomunicaciones.

La Agromtica considera a los subsistemas biolgicos mediante los modelos
de simulacin del crecimiento y desarrollo de cultivos. Estos modelos de
simulacin representan matemticamente el comportamiento productivo de los
sistemas biolgicos: cuantificando las variables de suelo, clima, vegetales. Los
modelos nos permiten calcular cul ser el resultado de un cultivo. Y as
podemos evaluar el impacto de distintas alternativas de manejo bajo diversas
condiciones climticas, proyectando los posibles rendimientos y los costos
asociados.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
20




SISTEMA
CONTROLADOR

CULTIVO
u(x,k,{Ro})
x(k)
OBSERVADOR
DE
ESTADO
O
CARACTERISTICAS
Ro

MODELADO DE
VARIABLES

Se presenta la PREDICCIN DE FENMENOS NATURALES como un tpico
desafiante til para los problemas de control dentro de la actividad agrcola.
En la actualidad, se enfrenta la problemtica del pronostico de lluvia para la
disponibilidad de agua en el guiado de crecimiento de cultivo abierto usando
inteligencia computacional.
El esquema de control a lazo cerrado considera las condiciones futuras para el
diseo de la ley de control.
Este controlador contempla el estado actual x(k) del cultivo por un observador
de estado as como las variables meteorolgicas Ro
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
21
Problemticas de entorno
Manejo ptimo del recurso hdrico.
Combatir heladas.
Cantidad y calidad de luz solar.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
22
Regin productiva
La Pampa Hmeda
De Argentina
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
23
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
Metodologa: Ciencias bsicas y Tecnologas Aplicadas.
24
Cmo se hace?

Caso,
Problema o
Proyecto
matemtico
Solucin
matemtica
Problema del
mundo real
Matemtica
Abstraccin
Constatacin
Interpretacin
0 200 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platn [gr]
Tiempo [Hs.]
0 200 400
0
1
2
3
4
Nmero de hojas
Tiempo [Hs.]
Observada
Esperada
Medida
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
25
Identificacin y Control de Sistemas usando RNs

En la teora de sistemas tanto la caracterizacin como la identificacin son
dos problemas fundamentales.
El problema de caracterizacin est relacionado a la representacin
matemtica del sistema.
El problema de identificacin se est relacionada a la obtencin de un
modelo matemtico que caracterice su dinmica, a partir del conocimiento a
priori y del anlisis de pares de datos entrada-salida obtenidos mediante
experimentacin o simulacin.
Dos partes principales de la identificacin lo constituyen: la eleccin del
modelo de identificacin, es decir su parametrizacin y estructura, y el
mtodo de ajuste de sus parmetros basado en el error de identificacin.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
26
Algunas estructura bsica de identificacin basadas en Redes
Neuronales para Control
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
27
Relacin entre Control Automtico y Redes Neuronales
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
28
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
29
Formulacin del problema de control
La Presentacin esquemtica del problema de guiado se define segn
las acciones de control que van a utilizarse, que en ste caso son a(t)
(Humedad y Ventilacin) y CO2(t).
Para poder controlar el desarrollo del cultivo con estas variables, se
deben establecer condiciones adecuadas en las Variables
complementarias, que son por ejemplo, el suministro de agua y
nutrientes, el manejo de plagas, hongos, malezas, niveles
adecuados de humedad relativa ambiente (HR) y radiacin solar
PAR. E
El manejo de estas variables es de vital importancia para poder llevar a
cabo el control del desarrollo del cultivo mediante las ya citadas
variables a(t) y CO2(t).
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
30
Dificultad de la realimentacin del estado del cultivo
La medicin directa del vector de estado: nmero de hojas y
medicin del peso seco.
Evitar el efecto borde.
Perturbacin y dao irreversible en el cultivo.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
31
Supervisado.
Pares entrada salida.
No supervisado
Auto organizado, basado en competencia.
Reforzado, a desarrollar ahora.
Aprendizaje reforzado
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
32
Problema de aprendizaje de comportamiento.
Hay una interaccin entre el sistema que aprende y
su entorno.
El sistema busca alcanzar un objetivo especfico a
pesar de incertidumbres en el entorno.
Hay dos lneas para estudiar al aprendizaje
reforzado:
Clsica: el aprendizaje consiste en el proceso
premio-castigo.
Moderna: programacin dinmica.
Aprendizaje reforzado
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
33
Programacin dinmica (NPD)
Tcnica para toma de decisiones en etapas.
No se toman en forma aislada, se ponderan segn el bajo costo en el presente
contra un alto costo en el futuro.
Pondera el desempeo a largo plazo aunque se sacrifique buen desempeo a
corto plazo.
Neuro-programacin dinmica:
La programacin dinmica provee los fundamentos tericos.
Las redes neuronales provee la capacidad de aprendizaje.
La NPD permite a un sistema a aprender cmo tener buenas decisiones
observando su propio comportamiento, y mejorando estas acciones utilizando
un mecanismo incorporado a travs del refuerzo.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
Formulacin del problema de control
Control ptimo en el guiado del desarrollo de cultivos
Sistema no lineal, con restricciones
( )

=
=
t ,
) t , , ( f
x u
u x x
xeXcR
2
, ueUcR
2
, f:R
2
R
2
R
+
R
2
, t e [t
0
, t
f
],
:R
2
R
2
.
( ) ( ) | |
( )

=
=
T r r N
W T R L , CO , S , T P E W
m
m 2 PAR g

v
c o
o
Q U
F bS
T T
+
+
+ =

Donde F
c
=FH(t)
Q
v
=f(V(t)),
Con V(t)=-min{a(t),0}
H(t)=max{a(t),0}
-1sa(t) s-1.

34
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
Formulacin del problema de control
Diseo del sistema de control ptimo
( ) ( ) ( )
d f
t
t
d d
t d T , , , I t , T , , , J
f
x x v x x v x x I + t =
}
( )
W 2 r 1 d
P P T , , , I u + u + A = v v x x
| |
| |

s s
<
>
=
36 T 8 si 0
8 T si T 8
36 T si 36 T
P
r
| |

>
=
modo otro de 0
W W si W W
P
d d
W
x
d
=[W
d
N
d
]
T

Encontrar .
A=diag{0,05;0,05}, u
1
=50, u
2
=50, I=diag{5662,8;1600}.
donde x=[W N]
T
, v=[C
f
C]
T
.
veR
2
, J:R
2
R
2
RR
+
R
+

t e [t
0
, t
f
].

35
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC

SISTEMA DE CONTROL

MEMORIA

CONTROLADOR

SISTEMA
x, k u
(x,k)


u
(x,k)

x
(k)


OBSERVADOR
DE ESTADOS

CARACTERSTICAS
Solucin propuesta
Programacin dinmica (Bellman, 1962).
Resuelve el problema numricamente.
Las restricciones son inherentes al clculo.
Problema de dimensionalidad. (35 35 100=122500;11 11).
Disminuir los valores de la tabla (Luus, 2000).
PD Aproximada (Bertsekas, 1996). (400; 11).
36
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
37
Neurocontrolador

Generador de decisiones
( ) s ,
~


Actor
Actualizacin de poltica
Aproximacin de
los valores C
i

Modelo del
Sistema
Aproximador del J(j)
Crtico
Estados
r
j
Decisiones
j
u =
( ) s , i
~

( ) r , j J
~

Evaluacin
del costo
C
i

Aproximacin de
poltica
s

( ) i

Se aproxima a J y a .
Se obtiene una expresin
compacta del controlador.
( ) ( )

e
=
S
~
i
2
i
. C , i J
~
min arg r r
r
( )
( )
( ) ( ) ( ) i. , j J
~
, i I min arg i
i U u
+ =
e
r u
( ) ( ) ( )

e
=
S

i
2
i , i
~
min arg s s
s
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
5 10 15
-30
-20
-10
0
10
W
1
a
T
Evolucin de parmetros
Iteraciones
5 10 15
-10
-5
0
5
10
15
Evolucin de parmetros
Iteraciones
W
1
a
C
0 500 1000 1500
0
500
1000
1500
2000
Aproximada
D
e
s
e
a
d
a
Salidas aproximada vs. deseada
Obtenida
Ideal
0 5 10 15 20
0
500
1000
1500
2000
Valores de J

(0)
Iteraciones
38
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
0 100 200 300 400
-100
-50
0
50
100
a(t)
Tiempo [Hs.]
0 100 200 300 400
0
5
10
15
20
25
Temperatura externa [C]
0 100 200 300 400
300
350
400
450
500
Concentracin de CO
2
[ppm]
0 100 200 300 400
5
10
15
20
25
30
35
Temperatura interna [C]
Tiempo [Hs.]
0 100 200 300 400
-100
-50
0
50
100
a(t)
Tiempo [Hs.]
0 100 200 300 400
0
5
10
15
20
25
Temperatura externa [C]
0 100 200 300 400
300
350
400
450
500
Concentracin de CO
2
[ppm]
0 100 200 300 400
5
10
15
20
25
30
35
Temperatura interna [C]
Tiempo [Hs.]
0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por plantn [gr]
Tiempo [Hs.]
0 100 200 300 400
0
0.5
1
1.5
2
2.5
3
Nmero de hojas
Tiempo [Hs.]
0 100 200 300 400
0
20
40
60
80
100
120
Acumulacin de costo
Tiempo [Hs.]
0 0.05 0.1 0.15 0.2 0.25
0
0.5
1
1.5
2
2.5
3
Espacio de estados
Peso seco
N

m
e
r
o

d
e

h
o
j
a
s
39
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
Experimentacin: variables de control
0 100 200 300 400
15
20
25
30
Temperatura externa [C]
0 100 200 300 400
250
300
350
400
450
500
Concentracin de CO
2
[ppm]
0 100 200 300 400
24
26
28
30
32
34
36
Temperatura interna [C]
Tiempo [Hs.]
0 100 200 300 400
-100
-80
-60
-40
-20
Accin de control a(t)
Tiempo [Hs.]
0 100 200 300 400
15
20
25
30
Temperatura externa [C]
0 100 200 300 400
250
300
350
400
450
500
Concentracin de CO
2
[ppm]
0 100 200 300 400
24
26
28
30
32
34
36
Temperatura interna [C]
Tiempo [Hs.]
0 100 200 300 400
-100
-80
-60
-40
-20
Accin de control a(t)
Tiempo [Hs.]
40
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platn [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Nmero de hojas
Tiempo [Hs.]
Observada
Esperada
Medida
0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platn [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Nmero de hojas
Tiempo [Hs.]
0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platn [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Nmero de hojas
Tiempo [Hs.]
Evolucin de las variables de estado
Variables calculadas (Esperada).
Estimadas durante la experimentacin (Observadas).
Medidas al finalizar el proceso.
41
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
42
Anlisis de series temporales de datos en Agricultura
Se busca identificar las caractersticas bsicas y sus estructuras.
Motivacin
Construccin de modelos entrada-salida del modelo subyacente.
Predecir valores futuros de la serie usando el modelo desarrollado.
Diseo de sistemas de control, basado en el resultado del anlisis.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
43
El objetivo del anlisis es generar una prediccin partiendo de datos
disponibles.

Una serie temporal es una secuencia de valores observados de una variable
x a intervalos At, siendo {x
1
, x
2
, x
3
,}.

En general, las reas son
Definicin, clasificacin, descripcin.
Construccin del modelo.
Pronstico o prediccin.
Sin modelo. Para anlisis de regresin.
Basado en modelo. Hay un sistema dinmico subyacente.



Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
44
Segn las caractersticas de los datos de la serie temporal, se clasifican:

Estacionaria o no estacionaria.
Estacional o no estacional.
Lineal o no lineal.
Catica.
Clasificacin
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
45
Anlisis de series temporales
Se busca identificar las caractersticas bsicas y sus estructuras.
Motivacin
Construccin de modelos entrada-salida del modelo subyacente.
Predecir valores futuros de la serie usando el modelo desarrollado.
Diseo de sistemas de control, basado en el resultado del anlisis.



SISTEMA
CONTROLADOR

CULTIVO
u
(x,k,{Ro})

x
(k)

OBSERVADOR
DE
ESTADO
O
CARACTERISTICAS
R
o


MODELADO DE
VARIABLES

Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
46
Modelos posibles
Modelos regresivos
Se construyen mediante el anlisis regresin.
Modelo auto regresivo (AR)
Modelo de media mvil (MA)
Modelo con integracin (ARIMA)
Modelo con control (CARIMA, CARMAX es similar a Kalman).
Modelos en dominio temporal
Modelo de funcin de transferencia
Modelo en espacio de estados
Modelos en dominio de la frecuencia
Se puede hacer porque el tiempo de muestreo es equidistante.
Se usa el periodograma.
Funcin de densidad de potencia espectral.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
47
Filtros Predictores basados en Redes Neuronales

Redes Neuronales Artificiales

En el rea de la ingeniera de control las motivaciones principales para el
desarrollo de sistemas de identificacin y control basados en RNs, se
debe principalmente a que tienen la capacidad:

a) de aproximar funciones y modelos no-lineales complejos,
mediante un aprendizaje dinmico y experimental y adems,

b) son capases de trabajar en tiempo real por su elevado paralelismo.

Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
48
Aplicacin: Pronostico de series temporales de lluvia con
Redes Neuronales
0 50 100 150
0
1
2
3
4
5
6
x 10
4
Ley de
ajuste
Z Z Z

RN Directa
x
e

x
n-1
x
n-2
x
n-lx

-
x
n

Objetivo del algoritmo
Que la serie dada {x
n
}, y la serie
{{x
n
},{x
e
}} donde {x
e
} tiene 18 valores
presenten una rugosidad similar.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
49
Aplicacin: Pronostico de series temporales de lluvia con
Redes Neuronales
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
50
0 50 100 150
0
1
2
3
4
5
6
x 10
4
( ) ( ) f X X K X X K f
1
* *
, ,

=
Los PROCESOS GAUSSIANOS son modelos no-paramtricos, no hay que elegir
parmetros sino una funcin de covarianza (Rasmussen et al., 2006)
Aplicacin: Pronostico de series temporales de lluvia con
Procesos Gaussianos

Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
51
Modelado de variables: series de lluvia y esquemas de
prediccin
0 10 20 30 40 50 60 70 80
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Time [samples].
Real Media = 0.25847. Forescated Mean = 0.21356.
H = 0.25994. H
e
= 0.027721. l
x
= 20. SMAPE = 4.8701.
H dependent algorithm.
Neural Network based predictor
Lluvia Mensual Acumulado La Sevillana


Mean Forescasted
Data
Real
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
52
LIBROS

Pucheta, J., Sauchelli, V. Control ptimo y Sistemas Estocsticos, Nmero 13997 e ISBN 978-3-659-03577-7,
Editorial Acadmica Espaola es una marca comercial de LAP LAMBERT Academic Publishing GmbH& Co. KG
Heinrich-Bcking-Str. 6-8 66121, Saarbrcken, Germany. www.eae-publishing.com.

Julin Pucheta, C. Rodrguez Rivero, Martn Herrera, Carlos Salas, Vctor Sauchelli, H. Daniel Patio,
Departments of Electrical and Electronic Engineering, Mathematics Research Laboratory Applied to Control
(LIMAC), at Faculty of Exact, Physical and Natural Sciences National University of Crdoba, Crdoba,
Argentina, and others, Captulo titulado , Non-parametric methods for forecasting time series from cumulative
monthly rainfall del libro Rainfall: Behavior, Forecasting and Distribution Editors: Olga E. Martn and Tricia M.
Roberts, Nova Science Publishers, Inc. ISBN: 978-1-62081-551-9.
https://www.novapublishers.com/catalog/product_info.php?products_id=30548.

Pucheta, J., Patino, D. and Kuchen, B. A Statistically Dependent Approach For The Monthly Rainfall Forecast
from One Point Observations. In IFIP International Federation for Information Processing Volume 294, Computer
and Computing Technologies in Agriculture II, Volume 2, eds. D. Li, Z. Chunjiang, (Boston: Springer), pp. 787798.
(2009). http://www.springerlink.com/content/v4651015hn60t7g8/?p=c2668d5d24fc41ef914d439a9ec86142


Referencias
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
53
Pucheta, J., Patio, H., Schugurensky, C., Fullana, R., Kuchen, B. Optimal Control Based-Neurocontroller to
Guide the Crop Growth under Perturbations. Dynamics Of Continuous, Discrete And Impulsive Systems Special
Volume Advances in Neural Networks-Theory and Applications. DCDIS A Supplement, Advances in Neural
Networks, Vol. 14(S1) 618623 Watam Press. (2007). Disponible en http://bbcr.uwaterloo.ca/~journal/Book2-
Neural.pdf.
J.A. Pucheta, C. Schugurensky, R. Fullana, H. Patio and B. Kuchen. Optimal greenhouse control of tomato-
seedling crops. Computers and Electronics in Agriculture, Volume 50, Issue 1, January 2006, Pages 70-82.
J.A. Pucheta, C. Schugurensky, R. Fullana, H. Patio and B. Kuchen. A Neuro-Dynamic Programming-Based
Optimal Controller for Tomato Seedling Growth in Greenhouse Systems. Neural Processing letters. Editorial
Springer Verlag (Springer Netherlands). ISSN 1370-4621 1370-4621 (Print) 1573-773X (Online) DOI
10.1007/s11063-006-9022-9, Volume 24, Number 3 / December, 2006, Pages 241-260.
Pucheta, J., Sauchelli, V. Control ptimo y Sistemas Estocsticos, N 13997, ISBN 978-3-659-03577-7, Editorial
Acadmica Espaola, marca comercial de LAP LAMBERT Academic Publishing GmbH & Co. KG Heinrich-
Bcking-Str. 6-8 66121, Saarbrcken, Germany. www.eae-publishing.com.
Bertsekas D. and J. Tsitsiklis, 1996. Neuro-dynamic programming. Athena Scientific.
ksendal, B. 2000. Stochastic Differential Equations An Introduction with Applications. Fifth Edition, Corrected
Printing. Springer-Verlag HeidelbergNew York.
Durrett, R. 2004. Probability: Theory and Examples (Probability: Theory & Examples). Duxbury Press; 3 edition.
Ogata, K., 1997. Modern Control Engineering. Prentice Hall, Upper Saddle River, New Jersey.


Referencias
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
54
Neural NetworkBased Irrigation Control for Precision Agriculture. Capraro F., Patio H. D., Tosetti S.,
Schugurensky C. IEEE International Conference on Networking, Sensing and Control, 2009.
Intelligent irrigation control in agricultural soils: an application to grapevines", F. Capraro, C. Shugurensky, F. Vita,
S. Tosetti, A. Lage, J. Pucheta. 2008 IEEE International Conference on Networking, Sensing and Control, China,
April 68, 2008.
Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006, ISBN: 0387310738.
Ethem Alpaydn (2004) Introduction to Machine Learning (Adaptive Computation and Machine Learning), MIT
Press, ISBN 0-262-01211-1
Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012). Foundations of Machine Learning, The MIT Press.
ISBN 9780262018258.
Inteligencia Artificial Un Enfoque Moderno Segunda edicin, Stuart J. Russell y Peter Norvig, 2004.
Ajoy K. Palit, Dobrivoje Popovic Computational Intelligence in Time Series Forecasting: Theory and Engineering
Applications (Advances in Industrial Control) (Kindle Edition), Springer, 2005.
Bertsekas D. and J. Tsitsiklis, 1996. Neuro-dynamic programming. Athena Scientific.


Referencias
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
55
The 5th IEEE Symposium on Computational
Intelligence and Data Mining (CIDM 2014)
Special Session
Advances in Computational Intelligence for applied
Time Series Forecasting ( ACIATAF )
http://www.ieee-ssci.org/CIDM.html
Organizers: Cristian Rodriguez Rivero
IEEE CIS- SSCI 2014 Orlando, Florida
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
56


MUCHAS GRACIAS POR SU ATENCIN

PREGUNTAS?