Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introduccin
Equivalencia de sistemas borrosos y neuronales
Sistemas neuroborrosos
Tcnicas de identificacin
Identificacin y optimizacin
Tcnicas basadas en la derivada de la funcin
Mtodo del Gradiente
Mtodos de Newton
Mtodo del Gradiente Conjugado
Mtodo de Gauss-Newton
Mtodo de Levenberg-Marquardt
Conclusiones
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
1/44
A ( x ): X [ 0,1]
A = {( x, A ( x )), x X}
A (x) = e
x x0 2
1,
Borrosificador tipo singleton A ( x ) =
0,
si x = x0
si x x0
v* =
l =1
M
v l(
(
l =1
A
l
( x ))
( x ))
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
2/44
y ( ( x ))
( ( x ))
M
r
fi ( x ) =
l =1
i =1
l =1
i =1
Ail
Ail
Notas y aclaraciones
Modelo TSK fi es un aproximador universal (Wang, 1994)
g ( x) funcion continua en U (conjunto compacto de R n )
f i ( x ) sistema borroso
> 0, f i ( x)
sup xU f i ( x) g ( x) <
En la expresin se asume que puede haber M conjuntos borrosos por cada variable de
entrada
Cada regla puede tener un consecuente distinto
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
3/44
c2
c3
x2
y fi ( x ) =
l =1
yl
i =1
A l ( xi )
i
c4
y ( ( x ))
( ( x ))
M
r
fi ( x ) =
l =1
i =1
l =1
i =1
Ail
Ail
4/44
Sistemas neuroborrosos
Cada operacin de un sistema fuzzy se representa mediante una neurona
especfica.
Ejemplo: Modelo ANFIS (Jang, 1997 disponible en la Matlab fuzzy
toolbox)
Equivalencia con modelo de TSK:
M
r
fi ( x ) =
w c (x)
l l
l =1
M
r
= wl cl ( x );
l =1
l =1
r
r
cl ( x ) = x' l + rl ; l n
wl = i =1 Al ( xi )
n
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
5/44
A1
x1
x2
w1
w1c1 + w2 c2
w1 + w2
c1
A2
B1
B2
w2
c2
w1c1
w2c2
fi
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
6/44
A1
A2
z1 =
p1*x+q1*y+r1
w1
B2
z=
z2 =
p2*x+q2*y+r2
w2
w1*z1+w2*z2
w1+w2
A2
B1
w1
B2
w1*z1
wi*zi
w2*z2
wi
w2
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
7/44
A2
A1
B2
x
B2
B1
B1
A1
A2
A1
A2
B1
B2
w1
w1*z1
w4
w4*z4
wi*zi
wi
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
8/44
x
y
A1
A2
B1
B2
MF param.
(nonlinear)
Coef. param.
(linear)
linear
parameters
w1
w1*z1
w4*z4
w4
wi*zi
wi
forward pass
backward pass
fixed
steepest descent
least-squares
fixed
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
9/44
Tcnicas de identificacin
La mayora de las tcnicas de identificacin (y diseo, y control adaptativo) son
tcnicas de aprendizaje supervisado que se reducen a encontrar los parmetros
(ptimos) que minimizan una funcin de coste (usualmente cuadrtica)
Identificacin
u
Sistema
Modelo
f(u,)
ym
Minimizacin
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
10/44
Tcnicas de identificacin
Control/adaptacin
Minimizacin
Control
r
Controlador
f(e,)
Sistema
Modelo referencia
yr
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
11/44
Tcnicas de identificacin
Modos de aprendizaje
Aprendizaje en modo batch: se presenta todo el conjunto de datos de
entrenamiento. Se minimiza la funcin de coste global J
Aprendizaje en modo incremental: Se va presentando iterativamente cada
dato y se realiza la adaptacin de los parmetros
Criterios de parada
La funcin de coste es menor que un cierto valor 1
El gradiente (en mdulo) es menor que 2
Equivalente a J(k+1) J(k) < 3
Se alcanzan un nmero mximo de iteraciones
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
12/44
()
( ))
2
r
r r
1 rT r 1 M
,
J =
e e=
y
f
u
di
i
M
M i =1
r
r
f (u , ) funcion parametrica
r
vector de parametros
r
y d comportamiento deseado
r
e diferencia entre el comportamiento deseado y el real
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
13/44
()
r
1
J =
M
y
i =1
di
( )
r r
f ui ,
r
r T r (1 ) r T r
J =
e e+
M
n
()
J ( ) = eT We = ( yi f (ui , ))wij ( y j f (u j , ))
M
i =1 j =1
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
14/44
i =1 j =1
J ( )
=0
2 J ( )
>0
2
W=I
f (u, ) lineal en parametros: f (u, ) = A( u)
J ( ) =
2
1 M
yi A(ui ))
(
2 i =1
1
$ = ( A T A) A T Y
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
15/44
Pk +1 = Pk
Pk ak +1akT+1Pk
1 + akT+1 Pk ak +1
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
16/44
sk ( w ) = wr xk r = xk w
T
r =1
Y la seal de error:
wp ]
x k = [ x k 1 , ..., x k p ]
T
ek ( w ) = y k sk ( w ) = y k x k w
= ( w) = E (ek2 ( w)) = E ( yk xk w) 2 =
T
= E ( yk2 ) 2 w E ( xk yk ) + w E ( xk xk ) w =
T
= Ry 2 R xy w + w R x w
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
17/44
d
=0
d wo
R x w o = R xy
2 R x w o 2 R xy = 0
1
Obteniendo:
T
min = R y 2 woT R xy + wo R x wo = R y wo R x wo = R y R xy R x R xy
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
18/44
1
2
w k = w k w k 1 =
d
( w k 1 )
d
w k = ( R xy R x w k 1 )
NEWTON:
g ( w) =
por tanto:
w k = H ( w k 1 ) g ( w k 1 )
d
= 2 R x ( w w o );
dw
H ( w) =
d 2
d wd w
= 2R x
H ( w k 1 ) g ( w k 1 ) = ( w w o )
y la iteracin ser:
w k = ( w k 1 w o )
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
19/44
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
20/44
10
ek ( w ) = y k sk ( w ) = y k xk w
= ( w ) = E ( ek2 ( w )) ek2 ( w )
w k w k 1 = w k =
1 de k2 ( w )
2
dw w = w
k 1
( x k ) 2 ek = x k ek
2
a lg oritmo LMS
T
ek = y k x k w k 1
w k =
Filtros IIR.
k = k ek , ek = y k k k 1
con kT = ( y k 1 ,..., y k p , x k 1 ,..., xk m )T
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
21/44
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
22/44
11
J ( ) J ( )
J ( )
g( ) = J ( ) =
,
,K,
n
1
2
d k = Gg( k );
G definida positiva
J ( k +1 ) = J ( k + dk ) = J ( k ) + g T ( k )dk + O( 2 , 3 ,K)
Si << 1
J ( k +1 ) J ( k ) + g T ( k )dk = J ( k ) g T ( k )Gg( k ) < J ( k )
Objetivo : encontrar un valor de que satisfaga :
g ( k +1 ) =
J ( )
=
=0
k +1
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
23/44
constante: backpropagation
G = I;
k +1 = k g( k )
k +1 k = = cte.
k +1 = k
g( k )
g( k )
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
24/44
12
k +1 = k g ( k )
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
25/44
eta = 0.2
eta = 0.3
-1
-1
-1
-2
-3
-2
-1
-2
-3
-2
-1
-2
-3
-2
-1
eta = 0.7
eta = 0.5
eta = 0.6
-1
-1
-2
-2
-3
-2
-1
-2
-3
-4
-2
-1
3
-2
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
26/44
13
2.5
1.2
2
Error
1
1.5
0.8
0.6
0.4
0.5
0.2
0
100
200
300
0.5
1.5
indice
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
27/44
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
28/44
14
k +1 k = = cte.
k +1 = k
g( k )
g( k )
Resilient B.P.
Minimizar en la lnea del gradiente
dk y dk+1 ortogonales
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
29/44
kappa = 1
-1
-1
-2
-3
-2
-1
-2
-3
-2
-1
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
30/44
15
1.4
0.05
1.2
0.04
Ganancia
Error
1
0.8
0.6
0.03
0.02
0.4
0.01
0.2
0
100
200
Iteraciones
300
100
200
Iteraciones
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
300
31/44
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
32/44
16
Mtodo de Newton
Ganancia de aprendizaje adaptativa
Mtodo de Levenberg-Marquardt
Gradiente conjugado
Mtodos Quasi-Newton
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
33/44
2 f
x 2
21
f
H f = x x
2M 1
2
f
xn x1
2 f
x1x 2
2 f
x22
M
2 f
x n x 2
k +1 = k H J 1 g J ;
2 f
x1x n
2 f
L
x 2 x n
O
M
2 f
L
2
xn
L
= 1, G = H -1
Inconvenientes:
Obtencin de la inversa de H
Convergencia para valores alejados del mnimo
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
34/44
17
10
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
35/44
S t e e p e s t D e s c e n t (R e d ) a n d N e w t o n (b lu e ) D ire c t io n s
3
-1
-2
-3
-3
-2
-1
0
1
2
3
L M D ire c t io n s : L a m b d a = 1 (b la c k ) a n d L a m b d a = 1 0 (C y a n )
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
36/44
18
k +1 = k k H J 1gJ
Modificacin de Levenberg-Marquardt
Modifica la direccin: combinacin gradiente y Newton
1
k +1 = k ( H J + I ) g J ; > 0
til cuando H no es definida positiva
Hk +1 1 M k +1 = Mk + h( M k , k +1 k , gk +1 gk )
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
37/44
k +1 = k gk + ( k k 1 ) = k + gk + ( k k 1 ) = k + dk
d k = g k + d k 1
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
38/44
19
Hk
g k +1 g k
k +1 k
H k +1 M k +1 = M k + h(M k , k +1 k , g k +1 g k )
1
Mtodo BFGS
g T
M k +1 = I kT k
k g k
g T
M k I kT k
k g k
qk kT
+
T
k g k
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
39/44
Bsqueda aleatoria
Algoritmos genticos
Tcnicas de aleacin simulada (simulated annealing)
Simplex
Programacin dinmica
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
40/44
20
Vista
Odo
Olfato
Gusto
Tacto
Aprendizaje y razonamiento
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
41/44
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
42/44
21
(11, 6, 9)
Crossover
10011110
10110010
10010010
10111110
Crossover point
Mutation
10011110
10011010
Mutation bit
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
43/44
10010110
01100010
10100100
10011001
01111101
...
...
...
...
Current
generation
Elitism
Selection
Crossover
Mutation
10010110
01100010
10100100
10011101
01111001
...
...
...
...
Next
generation
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
44/44
22
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
45/44
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
46/44
23
Poblacin inicial
5 generacin
10 generacin
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
47/44
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
48/44
24
sup xU f i ( x ) g ( x ) <
Planteamiento general:
Cualquier sistema fuzzy o RNA lo representaremos mediante una funcin f(x) equivalente
(desarrollo formal anlogo)
Se asumen topologas y estructuras estticas.
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
49/44
Dinmica variable
Modificacin de los parmetros del regulador para adecuarse a los cambios del
sistema: adaptacin.
Aprendizaje
Correlacin de los cambios producidos en el sistema con otras variables: aprendizaje
recordar parmetros y asociarlos a condiciones de funcionamiento
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
50/44
25
A
x
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
51/44
Control/adaptacin
Minimizacin
Control
r
Controlador
f(e,)
Sistema
Modelo referencia
yr
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
52/44
26
Diseo
ref
Control
Sistema
x
Control con modelo de referencia
Referencia
ym
Adaptacin
ref
Control
Sistema
yp
x
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
53/44
y p
d
= e(t )
dt
t +T
y p
J
d
= ( t ) e( )
t
V = e T Pe + T 1;
Basadas en la hiperestabilidad
Definir la funcin de la seal de error
Curso: Control Inteligente y No Lineal. Tema 2: Identificacin de Modelos Borrosos y Neuronales, por Jos Luis Navarro y Jos Luis Dez.
54/44
27