UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

ESCUELA PROFESIONAL DE INGENIERIA ELECTRONICA
_________________________________________________________________________

SILABO

1. INFORMACIÒN GENERAL

Nombre del curso : Control Inteligente

Numero de Asignatura : 59
Código : LD953
Carácter : Electivo
Pre-Requisito : Control Avanzado
Numero de Créditos : 03
Horas de Teoría : 02
Horas de Laboratorio : 03
Tipo de Evaluación : B
Duración : 17 Semanas
Profesor :

2. SUMILLA

La asignatura de Control Inteligente, es de naturaleza teórica, práctica y experimental. Tiene el

propósito de brindar al alumno sólidos conocimientos, la sumilla presenta los siguientes
tópicos: Introducción al control inteligente. Fundamentos básicos de las redes neuronales.
Algoritmos con aprendizaje supervisado. Modelamiento de sistemas mediante redes
neuronales. Diseño de sistema de control neuronal. Fundamentos de la lógica difusa.
Propiedades de los conjuntos difusos. Operaciones con relaciones difusas. Variable lingüística.
Principio de extensión. Proposiciones difusas y reglas de inferencia. Implicaciones difusas.
Algoritmo de inferencia difusa de Mamdani y Sugeno. Diseño de un controlador difuso lineal
tipo PID.
3. OBJETIVOS GENERALES Y ESPECÍFICOS

Al finalizar el curso el estudiante de Pregrado estará en la capacidad de:

 Reconoce las herramientas del software de simulación de MATLAB y LabVIEW para

resolver los algoritmos computacionales basados en inteligencia artificial en aplicaciones
de tiempo real.
 Soluciona problemas de inteligencia artificial usando las redes neuronales y la lógica
difusa.
 Realizara modelamiento neuronal de sistemas lineales.
 Diseñara sistemas de control inteligente usando redes neuronales y la lógica difusa

1
 UNIVERSIDAD NACIONAL DEL CALLAO
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
ESCUELA PROFESIONAL DE INGENIERIA ELECTRONICA
_________________________________________________________________________

4. METODOLOGÍA

El laboratorio se efectuará siguiendo lineamientos metodológicos:

a)
Las clases serán prácticas, desarrollándose los temas según el programa analítico. El
profesor propiciará y motivará a los alumnos a participar en clase.
b) El alumno, estudiará y repasará los temas que el profesor desarrolle. Esto permitirá una
mejor participación del alumno en clase.
c) El profesor pondrá a disposición de los estudiantes separatas y guías de prácticas que
deberán ser resueltas con el propósito de afianzar sus conocimientos.
d) El profesor presentara su silabo a los alumnos el primer día de clase.
e) Las prácticas de laboratorio son de naturaleza obligatoria y el tema a desarrollar debe
estar enmarcado dentro del programa analítico.
f) El curso se llevara a cabo en la plataforma virtual, en donde se colgaran la información
de curso, así como tutoriales y los laboratorios.
5. RECURSOS A UTILIZAR

Para el desarrollo del curso se utilizarán los siguientes recursos:

a) Computadora y Proyector Multimedia
b) Pizarra acrílica y plumones

6. PROGRAMACIÒN ACADÈMICA

1° SEMANA
Introducción a la inteligencia artificial. Definiciones. Terminología básica. Historia de la inteligencia
artificial. Alcances de la inteligencia artificial. Áreas de la inteligencia artificial. Percepción y acción.
Implementación de sistemas básicos con inteligencia artificial.

2° SEMANA
Fundamentos básicos de las redes neuronales. Acontecimientos históricos de las redes neuronales.
Red neuronal biológica. Modelo de una red neuronal artificial. Tipos de funciones de activación.

3° SEMANA
Unidad lógica threshold y vectores. Espacio de patrones. Red neuronal perceptron. Aplicaciones y
limitaciones del perceptron. Algoritmos con aprendizaje supervisado corrección de error:
perceptron con momentum. Red Adaline y el algoritmo de Widrow Hoff.

4° SEMANA
PRACTICA CALIFICADA 1.

2
 UNIVERSIDAD NACIONAL DEL CALLAO
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
ESCUELA PROFESIONAL DE INGENIERIA ELECTRONICA
_________________________________________________________________________

5° SEMANA
Algoritmos basados en gradiente. Algoritmo LMS. Algoritmo propagación inversa. Redes
neuronales multicapa (MLP). Capacidad de generalización de una red. Algoritmo propagación
inversa.

6° SEMANA
Aplicaciones del perceptron multicapa como clasificador de patrones y como aproximador de
funciones no lineales. Función de la red neuronal como polinomio multivariable. Análisis y diseño
de sistemas de control no lineal. Función descriptiva del neurocontrolador. Ciclos límites del
neurocontrolador. Diseño del neurocontrolador.

7° SEMANA
PRACTICA CALIFICADA 2.

8° SEMANA
EXAMEN PARCIAL

9° SEMANA
Redes con aprendizaje no supervisado. Redes asociativas. Redes recurrentes. Red de Hopfield.
Aplicaciones con algoritmos no supervisados. Identificación paramétrica de sistemas lineales y no
lineales. Modelado de sistemas dinámicos no lineales. Aproximación funcional de un modelo
NARMAX usando redes neuronales recurrentes.

10° SEMANA
Introducción a la lógica difusa. Crisp y lógica difusa. Porque usar la lógica difusa en control.
Metodologías usadas en el control difuso. Diferencias entre un conjunto difuso y no difuso.
Conjunto difusos. Funciones de pertenencia. Operadores elementales para lógica difusa.
Aplicaciones.

11° SEMANA
PRACTICA CALIFICADA 3.

12° SEMANA
Relaciones difusas y sus aplicaciones. Teoría del razonamiento aproximado. Fuzzyficador. Máquina
de inferencia difusa. Defuzzificador. Razonamiento de Mamdani. Razonamiento de Takagi--
Sugeno.

13° SEMANA
Estructuras básicas de un controlador difuso. Obtención de la base de reglas. Comportamiento de
los controladores difusos. Representación usando características 2D. Influencia de la funciones de
pertenencia en la base de reglas. Representación usando las características 3D.

3
 UNIVERSIDAD NACIONAL DEL CALLAO
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
ESCUELA PROFESIONAL DE INGENIERIA ELECTRONICA
_________________________________________________________________________

14° SEMANA
Diseño del controlador difuso-P. Diseño del controlador difuso-PID. Diseño del controlador difuso
No lineal. Control difuso de línea base. Aplicaciones.

15° SEMANA
PRACTICA CALIFICADA 4

16° SEMANA
EXAMEN FINAL

17° SEMANA
EXAMEN SUSTITUTORIO

7. PROGRAMACIÓN ACADÉMICA SEMANAL DE PRÁCTICAS DE LABORATORIO

Semana 1: Laboratorio 1
Red Perceptron con el Toolbox de Matlab
Semana 2: Laboratorio 2
Reconocimiento de Patrones
Semana 3: Laboratorio 3
Red Adaline con el Toolbox de Matlab
Semana 4: Laboratorio 4
Algoritmo Adaline y sus Aplicaciones
Semana 5: Laboratorio 5
Modelamiento Neuronal Gadaline
Semana 6: Laboratorio 6
Red Feedforward con el Toolbox de Matlab
Semana 7: Laboratorio 7
Aplicaciones con el Algoritmo Backpropagation
Semana 8: Laboratorio 8
Diseño del Neurocontrolador
Semana 9: Laboratorio 9
Aplicaciones con el Toolbox de Lógica Difusa de Matlab
Semana 10: Laboratorio 10
Inferencia de Mamdani y sus Aplicaciones
Semana 11: Laboratorio 11
Inferencia de Sugeno y sus Aplicaciones
Semana 12: Laboratorio 12
Algoritmo de Control por Lógica Difusa
Semana 13: Laboratorio 13
Aplicación de un Control Difuso Lineal tipo PID
Semana 14: Laboratorio 14
Algoritmo de Control Difuso

4
 UNIVERSIDAD NACIONAL DEL CALLAO
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
ESCUELA PROFESIONAL DE INGENIERIA ELECTRONICA
_________________________________________________________________________

8. SISTEMAS DE EVALUACIÒN

La evaluación del rendimiento de los alumnos es objetiva, y se realizará de acuerdo al tipo

de evaluación B que se indica:

PP : Promedio de prácticas calificadas.

PL : Promedio de prácticas de laboratorio.
EP : Examen parcial
EF : Examen final
PF : Promedio final

El Promedio Final del curso se calculará de la siguiente forma:

PP  PL  EP  2EF
PF 
5

a) El alumno podrá rendir un examen sustitutorio, el que será único y abarcará toda la
asignatura, cuya nota reemplazará a la nota más baja de EP o EF.
b) La Nota Mínima Aprobatoria de la asignatura es 11
c) Un rubro muy importante para la evaluación del alumno es la asistencia, puesto que con
el 30% de inasistencias el alumno tendrá como calificativo NSP.

9. BIBLIOGRAFÍA

1. Maynard Kong. “Inteligencia Artificial”. Fondo Editorial, 1993

2. Nils J. Nilsson. “Inteligencia Artificial”. Mc GrawHill, 2001.
3. K.S Narenda and K. Parthasarathy. “Identification and control of Dynamical System using
Neural Networks”. IEEE Transactions Neural Networks 4-27, 1990.
4. Liu Xing. “Neural Networks and Identification, Prediction and Control”. Springer-Verlag,
London Limited, 1997.
5. Martín del Brío y Sanz Molina. “Redes Neuronales y Sistemas Difusos”. Alfaomega, 2001.
6. Freeman y Skapura. “Redes Neuronales, Algoritmos, Aplicaciones y Técnicas de
Programación”. Addison-Wesley, 1993.
7. Davis Skapura. “Building Neuronal Networks”. Addison-Wesley Publishing Company. 1996.
8. T. Kohonen. “Self-Organizing Maps”. Springer, 1997.
9. Bart Kosko. “Neural Networks and Fuzzy Systems”. Prentice Hall. 1992.
10. Jyh-Shing Roger Jang. “Neuro-Fuzzy and Soft Computing”. Ed Prentice Hall, 1997.
11. Ben. J.A. Krose. “An Introduction to Neural Networks”. University of Amsterdam, 1993.
12. Jhon Yen and Reza Langari. “Fuzzy Logic: Intelligence, Control, and Information”. Prentice
Hall Upper Saddle River, New Jersey, 1999.
13. M.J. Patyra. “Fuzzy Logic Implementation and Application”. Wiley Teubner, 1996.
14. MathWorks. “Fuzzy Logic Toolbox, Math Works”. 1999.

5
 UNIVERSIDAD NACIONAL DEL CALLAO
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
ESCUELA PROFESIONAL DE INGENIERIA ELECTRONICA
_________________________________________________________________________

15. Stephen T. Welstead. “Neural Networks and Fuzzy Logic Applications in C++”. Editorial John
Wiley, 1994.
16. Li-Xin Wang. “A Course in Fuzzy System and Control”. Prentice Hall, 1997.
17. Mamdani, E.H. “Application of Fuzzy Control Algorithms for Control a Simple Dynamic
Plant”. Proc IEEE, 121,12,1585-8, 1974.