UNIVERSIDAD DEL QUINDIO, INGENIERÍA ELECTRÓNICA, INTRODUCCIÓN AL CONTROL.

ARTICULO: 1
CONTROL NEURONAL 2020 1
Andres Felipe Velasquez Lenis, asesor Jaiber Evelio Cardona Aristizábal

Control neuronal y redes neuronales (RN)


cambien en el tiempo.) en la cual el controlador es una red no
Resumen—En el siguiente articula se explicará en que consiste un lineal de neuronas dispuestas en varias capas, y los
control neuronal, como es su funcionamiento y cuáles son sus parámetros adaptables son los pesos de las interconexiones
aplicaciones en ingeniería, para dar información al ingeniero en entre las neuronas”.[1]
formación sobre métodos de control a sistemas no lineales
El control neuronal es más eficiente cuando no se conocen
Palabras claves—Control no lineal, Estrategias de control
parámetros importantes del sistema, sistemas difíciles de
Modelo matemático. modelar y no linealidades, esto debido a la naturaleza no lineal
Para el resumen se debía tener en cuenta la organización del y capacidad de aprendizaje de las redes neuronales artificiales
documento, ósea describir como se encuentra organizado el (RNA).
artículo en sus secciones, al igual que describir en forma
abreviada y concisa el contenido en este caso cumplió
parcialmente con lo descrito, aunque este fue muy corto III. REDES NEURONALES
Las redes neuronales son un modelo matemático creado a
Para las palabras clave debe haber entre 4 y 6 y estar en orden partir de muchas neuronas artificiales
alfabético así que solo cumplió con la segunda condición
(RNA) y su funcionamiento es similar a las neuronas
biológicas.

I. INTRODUCCIÓN
Para la automatización y control el modelado matemático
de la planta o el sistema a controlar es uno de los aspectos que
más dificultad genera, debido a la no linealidad que
representan la mayoría sistemas reales.
En las tecinas más utilizadas de control su diseño se basan
a partir de una dinámica o un modelo matemático del sistema
que se desea controlar; por ejemplo si un sistema tiene una
dinámica muy compleja las técnicas más conocidas de control
no funcionan, si no es lineal se realizaran métodos los cuales
permitan linealizar el sistema dentro de unos límites en los
Fig. Neurona biológica
cuales estará mi zona de operación y así poder aplicar alguna
técnica de control, pero esta linealización lleva a un modelado
(falta numerar las figuras de una forma ordenada)
matemático menos preciso ya que solo tengo en cuenta una
parte del sistema y como tal limitándolo.
Una neurona consta de unas entradas llamadas dendritas
(canales de entradas) el soma el cual es el procesador de la
Se tiene una introducción que cumple parcialmente ya que,
información y el axón que es el canal de salida, otro elemento
describe el tema de la investigación, nombra trabajos previos
importante es la conexión entre neuronas llamado sinapsis esta
del tema, aunque le falta los objetivos y en las partes señaladas
conexión es eléctrica y de esta depende la transmisión de
habla en primera persona lo cual esta errado
información entre neuronas.

II. CONTROL NEURONAL

“Un control neuronal es una estrategia de control que
realiza una forma de control adaptativo (estrategia de
control que permiten ajustar los valores de los parámetros de
control, aunque se desconozca los parámetros de la planta o

Manuscrito recibido el 9 de abril de 2020. A.F.V.L están con la

Universidad del Quindío, Facultad de Ingeniería, Programa de Ingeniería
Electrónica, Introducción al Control. Avenida Bolívar Calle 12 Norte
Armenia. Quindío. Colombia Tlf. +57-6-7460175, E-mail:
(afvelasquezl@uqvirtual.edu.co) jaibercardona@uniquindio.edu.co
 UNIVERSIDAD DEL QUINDIO, INGENIERÍA ELECTRÓNICA, INTRODUCCIÓN AL CONTROL. ARTICULO: 2
CONTROL NEURONAL 2020 1
A. Neurona artificial
Rumelhart y McClelland (1986) define un elemento de
proceso (EP), o neurona artificial, como un dispositivo que,
a partir de un conjunto de entradas, xi (i=1...n) o vector x,
genera una única salida y.

A B
Fig.3
Falta describir la figura

En la figura 3. A observamos una red unidireccional

multicapa y le figura b una red monocapa recurrente.
Fig.2. Neurona artificial

En la figura 2 se muestra el esquema de une neurona artificial IV. ARQUITECTURAS NEURONALES PARA EL CONTROL Y
donde observamos sus entradas o vector de entradas x, LA AUTOMATIZACIÓN
conjunto de pesos w i ,n, regla de propagación (∑), una función Pueden considerarse tres métodos diferentes de aprendizaje: el
de activación f () y una función de salida yi. método indirecto, el general y el especializado [2].
Cada neurona está conectada unidireccionalmente con otras Aprendizaje indirecto: en donde se utiliza el error a la salida
neuronas mediante unos enlaces y a cada enlace le del sistema para que la red aprenda.
corresponde un valor, estos valores son el conjunto de pesos
w. Estos pesos en los enlaces pueden activar o desactivar el
estado de las neuronas más cercanas.
En los enlaces, la salida de la neurona anterior es
multiplicado por un valor de peso hi =¿∑w i ,nXn. En ciertos
casos el valor de salida de una neurona tiene que ser
modificado o superar o no un umbral, a esto se le conoce
como la función de activación.
Las RNA al ser adaptativas pueden aprender de datos
experimentales o datos que cambien en el tiempo, realizan una
representación de un sistema a partir de estos; existen dos
Fig.4 Aprendizaje indirecto.
métodos de aprendizaje se denominan, aprendizaje
En la figura 4 se desea que la salida “y” salida del sistema
supervisado y aprendizaje no supervisado.
sea igual a la salida que deseamos “d” así que el control
Aprendizaje supervisado: en este tipo de aprendizaje la red
neuronal debería actuar como la planta de manera inversa y
minimiza el error entre la salida calculada por la red y la salida
proporcionar una salida u que mapee el valor deseado lo más
deseada, para aproximar la salida calculada a la salida deseada
exacto posible para que “y” sea aproximadamente “d”.
la red modificara sus pesos. Aprendizaje no supervisado: En
Después de tener el control neuronal entrenado exitosamente
este método de aprendizaje la red no tiene que le indique si la
con un valor de “y” aproximadamente “d” la salida del sistema
salida obtenida a partir de una entrada esta correcta, la red
“y” se toma como una nueva entrada al control neuronal
debe reconocer un conjunto de patrones que puedan establecer
teniendo un nuevo error “u”- “t”, ya que si el error de “d”- “y”
el conjunto de entradas.
tiendo a cero el otro también lo hará; el hecho de que t - mu
Algoritmos de propagación: Los algoritmos de propagación
disminuya no asegura que d - y lo haga.
más conocidos son:
Aprendizaje General: En la figura 5 tenemos como entrada
- Minimización del error: reducción del gradiente.
al sistema una señal “u” que proporciona una salida “y”, se
- Boltzmann: en este algoritmo los parámetros son
entrena una red neuronal la cual a partir de “y” genera una
considerados de forma aleatoria.
nueva señal t para minimizar el error en “u”.
- Hebb cuando una neurona es activada por otra
- Competitivo: las neuronas encargas del aprendizaje
son las mas cercanas a la referencia
El procesamiento de información de las RNA es en
paralelo lo que proporciona una mayor velocidad de
procesamiento de información.
 UNIVERSIDAD DEL QUINDIO, INGENIERÍA ELECTRÓNICA, INTRODUCCIÓN AL CONTROL. ARTICULO: 3
CONTROL NEURONAL 2020 1

REFERENCIAS BIBLIOGRÁFICAS
[1] EMBENTION . (2018, marzo 16). CONTROL
ADAPTATIVO Y SUS APLICACIONES EN LA
INDUSTRIA. Recuperado 10 de abril de 2020, de
https://www.embention.com/es/news/control-adaptativo-
y-sus-aplicaciones/.
[2] Gamero, L., Mércuri, C, Rufiner, L., & Zapata, D.
(1993). Control de un Robot mediante Computación
Neuronal. Recuperado de http://sinc.unl.edu.ar/sinc-
publications/1993/RZSG93/sinc_RZSG93.pdf

Andres Felipe Velasquez

Fig.% Aprendizaje general
Aprendizaje especializado: En este método de
entrenamiento se busca que la salida de la red “u” este
entrenada para proporcionar que la salida del sistema “y” sea
lo más cercana a la entrada de la red “d” ajustando los pesos
de la red mediante el gradiente de método descendente.
Mi nombre es Andrés Felipe Velasquez soy
ingeniero en formación de la universidad del
Quindío estudie mi primaria la institución
educativa universidad obrera sede
purificación Trujillo de la cuidad de Cali,
posteriormente me mude a la cuidad
Caicedonia valle y curse mi bachillerato en la institución
educativa bolivariano, cuanto con formación solidad en el
diseño e implementación de proyectos de electrónica, sistemas
digitales, telecomunicación y automatización y control mis
habilidades están principalmente en el área de sistemas
digitales automatización y control; también cuento con un
curso de “cp-walker prototipó de un exosqueleto a escala
funcional para la ayuda de la parálisis cerebral.
.
Falto la fotografía del autor

Fig.6 aprendizaje especializado

Para el desarrollo y descripción del tema, fue acertado a la

hora de comenzar explicando que es un control neuronal, al
igual que describir cómo es una neurona, su estructura y su
funcionamiento, también muestra un ejemplo como es la
neurona artificial para aplicar el control en la rama y cómo se
comporta
muestra los diferentes métodos que se realizan para la
modelación del control neuronal como los algoritmos, también
muestra diferentes aprendizajes de la arquitectura para el
control describiendo cada uno, para esto hizo falta una
explicación más concia del procedimiento para estos
aprendizajes, al igual mostrar algunos ejemplos de a la
actualidad que permitan visualizar el funcionamiento y la
aplicación de este tema

V. CONCLUSIONS
Para el ingeniero electrónico de la universidad del Quindío
las redes neuronales son muy importantes ya que con ellas se
pueden utilizar métodos más complejos para la
automatización, control e identificación de sistemas dinámicos
Falto agregar más conclusiones del tema