Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ARTICULO: 1
CONTROL NEURONAL 2020 1
Andres Felipe Velasquez Lenis, asesor Jaiber Evelio Cardona Aristizábal
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.
A B
Fig.3
Falta describir la figura
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
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