Professional Documents
Culture Documents
"
# $
$ "
% %
&
'
() * () *
+ % ( *
% $ % % (
* % #
, ( * ( * - % ( * %
" % ,
%
Figura 2.1 Representación a bloques de un sistema.
" #
.'/ 0
+ + +
=
+ + +
" $
'' & $
% ( '* %
"
# .'/'0
=
.'/'0
! "
#
)
'1 2
$
, %
.
3 0 .
0 .0
% .0 1
% .
4 2 ' 10 5 .0 " % % #
# % 6
.0 %
% , 5 7.0 8
"
5
7 . 0 86
" +
% '1
%
"
# 5
7.0 8 +
$
" ! % "
$
, $
'
)
'!
) % 7 8
&
' !
( !
&
'!
.0
.3
0 .
0
#
9 %
.0 #
.0 "
% $
.0 .0 -
#.:0 .0
7:;8
;
<
, ; , $
3
% ,
,
+
,
2
=
)
'1 7'8
$
%
"
$ $
$
,
718
,
$
"
"
>
, # $
. , 0
9 6
# >
$ 2 $ ?
9 ''
6 ! "
" %
, , % 3+&
% "
$ ? ?
$
( * ,
( # *
) #
$ %
)
+ ! ! !
, (
*
"
$ "
% @ A
. 0 ,
3 $
$
,
) 2 B C7 8
,
"
$
D -3ED $ $
, F; E
'1 3 G .( *07!8
) %
%
$
# %
;
. ' 10 $
'A
*
' .
/
-
0 1 ( 0 0 ! (
0 2 ! " 0
3
" ! % (
-
Entrada de
c omando Salida
Base de
conocimiento
Proceso y
Fuzzificac ión Inferenc ia Defuzzific ac ión
medición
'A '1
- & F "
%
. % 0 %
" & H
- F
3 %
"
"
I 2 .< F< E :0
# #
. FE 0 ; , $ < F< E 7A8
%
< FE
% $
F-/;J D , ,
F-/;J D
9 F-/;J D
"
$ %
4
5 0 "
6
7 87 9 7 8 7 9
:8:9 : ( 8 : ( 9
3
)
- > $ ", → )* + #
$ # % "
>" #
- ./% , "
# 0 .
" >
F-. . 00 . .'00 K . . 00
;J D . . 00 K . . 00
< ;L 7C8>
3 < ! 1
. . . ,
L > # + K # + M K M
! # . ,
4
% %
3 ;L / ! .
. . ,
2 .
9 ;L /
%
9 <
<
" )
"
N ,O
) %
/ & %
3 , > %
&( % &(
% > : ≤ & (≤ : : ≤ & (≤ : " %
&(
:≤ & (≤ ) % 1
% "
% 'C
0.8 0.8
Degree of membership
Degree of membership
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
e(n) de(n)
6
) $
'C ) % $
( * ( *
$
'G
%
0.8
Degree of membership
0.6
0.4
0.2
/ &
3
. 0 >
Tal vez habría que definir o explicar cuántas funciones se tienen que determiner. ¿porqué 9 y no más?
/ ) N O
/ )
" 2
2
+
3
)
( * "
2 D
< 6 , D
µ K µD6 D "
5β K βD >
µα ⋅ β
= =
µα
=
α % N O
/ E
&(
3 . 0
% &( % &( 3
)& % 3 %
&( 3 )F
• 3 )F> F- &( + 3 M ;J D 3 3
3 %
'1'3 7G8
+ 7H8 $ ,
,
, $ 2
%
)
'H
>
= A +
% .(# *0 ?
9 #
9 ' :
" 2 >
'
$
1 5 1
0.9 4 0.8
0.8 3 0.6
0.6 Función 1
lineal 0.2 Función
Sigmoidal Tangencial
0.5 0 0
0.4 -1 -0.2
0.3 -2 -0.4
0.2 -3 -0.6
0.1 -4 -0.8
0 -5 -1
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5
$ $
# /
. B 0 B
# B
9 $ ( 4 * 1 #
6
&
+ %
#
3
#$ #
# $
" >
0 3
'0 3
10 E
0 3
>
0 3
$
' "
0 3
0 &
% &
% >
0 <
0 & % . 0
0 & %
0 & %
>
0 3
0 3
0 3
0 3
0 "
P ω. '/!0 + DD
% Q .'/!0
DD> P.ω0
ω
.'/!0
0 3 D F 7C8
0 3
< .F 0
"
. F E0 , ( 4 * $
&
BBC B B A D
)
6
#
.- ' '0
u Y
Planta
Entrenamiento
Red Neural
u’
Figura 2.12. La red neuronal puede ser usada como el modelo
del proceso como caja negra.
+
%
'/A>
BBC { − ω }
ω
1*
R
+ SKT
9
'/A '/C>
C − = ω
ω
1-
9
%
>
0 4
9 "
U
' 1 >
*
C { E
− − }
.'/G0
/ V ;
Q / &
V % V
>
E= E
.'/H0
E #
u Y
Planta
Entrenamiento
Red
Neural
u’
Figura 2.13. Una red neuronal en un modelo inverso.
. ! 0
< )3 A
$ $ $ 2
"
. 0
+2 #
,
)
' " F
( '
! ( (
*
7 ,+C 7 , ! +
-
0 +
3
,
/
>
C {η E −η }
.'/ :0
ηV η
"
# η 2
,
9 ηV
>
G{ E − H } = η
.'/ 0
3 + 3
& $ $
)
6
. ' 0
F
3
Entrenamiento
Red
Neural
r Modelo o y
Controlador
+ Proceso
- u
" )F&
"
)F& .@ Q @ .; 0Q @ .; 0Q
0 %
" )F& 2
$ $ +
2 ) %
)F&
'0 3
0 <
# .- ' !0
4
e u
Controlador
Entrenamiento
Red Neural
u’
Figura 2.15. Red neuronal para modelar un controlador ya existente.
" #
.( . *0
# &
% >
C
ω
{ E − ω }
.'/ '0
V # 3V 9 # 3V
$ >
G{ E − H } =
.'/ 10
3
$
.( 4 *0 # #
$ %
) )F&
.( *0 ,
+
Q "
+4W .( .
4 5 ' . *0 #
0 3
6
$
$ ( *
+ $ %
$ % %
>
C
ω
{ E− } = ω
.'/ 0
"
#
%
% (
* %
( % * ' A
%
Entrenamiento
r u y
Red Neural Planta
( * M 7 :8
; #
%
, $
# %
+ $ ,
"
2
0 3
&
. 0
$ , %
( *
>
C
ω
{ E− } = ω
.'/ !0
+ .'/ 0 . 0
, 3 ' C
Q
( * 9
%
9 %
& $ $ $
$
%
Entrenamiento
r u y
Red Neural Modelo
#
#
9
0 3
" 2 2 >
/
2 %
)
$ % %
.- ' G0
Entrenamiento
r u y
Red Neural
Modelo
% >
C
ω
{ E− } = ω ∀ ∈
.'/ A0
/, < F
2 "
. 0
. 0
$ ) $
+
. # 0
9
%
$
10 E 7 8
0 3 7 '8
,
$ &(
&( >
− ≤ε
→∞
) :
' H %
2
<
4D+
)
3 3
3
0 3
$
7 18
"
' ': )
,
&
!
" $ %" &%
!
#
0 "
$ $ "
2 "
% ,
+ $
# #
''
-1
q -2 q
-1 -2 -2
q q q q
-2
q
-2
q
-1
NN-2 NN-1
^g[.] f[.]
^
- ''
''
)
# 78 X7 8
D $
'#
; '#
Esquema Característica
1. Control neuronal indirecto
a) Control basado en un modelo de Diseño de un control tradicional que ha sido diseñado
proceso generado con una red neuronal con un proceso modelado con redes neuronales.
b) control basado en un modelo inverso El control es el modelo inverso del proceso. Este
generado con una red neuronal modelo inverso es una red neuronal.
c) Desarrollo de una red neuronal Se ajustan los parámetros de un controlador clásico
autosintonizada. usando una red neuronal.
2. Control neuronal directo
a) Modelo de un controlador. Se copia el comportamiento de un controlador existente
usando una red neuronal.
b) Diseño de un control neuronal libre de Red neuronal como controlador, entrenado con el
modelo (sin modelo). proceso real.
c) Diseño de un control neuronal basado en Red neuronal diseñada primero con un modelo de un
un modelo proceso.
d) Diseño de un control neuronal basado en Red neuronal diseñada primero con un modelo de
un modelo robusto. proceso y algunas variaciones del mismo.
3. Otros esquemas de control neuronal
a) Control con modelo de referencia. Red neuronal como controlador, pero teniendo un
modelo como elemento de referencia.
b) Control con modelo interno. Utiliza dos redes neurales, una como controlador y la
otra como modelo del proceso.
c) Control predictivo. Se usan dos redes neuronales una de las cuales es un
modelo predictivo de funcionamiento.
d) Control lineal adoptivo. ¿? No entiendo bien, releer. Parecido al 2b).
e) Linealización por retroalimentación Se usan dos redes neuronales para linealizar el
comportamiento del controlador.
; )
3 $ N
OJ
.N
O0
*
'113 D
$
$
,
&
, &
,
6
2 " 7 8
"
# . 0 $
6
F/ D;ED3 &6 5 6(
" 7 !8 D L
@ , " 7 8
>
!" #$ ! %$ &&'(
, )
$ .( . *0
#) *! !" #$ %$ &&'( )
9 /
* " #$ + !)#,
. Q
0 & ,
>
• +
• +
• +
• +
-
* " #$ -./ #
$ $ ,
3
# > +D-F - D
+4F3 D -3"+ D -3ED D -)4EW 7 !8
+ ,
.+4F3 D -3ED0
2 .+D-F - D D -3"+ D -)4EW0
" $ I+4F3
D -3ED 3 # $ $ # D -3ED
F; E $ 2 +
D -3ED
'1 D -3ED
D -3ED , (02 70
C
, G D -3ED
H
M' , Y µ
µ ν'
-
= B DI . J BK (
3
L 4 M )N CB D= !
", ; 00 1: O4& /81P D F 7 F: +
4
0 0 " ! " < " " 0
( " " " 0
3
Figura 2.22. Sistema NEFCON con dos variables de entrada y cinco reglas.
" # D -3ED 2 .
0 #
. # 0 ' '' #
ξ 4 4' µ # 4 4! η
2 ν1
#
, #
2
" D -3ED
+
$
D -3ED
, D -3ED
D -3ED >
• 4
• ) .(# 8 *0 .(
8 4 *0
4
• + $
• Y #
•
,
L
D -3ED >
• ) ξ
• " η
• ) 4 $
• 3 4
µ# . 0 , Y # .M0 . 0
4 # , Y
#
• " /
.& . 00 .& . 00
D -3ED
"
"
!' ( )* ( +"% 7 A8
D -3ED
" % $
+
"
+ Z[
+
η # >
3 .Z [0 .' 9 ' 0
$6
" D -3ED
< "
,
!( )* , '
" , >
, ,
.
6 0 ,
$
D -3ED F "
7'H8
2 &
η &
,
.
NO0 +
, %
; +
,
, + $
!' , ( ( )* '
. / 0 &
&
&
D
$
/
$
$
-
# 2 ) D -3ED
# C!5 A G:C .
2 0 3 2
D -3ED )
D -3ED
D
$ # ,
) $
" D -3ED
$
/ ,
2 NO D
& $
>
•
D -3ED
D
•
,
D -3ED
9
%( ) , '
" %
Q
$
"
,
!' +"%
D -3ED/F
# (
* 9 ( *
η & ( *
!' +"%
D -3ED/F
D -3ED/FF , $
. A0 # $
" >
. 0 . 0
+
$
D -3ED
D -3ED/FF D -3ED/
F
D -3ED/F
; %
% 2
+
( * ,
, $
# &
$ %
$$
D -3ED $ ? 69 #
< ? ? < +;"+MQ F< 9"FD@
> .$ >QQ / 0
% ,
N O
I $ \ PU ;$ " % #) *! ) "* !
0 (1" D < ,# HHG
; L @ %! # ) )# ) $ &&'" 2# $ + ! )# !"
!++"# !)# ( 9 + HHC
+I M 4 3 + D L $
F ; < ]3 1>G1!/G A
HG1
# <
;L "
$&
7'8 + L ) P) @ < %! # ) )# ) # ) ""#2 ) !
! ) * ) "( .) E ?0 @ ? + ) $ 9 + HH1
$)