TÉCNICAS DE CONTROL INTELIGENTE

TÉCNICAS DE CONTROL INTELIGENTE

1. Encontramos dos formas de control:

   • Control por Redes Neuronales
     • Forma de control que imita el funcionamiento de las neuronas del sistema nervioso.
       • Funcionamiento
         • Cada neurona suma el peso de las demás neuronas que la estimulan y el resultado de la suma recibe el nombre de función de activación. Están distribuidas en capadas de entrada oculta y capas de salida conectadas entre si hacia adelante o en conexionado total, cada salida pasa a través de cada nodo o en la siguiente etapa
           • Aplicaciones
             • * Análisis de datos y monitorización de procesos. * realización de mapas fonéticos para el reconocimiento de palabras o la organización de grandes cantidades de datos en internet.
               • Tipos de redes Neuronales
                 • ADALINA
                   • Adaptive Linear Neuron (Neurona Lineal Adaptativa).
                     • Caracteristicas
                       • * De respuesta lineal cuyas entradas pueden ser continuas. * Sus salidas pueden tomar cualquier valor
                 • PERCEPTRÓN MULTICAPA (MLP)
                   • (Multi-Layer Perceptron)
                     • Caracteristicas
                       • * Nace a partir de añadir capas intermedias (ocultas) a un perceptrón simple. * Basado en BP (Back- Propagation), suele denominarse red de retropropagación
                 • RED COMPETITIVA LVQ
                   • Caracteristicas
                     • * Existen tres tipos: los Mapas Autoorganizados o SOM (Self-Organizing Maps) y las redes LVQ (Learning Vector Quantization). * En el aprendizaje competitivo, las neuronas de la salida compiten por activarse y solo una de ellas permanece activa ante una determinada información de entrada a la red. Esta neurona se denomina prevalente o vencedora
                 • RED NEURONAL PROBABILÍSTICA
                   • PNN (Probabilistic Neural Networks)
                     • Caracteristicas
                       • Representación en formato de red neuronal del bien conocido método Clasificador Bayesiano (CB),
                 • RED DE BASE RADIAL
                   • RBF (radial Basis Function),
                     • Caracteristicas
                       • * Puede considerarse de tipo híbrido por incorporar aprendizaje tanto supervisado como no supervisado. *Pueden requerir más neuronas que las redes de tipo BP. *Trabaja mejor cuando se dispone de muchos vectores de entrenamiento.
                 • RED DE REGRESION GENERALIZADA
                   • GRNN (Generalized Regression Neural Networks)
                     • Caracteristicas
                       • * Tienen la propiedad de no requerir entrenamiento iterativo.
                 • RED DE CAPA COMPETITIVA
                   • WTA (winner-take-all)
                     • Caracteristicas
                       • *Es no supervisada y unidireccional
                 • REDES ALEMAN
                   • Caracteristicas
                     • Es un tipo de red BP (Back-Propagation) de dos capas, la primera de tipo sigmoidea y la segunda lineal, con realimentación desde la salida de la primera capa hasta la entrada de la misma
     • Caracteristicas
       • * Esta compuesta por una capa oculta y una capa de salida. *La red neuronal puede aprender y ser un sistema experto que extraiga datos automáticamente sin precisar reglas
   • Control Difuso
     • La lógica difusa, metodología fuzzy, trata del trabajo con grupos de datos que presentan límites que no están claramente definidos. se basan en el empleo de las denominadas funciones de afinidad. Es bastante empleado el método c-means o k-means
     • Caracteristicas
       • * La lógica difusa fue desarrollada por Zadeh en 1965. * Es adecuada para el control de procesos no lineales y con comportamiento variable en el tiempo................ * La lógica difusa utiliza operadores para describir un sistema mediante reglas
     • Tipos de Control Difuso
       • ANFIS (SISTEMA DE INFERENCIA NEURO-FUZZY ADAPTATIVO)
         • Caracterisiticas
           • *Es una herramienta para aplicar técnicas de inferencia borrosa al modelado de datos. *El contorno de las funciones de pertenencia depende de los parámetros, y cambiando estos parámetros cambiará el contorno de la función de pertenencia.
       • CLUSTERING SUBSTRACTIVO
         • Caracteristicas
           • Se basa en extraer un conjunto de reglas que modelen el comportamiento de los datos
       • FUZZY C-MEANS CLUSTERING
         • Caracterisiticas
           • * Fuzzy c-means (FCM) es una técnica de clusterización de datos. *La salida del método FCM es una lista de los centros de los clusters y los grados de pertenencia para cada dato.

Images and files in the map