CONTROL COMPUTARIZADO

RESUMEN DEL PAPER A Comprehensive Review for Industrial

Applicability of Artificial Neural Networks
A.Paez, Escuela Politecnica Nacional
17 de junio de 2015

Al ser los sistemas tan difciles de crear modelos matematicos y de las

diferentes perturbaciones que presentan, las redes neuronales han presentan
una alternativa al tratar de resolver estos problemas mediante la implementaci
on de algoritmos que tratan de lograr un interaccion neurologica como
aprender de la experiencia.
Las redes neuronales tienen la habilidad de aprender y aproximar la relacion entre las entradas y las salidas y desacoplar estas de la complexidad del
problema. En muchas aplicaciones de inteligencia artificial, el conocimiento
necesario para resolver un problema puede ser incompleta, debido a que la
fuente del conocimiento es desconocido en el momento de la solucion. El exito de las redes neuronales depende del tipo de procesamiento de los datos,
ya que dependiendo de la calidad y naturaleza de estos se puede tener un
mejor entrenamiento de la red neuronal. A demas se debe tener en cuenta
los pesos iniciales de una red que son muy importantes en la convergencia
del metodo de entrenamiento.
Algunas de las consideraciones de dise
no incluyen la determinacion del
n
umero de nodos de entradas y de salida que se utilizaran, el n
umero de
capas ocultas en la red y el n
umero de nodos ocultos utilizado en cada capa oculta. Para las aplicaciones de redes neuronales un buen desempe
no es
cuando se alcanza m
as del 95 porciento de exactitud. Esta red debe ser estudiada cuidadosamente para utilizar el menor n
umero de nodos mientras se
mantiene un nivel adecuado de concision. La eleccion de una solucion de una
red neuronal para una aplicacion requiere una eleccion entre opciones que
son igualmente desfavorables o mutuamente excluyentes. Varias cuestiones
deben ser considerando cuando respecto al punto de vista.
Las principales caractersticas de una red neuronal se pueden clasificar
de la siguiente manera:
1

Topologa de las redes.

Flujo de Datos.
Tipos de Valores de Entrada.
Formas de Activaci
on.
Existen diferentes tipos de Redes Neuronales las cuales son:
1. REDES MLP: En esta estructura cada neurona de salida esta conectada a cada neurona en capas posteriores conectadas en cascada sin
conexiones entre las neuronas de la misa capa.
2. RED RECURRENTE NN: Una red se le llama Recurrente cuando las
entradas a las neuronas provienen de una entrada externa, as como
de las neuronas internas, que consiste en tanto avance y las conexiones
de retroalimentaci
on. Esta podra ser utilizada eficazmente para el
modelado, identificaci
on y control de sistemas no lineales.
NO RECURRENTE KOHONEN: Una red
3. RED SIN SUPERVISION
de Kohonen es una estructura interconectada de procesamiento que
compite por una se
nal. Se utiliza sin supervision de aprendizaje y consta de una sola capa de nodos computaciones. Este tipo de red utiliza la
retroalimentaci
on lateral, que es una forma de retroalimentacion cuya
magnitud depende de la distancia lateral desde el punto de aplicacion.
Cada neurona de entrada esta conectada a cada neurona de salida con
su peso asociado. Las neuronas de Salida pueden ser dispuesta en una
o dos dimensiones.
4. RED CMAC: EL mapeo de entrada del algoritmo CMAC puede ser
visto como un conjunto de campos receptivos entrelazados multidimensionales. Cualquier vector de entrada a la red excita algunos de
estos campos, mientras que la mayora de campos receptivos permanecen no excitados, que no contribuyen a la correspondiente salida.
Por otro lado, la medida ponderada de campos excitados receptivos
formar
an la salida de la red.
5. TEORIA DE RESONANCIA ADAPTATIVA: Esta estructura en comparaci
on con otras similares, es su capacidad para no olvidar despues
de aprender. Por lo general no son capaces de aprender nueva informaci
on sin da
nar lo que se determino previamente. Esto es causado
por el hecho de que cuando un nuevo patron se presenta a una red
neuronal en la fase del aprendizaje, los intentos de red modifican los
pesos en el nodo.

6. RED RBF: La entrada de los nodos que pasan los valores de entrada
a los arcos de conexi
on y la primera conexion de capa no esta ponderada. Por lo tanto, cada nodo oculto recibe cada valor de entrada
inalterada. Los nodos ocultos son las unidades RBF. La segunda capa
de conexiones es ponderada y los nodos de salida son sumas simples.
Esta red no extiende m
as capas. Esta red es mas rapida para entrenar
porque el entrenamiento de las dos capas se desacopla.
7. RED PROBABILISTICO: Son similares en estructura a la MLP pero algunas diferencias basicas entre ellas es el uso de activacion por
funciones exponenciales y los patrones de conexion entre neuronas.

8. REDES POLINOMICAS:
Tienen su topologa dormado durante el
proceso de formaci
on. Debido a esta caracterstica, se define como una
red de pl
astico. La funcion de activacion de la neurona es basada en
polinomios elementales de orden arbitrario.
9. RED FLN: se utilizan para la identificacion y el control adaptativo,
las capacidades de aprendizaje de las redes pueden tener significativa
efectos sobre el rendimiento de los sistemas de lazo cerrado. El enlace
funcional act
ua sobre un elemento de un vector de entrada, o en todos
los vectores de entrada, mediante la generacion de un conjunto de
linealmente independientes

10. REDES POLINOMICAS

FUNCIONALES (FPNs): Esta estructura
de la red fusiona los dos modelos de funcional enlace y red polinomio
que resulta en un muy poderoso ANN
11. RED CELULAR NEURONAL (CNNs): La definicion mas general de
tales redes es que se son matrices de sistemas dinamicos identicas, llamadas celulas, que est
an conectados solo a nivel local. Solo las celulas
adyacentes interact
uan directamente entre s
Hay b
asicamente dos grupos principales de entrenamiento estos algoritmos son: entrenamiento supervisado y entrenamiento no supervisado. Una
vez que la estructura de una NN ha sido seleccionada, un algoritmo de entrenamiento se debe adjuntar, para reducir al mnimo el error de prediccion
hecha por la red para comprimir la informacion de las entradas. Despues
del entrenamiento, una RNA se prueba de la siguiente manera. Uno da solo
valores de entrada, y ve que tan cerca la red viene a dar su resultado.
El aprendizaje por refuerzo tiene una de sus races en la psicologa, la idea
de recompensas y sanciones utilizado para ense
nar a los animales a hacer
tareas simples con peque
nas cantidades de informacion.
Las NN son insuperables en la identificacion de patrones o tendencias en
los datos y muy adecuado para las necesidades de prediccion o pronosticos
3

y una de sus grandes aplicaciones esta en el control de procesos industriales.

Uno de los aspectos fascinantes, de la aplicacion practica de NN para
aplicaciones industriales, es la capacidad de gestionar la interaccion de datos
entre la parte electrica y mec
anica y con otros disciplinas. La mayora de las
aplicaciones implican el diagnostico y deteccion de fallos, control de calidad,
reconocimiento de patrones entre otras.