Control

NeuroBorroso

ITBA - 31.58 Proyectos Mecatrnicos

Combinacin Neuronal y Borrosa

REDES NEURONALES:
Se entrenan a s mismas por aprendizaje a
partir de conjuntos de datos !!, pero .
El conocimiento est implcito, oculto.
LOGICA BORROSA
El conocimiento es explcito!!, pero .
No se pueden entrenar con datos. Todo debe
ser explcito.
ITBA - 31.58 Proyectos Mecatrnicos

Combinacin Neuronal y Borrosa

Las REDES NEURONALES pueden aprender
de los datos, y las soluciones con LGICA
BORROSA son fciles de verificar y
optimizar
Control Neuronal + Borroso:
CONTROL NEUROBORROSO
ITBA - 31.58 Proyectos Mecatrnicos

Redes Neuronales en
Control Borroso
APRENDIZAJE:
No Supervisado
Identificacin de variables lingisticas,
conjuntos borrosos y estructuras en datos
Supervisado
Modificacin de reglas y de Funciones de
Pertenencia
ITBA - 31.58 Proyectos Mecatrnicos

Redes Neuronales - Aprendizaje

Parmetros comunes a los procedimientos de
aprendizaje supervisado:
Tasa o Velocidad de Aprendizaje
Procedimiento de actualizacin
Neuronas triunfantes
Criterio de Terminacin
Secuencia de uso de muestras
ITBA - 31.58 Proyectos Mecatrnicos

Redes Neuronales - Aprendizaje

Tasa o Velocidad de Aprendizaje
- Es el parmetro de entrenamiento global
- El valor de este parmetro define el largo
del paso de aprendizaje

ITBA - 31.58 Proyectos Mecatrnicos

Redes Neuronales - Aprendizaje

Procedimiento de Actualizacin
- Las Tasas de Aprendizaje uniformes no son
siempre adecuadas
- Alternativas:
* Ajuste individual de tasa
* Tasa de aprendizaje aleatoria (para evitar
mnimos locales)
ITBA - 31.58 Proyectos Mecatrnicos

Redes Neuronales - Aprendizaje

Neuronas triunfantes
- Cambios de pesos simultneos pueden
incrementar el error en muestras anteriores
- La actualizacin de las mejores neuronas
protege al aprendizaje anterior
- Actualizacin de una sola neurona
triunfadora=> Aprendizaje Competitivo
ITBA - 31.58 Proyectos Mecatrnicos

Redes Neuronales - Aprendizaje

Criterio de Terminacin
- Todo proceso iterativo necesita un criterio
de terminacin
- Alternativas:
* Nmero de Iteraciones
* Error promedio acotado
* Error mximo acotado
* Combinacin de los anteriores
ITBA - 31.58 Proyectos Mecatrnicos

Redes Neuronales - Aprendizaje

Secuencia de uso de muestras
- La eleccin y secuencia de las muestras del
conjunto afecta el proceso de aprendizaje
- Alternativa:
* Acceso Secuencial
* Acceso Aleatorio

ITBA - 31.58 Proyectos Mecatrnicos

Redes Neuronales - Aprendizaje

Parmetros comunes a los procedimientos de
aprendizaje supervisado:
Tasa o Velocidad de Aprendizaje
Procedimiento de actualizacin
Neuronas triunfantes
Criterio de Terminacin
Secuencia de uso de muestras
ITBA - 31.58 Proyectos Mecatrnicos

Ejemplo de Diseo Neuroborroso:

Controlador de Temperatura
Error de Temperatura (ET)=
Tfinal - Tactual
Se dispone de un Conjunto de Datos de
Muestras obtenido de la realidad
CONTROLADOR
Borroso
TE ; dTE/dt

PLANTA
(Calentador,
Recinto)

Ciclo de Trabajo (%)

ITBA - 31.58 Proyectos Mecatrnicos

Temp

Control Neuro Borroso;

Cundo debera ser usado?
Si no puede fcilmente formularse un
modelo matemtico adecuado del problema.
Si existen alinealidades, limitaciones de
tiempo o parmetros mltiples.
Si se tiene un conocimiento apriori del
problema (experto) o si puede ser adquirido
durante el proceso de diseo.

Si se tiene un Conjunto Completo de

Datos de Muestras del problema
ITBA - 31.58 Proyectos Mecatrnicos

Control Neuro Borroso;

Metodologa de Diseo

ITBA - 31.58 Proyectos Mecatrnicos

Control NeuroBorroso;
Problema
- Para un controlador borroso se necesita un
buen experto
- Para un controlador neuroborroso se
necesita un buen Conjunto de Datos
Que sucede si tiene Datos Redundantes?
Qu sucede si tiene Datos Inconsistentes?
ITBA - 31.58 Proyectos Mecatrnicos

Control NeuroBorroso;
Problema
Datos Redundantes?
Consecuencia:
- Se incrementa el tiempo de entrenamiento para
lograr la convergencia
- La performance del sistema en los casos
inusuales ser baja
SOLUCIN:
- Agrupacin de muestras (Clustering)
ITBA - 31.58 Proyectos Mecatrnicos

Control NeuroBorroso;
Problema
Datos en Conflicto, Inconsistentes?
Consecuencia:
- El proceso de aprendizaje promedia entre
inconsistencias para minimizar el error total.
- Con inconsistencias grandes el resultado es
pobre.
SOLUCIN:
- Remocin de inconsistencias durante el
proceso de Clustering
ITBA - 31.58 Proyectos Mecatrnicos

Control NeuroBorroso;
Metodologa de Diseo
Procedimiento:
Definicin del Sistema: variables
lingsticas, reglas
Optimizacin Off-Line: anlisis
interactivo con datos o modelo
Optimizacin On-Line: anlisis
interactivo en la planta
Implementacin: generacin de cdigo de
uP/uC utilizado en el controlador
ITBA - 31.58 Proyectos Mecatrnicos

Control Neuro Borroso;

Definicin del Sistema - Estructura
Preprocesamiento de Datos
Borroneado:
- Eleccin de Variables Lingsticas
- Eleccin de Conjuntos Borrosos
- Definicin de Conjuntos de Pertenencia
Inferencia Borrosa:
- Eleccin de Reglas no modificables
- Eleccin de Reglas sujetas a aprendizaje
ITBA - 31.58 Proyectos Mecatrnicos

Control Neuro Borroso;

Definicin del Sistema - Estructura
Desborroneado:
- Eleccin de Variables Lingsticas
- Eleccin de Conjuntos Borrosos
- Eleccin de Mtodo (CoM, MoM, CoG)

ITBA - 31.58 Proyectos Mecatrnicos

Control NeuroBorroso;
Metodologa de Diseo
Procedimiento:
Definicin del Sistema: variables
lingsticas, reglas
Optimizacin Off-Line: anlisis
interactivo con datos o modelo
Optimizacin On-Line: anlisis
interactivo en la planta
Implementacin: generacin de cdigo de
uP/uC utilizado en el controlador
ITBA - 31.58 Proyectos Mecatrnicos

Control NeuroBorroso;
Optimizacin
Aprendizaje sobre Reglas: hasta obtener un
subconjunto de reglas de DoS razonable
Aprendizaje sobre Variables de Entrada
(y/o salida): hasta obtener Errores Mximo
y Promedio adecuados
Reintento con otros mtodos de aprendizaje
(en caso de resultados inadecuados)

ITBA - 31.58 Proyectos Mecatrnicos

Diseo de Controlador NB:

Controlador de Temperatura
Error de Temperatura (ET)=
Tfinal - Tactual
dET/dt= (ET(n)-ET(n-1)) / (t(n)-t(n-1))
si dET/dt >0 => el sistema est enfrindose
CONTROLADOR
Borroso
TE ; dTE/dt

PLANTA
(Calentador,
Recinto)

Ciclo de Trabajo (%)

ITBA - 31.58 Proyectos Mecatrnicos

Temp

Control Neuro-Borroso;
Metodologa de Diseo
IMPORTANTE:
Cuando se tienen DATOS RELEVANTES
OBTENIDOS DE LA EXPERIENCIA, los
mismos SON SAGRADOS (no se
cambian), y el SISTEMA se debe AFINAR
MODIFICANDO LAS REGLAS NO
EXPERTAS, y las FUNCIONES DE
PERTENENCIA.
ITBA - 31.58 Proyectos Mecatrnicos

Controladores Neuro Borrosos;

Resumen

ITBA - 31.58 Proyectos Mecatrnicos

Controladores Neuro Borrosos

Un sistema de CONTROL NEUROBORROSO
puede APROXIMAR cualquier SISTEMA
ALINEAL MULTIVARIABLE.
El CONTROLADOR NEUROBORROSO
TENDR una REPRESENTACIN
LINGSTICA en vez de matemtica.
La EXPERIENCIA HUMANA y los DATOS
EXPERIMENTALES pueden ser usados
directamente para el diseo del sistema.
ITBA - 31.58 Proyectos Mecatrnicos

Controladores Neuro Borrosos

Los DATOS TPICOS pueden usarse PARA
producir un SISTEMA BORROSO (ej.: con la
herramienta FuzzyTECH)
Los DATOS de la REALIDAD pueden ser
TRANSFORMADOS EN TPICOS USANDO
tcnicas de AGRUPAMIENTO (Clustering)

ITBA - 31.58 Proyectos Mecatrnicos