Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
NeuroBorroso
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
PLANTA
(Calentador,
Recinto)
Temp
Metodologa de Diseo
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 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)
PLANTA
(Calentador,
Recinto)
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
Resumen