Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/387
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nd/4.0es_ES
dc.contributorAlfonso Noriega Poncees_ES
dc.creatorAlfonso Gomez Espinosaes_ES
dc.date1999-08-
dc.date.accessioned2018-12-14T02:42:23Z-
dc.date.available2018-12-14T02:42:23Z-
dc.date.issued1999-08-
dc.identifierBack-propagationes_ES
dc.identifierControl no lineales_ES
dc.identifierNeural networkses_ES
dc.identifierNon linear systemses_ES
dc.identifierRedes neuronaleses_ES
dc.identifierRetropropagaciónes_ES
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/387-
dc.descriptionEl funcionamiento de un sistema de control de procesos industriales, equipado con un controlador convencional, puede verse degradado por retardos del sistema, zonas muertas, saturación de los mecanismos actuadores, incertidumbre en la estimación de los parámetros y ruido. Recientemente se demostró que las Redes Neuronales pueden ser utilizadas para controlar Sistemas No Lineales y se planteó la posibilidad de implementar un Controlador Neuronal Autoajustable (conectado en serie con un proceso 'real); en el que se sustituye la etapa de aprendizaje por una adaptación permanente, en tiempo real, de los coeficientes de peso. En el presente trabajo, se muestran los resultados obtenidos durante la implementación práctica del Controlador Neuronal Autoajustable en tres Sistemas No Lineales y se propone una metodología para ajustar sus parámetros. Como parte de la propuesta, se incluye un método para acelerar el aprendizaje de la red; el cual consiste en acotar el espacio de valores que pueden tomar las salidas de las neuronas y en utilizar un coeficiente de aprendizaje variable en el tiempoes_ES
dc.descriptionThe performance of an industrial process control system equipped with a conventional controller may be severely degraded by a long system-time delay, dead zone and/or saturation of actuator mechanisms, model and/or parameter uncertainties, and process noises. Recently it has been demonstrated that Artificial Neural Networks can be used to control Non Linear Systems and it was also proposed that a Self-tuning Neural Network implementation is possible with a real time permanent adjustment of the weighting coefficients based on the control error. In the present thesis, the Self-tuning Neural Network practical implementation results in three Non Linear Systems are shown and a methodology to adjust the parameters is proposed. As part of the proposal we present a practical method to accelerate net learning by bounding neuron outputs and a time variable learning coefficient.es_ES
dc.formatAdobe PDFes_ES
dc.language.isoEspañoles_ES
dc.relation.requiresSies_ES
dc.rightsAcceso Abiertoes_ES
dc.subjectINGENIERÍA Y TECNOLOGÍAes_ES
dc.subjectCIENCIAS TECNOLÓGICASes_ES
dc.titleCriterios de diseño del controlador neuronal autoajustable y su aplicación a un sistema no lineales_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidcurpes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorGOEA630610HDFMSL08es_ES
dc.contributor.identificadorNOPA540313HGTRNL00es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias (Instrumentación y Control)es_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ciencias (Instrumentación y Control)

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI003500.pdf1.13 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.