Título :	Criterios de diseño del controlador neuronal autoajustable y su aplicación a un sistema no lineal
Autor(es):	Alfonso Gomez Espinosa
Palabras clave:	Back-propagation Control no lineal Neural networks Non linear systems Redes neuronales Retropropagación
Área:	INGENIERÍA Y TECNOLOGÍA
Fecha de publicación :	ago-1999
Facultad:	Facultad de Ingeniería
Programa académico:	Maestría en Ciencias (Instrumentación y Control)
Resumen:	El 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 tiempo The 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.
URI:	http://ri-ng.uaq.mx/handle/123456789/387
Aparece en:	Maestría en Ciencias (Instrumentación y Control)

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