Buscar


Mostrar el registro sencillo del ítem

dc.rights.license http://creativecommons.org/licenses/by-nd/4.0 es_ES
dc.contributor Alfonso Noriega Ponce es_ES
dc.creator Alfonso Gomez Espinosa es_ES
dc.date 1999-08
dc.date.accessioned 2018-12-14T02:42:23Z
dc.date.available 2018-12-14T02:42:23Z
dc.date.issued 1999-08
dc.identifier.uri http://ri-ng.uaq.mx/handle/123456789/387
dc.description 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 es_ES
dc.description 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. es_ES
dc.format Adobe PDF es_ES
dc.language.iso Español es_ES
dc.relation.requires Si es_ES
dc.rights Acceso Abierto es_ES
dc.subject Back-propagation es_ES
dc.subject Control no lineal es_ES
dc.subject Neural networks es_ES
dc.subject Non linear systems es_ES
dc.subject Redes neuronales es_ES
dc.subject Retropropagación es_ES
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es_ES
dc.title Criterios de diseño del controlador neuronal autoajustable y su aplicación a un sistema no lineal es_ES
dc.type Tesis de maestría es_ES
dc.creator.tid curp es_ES
dc.contributor.tid curp es_ES
dc.creator.identificador GOEA630610HDFMSL08 es_ES
dc.contributor.identificador NOPA540313HGTRNL00 es_ES
dc.contributor.role Director es_ES
dc.degree.name Maestría en Ciencias (Instrumentación y Control) es_ES
dc.degree.department Facultad de Ingeniería es_ES
dc.degree.level Maestría es_ES


Ficheros en el ítem

Thumbnail
Nombre: RI003500.pdf
Tamaño: 1.106Mb
Formato: PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem