IDENTIFICACIÓN Y CONTROL DE PROCESOS NO-LINEALES USANDO UN NUEVO MODELO DE NEURONA DINÁMICA Y UNA NUEVA PROPUESTA DE ALGORITMO DE ENTRENAMIENTO

Abstract

En los últimos aos se ha consolidado un nuevo campo dentro de las ciencias de la computación que abarcaría un conjunto de metodologías caracterizadas por su inspiración en los sistemas biológicos para resolver problemas relacionados con el mundo real (reconocimiento de formas y patrones, toma de decisiones, etc.), ofreciendo soluciones robustas y de fácil implementación. Esta nueva forma de procesamiento de la información ha sido denominada Computación Soft, para distinguirla del enfoque algorítmico tradicional determinado por el binomio lógica booleana-arquitectura von Neuman que, en este caso sería la Computación Hard. Este conjunto de metodologías emergentes comprende la lógica difusa (Fuzzy), las redes neuronales artificiales (RNA), razonamiento aproximado, los algoritmos genéticos, la teoría del caos y la teoría del aprendizaje. De entre estas metodologías, las RNA son actualmente las que están causando mayor impacto, debido a su extraordinaria aplicabilidad práctica. Recientemente esta tecnología ha captado la atención de los profesionales del área del control automático, entre otros, quienes comienzan a incorporar las redes neuronales al conjunto de herramientas de control orientadas a la identificación de sistemas y el control de éstos. Dentro de estas redes, destacan las de arquitectura tipo LRGF (Locally Recurrent, Globally Feedforward) debido a su topología, potencia y simpleza. La presente tesis propone un nuevo modelo de neurona tipo LRGF y su uso en el área de control automático, en identificación de sistemas y su posterior control. Esta neurona tiene dinámica ya que tiene un filtro FIR (Respuesta a Impulso Finita) en la sinapsis, en el núcleo y en el axón. Además, en vez de utilizar las técnicas tradicionales de entrenamiento, como el método del gradiente en conjunto con Backpropagation (BP), se propone un método de cálculo numérico para obtener el vector de gradientes y la implementación del algoritmo Cuasi-Newtoniano DFP, en donde se aproxima el Hessiano por una matriz que es más fácil de calcular, obteniendo el vector de gradientes mediante diferenciación numérica central. Por otra parte, como el cálculo del vector de gradientes es lo que requiere mayor esfuerzo computacional, es lógico aprovechar dicho vector al máximo en cada iteración, por esto se utiliza una optimización unilineal cúbica en el caso de la identificación y un método de búsqueda del error mínimo iterativo al momento de disear el controlador. La aplicación de RNA en el área de control automático crea la inquietud de un método de incluir requisitos de diseo al momento de entrenar la red neuronal de control, para esto se decide modificar el funcional de costo a minimizar incluyendo términos como la derivada temporal del error, la actuación, entre otros. Finalmente se presentan distintos experimentos donde se estudia el desempeo de la neurona propuesta frente a otras neuronas de arquitectura conocida, utilizando para esto distintos modelos lineales y no-lineales.