CONTROL INTELIGENTE Una Introducción

CONTROL INTELIGENTEUna Introducción

Facultad de IngenieríaEscuela de Ingeniería Eléctrica y Electrónica

Grupo Percepción y Sistemas Inteligentes

Universidaddel Valle

PSI - Eduardo Caicedo B. 2


Control Inteligente



Introducción

Qué es control?Qué es inteligencia?Qué es inteligencia artificial?Qué es inteligencia computacional?Qué es control inteligente?



Introducción (2)

Control: Capacidad de influenciar el comportamiento de algo (objeto o un sujeto) de tal forma que ese algo se comporte de una manera deseadaInteligencia: El comportamiento inteligente supone percibir, razonar, aprender, comunicarse y actuar en entornos complejosInteligencia Artificial: Estudio del comportamiento inteligente en las máquinas.

Desarrollo de máquinas que tengan un comportamiento inteligente igual o superior al de los humanosComprender este comportamiento en hombres o animales



Inteligencia Computacional

Tendencias históricas en la IA:Imitar los procesos de la inteligencia a un alto nivel (razonamiento, deducción). Ejemplo los SISTEMAS EXPERTOS.Emular los procesos de la inteligencia a un nivel más bajo, en un principio conocido como Enfoque Conectivista, pero el nombre que se ha mantenido es el de "REDES NEURONALES ARTIFICIALES" (RNA)

Además de las RNA surgieron otras técnicas de naturaleza bio-inspirada:

Lógica Difusa (LD)Algoritmos Genéticos (AG)

Estas técnicas se agrupan en lo que se ha denominado INTELIGENCIA COMPUTACIONAL, básicamente por que el procesamiento final de la información se hace de manera numérica(Ideales para simularse en sistemas de cómputo).



Control Inteligente

El objetivo de un sistema de control automático es encontrar un dispositivo externo al sistemas dinámico a controlar (el controlador o compensador) que proporcione una señal adecuada al mismo para que la salida del sistema tenga características deseadas.El Control Inteligente surge cuando para diseñar o implementar el controlador se utiliza alguna técnica bio-inspirada normalmente del ámbito de la Inteligencia Computacional (RNA, LD, AG)


Universidaddel ValleIC ayuda a diseñar el controlador (1)

A.G.

CONTROLADOR PLANTA

REALIMENTAC.

r(t)e(t)

b(t)

u(t)c(t)

Disturbio

Un AG optimiza los parámetros del controlador


Universidaddel ValleIC ayuda a diseñar el controlador (2)

NC - CD PLANTA

REALIMENTAC.

r(t)e(t)

b(t)

u(t)c(t)

Disturbio

NC : NeurocontroladorCD : Controlador Difuso


Universidaddel ValleCuando usar CI

En ambientes variables e inciertos, por su capacidad de adaptación y aprendizaje.En sistemas autónomos: Tales como naves espaciales, sistemas de exploración y robots (Proyecto mundial de automatización inteligente del tránsito)Interacción con sistemas biológicos: Los cuales son No-Lineales, muy vulnerables y su evaluación es difícil


Sección IRedes Neuronales Artificiales

Conjunto de elementos de procesamiento que emulan algunas características de funcionamiento del cerebro humano



Motivación y origen (1)

El hombre ha soñado con poder conocer e imitar el cerebro humano, considerado por mucho como una máquina perfecta. Cuando la neurociencia pudo explicar de forma un poco convincente el funcionamiento de la unidad principal de procesamiento de información que posee el cerebro: la neurona; surgió inmediatamente la idea de poder emular dicho funcionamiento con un elemento artificial "La neurona artificial"Definición? Tendencia

Capacidad de Cómputo Aplicaciones más complejas




Evolución de las aplicacionesRefinando la experiencia se mejora el desempeño realAlgoritmos cuyas decisiones se apartan de las del expertoAlgoritmos que agrupan patrones similares

Por qué se ha renovado el interés en el estudio de las RNAEmular el comportamiento del cerebro humano (50´s)Técnicas de comportamiento más sofisticadasTecnología VLSI hace posible la simulación de RNAsHardware especializadoDesarrollo de investigación en computación paralela




Interés de investigadores de múltiples disciplinas Procesamiento de señalesControl automáticaElectrónica (Hardware eficiente de emulación)Reconocimiento de patronesAlgoritmiaModelado de problemas imprecisos

Objetivo del científico: Diseñar y construir máquinas con cierta inteligencia



Algo de historia

Primeros intentos: McCulloch and Pitts (1943) desarrollaron modelos de redes neuronales basados en su conocimiento de neurología.Sus redes se basaban en neuronas simples, consideradas como dispositivos binarios con umbrales fijos. Los resultados de sus modelos fue la solución a funciones lógicas elementales tales como "a OR b" y "a AND b".



Algo de historiaTecnología emergente y promisoria

Rosenblatt (1958) revitalizó fuertemente el interés y la actividad en esta área cuando diseñó y desarrollo su Perceptrón. .Este sistema pudo aprender a conectar y asociar unas entradas dadas a una unidad de salida aleatoria. Los resultados de sus modelos fue la solución a funciones lógicas elementales tales como "a OR b" y "a AND b". Widrow and Hoff (1960) proponen el ADALINE que emplea una regla de aprendizaje basada en mínimos cuadrados (LMS).



Algo de historiaPeriodo de frustración y desprestigio

En 1969 Minsky and Papert escribieron un libro en cual ellos generalizaban las limitaciones de un Perceptrón mono-capa a sistemas multi-capa. En el libro planteaban: "...nuestro intuitivo juicio es que la extensión (a sistemas multicapa) es una tarea estéril".El resultado de las afirmaciones de este libro fue el de eliminar la financiación para los investigadores que trabajaban con simulaciones de redes neuronales.



Algo de historiaEl resurgimiento

Durante el final de la década de los 70s y principios de los 80s, fue importante el resurgimiento del interés en el campo de las redes neuronales. Varios factores influenciaron este movimiento, tales como la aparición de libros y conferencias que han dado a conocer las bondades de esta técnica a personas de diferentes áreas. Introducción de cursos en los programas académicos de las principales universidades europeas y americanas.



Algo de historiaHoy!!!

Hoy se han realizado progresos muy significativos en el campo de las RNA, lo suficientes como para atraer una gran atención e interés en financiar investigaciones. Ya se encuentran comercialmente circuitos integrados basados en RNAs y las aplicaciones desarrolladas resuelven problemas cada vez más complejos. Sin lugar a dudas, hoy es un periodo de transición y fuerte evolución para la tecnología en redes neuronales.



La neurona biológica

1. Los elementos de proceso reciben lasseñales

2. Las señales pueden ser modificadaspor los pesos sinápticos

3. Los elementos de proceso suman entradas ponderadas

4. Bajo una circunstancia apropiada laneurona transmite una señal de salida

5. La salida de la neurona puede ir a muchas neuronas


Universidaddel ValleLa neurona artificial

Cualquier modelo de red neuronal consta de dispositivos elementales de procesamiento: las neuronas artificiales. La tecnología basada en redes neuronales artificiales es de carácter bio-inspirado pues su funcionamiento trata de imitar el funcionamiento de elementos biológicos que en este caso los constituyen las neuronas del cerebro.



DefiniciónModelos matemáticos para el procesamiento de información Una nueva forma de computación inspirada en modelos matemáticosSegún Haykin (1994), una red neuronal es un procesador paralelo masivamente distribuido que tiene una facilidad natural para almacenar el conocimiento obtenido de la experiencia para luego hacerlo utilizable Redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace un sistema nervioso biológico


Universidaddel ValleSemejanza con el cerebro

Se parece al cerebro en dos aspectos:El conocimiento es obtenido por la red a través de un proceso deaprendizaje.Las conexiones entre neuronas conocidas como pesos sinápticos

son utilizadas para almacenar dicho conocimiento. Las RNA se desarrollan como generalizaciones de modelos matemáticos del conocimiento humano o de la biología neuronal, con base en los siguientesconsiderandos:

Elementos de procesamiento simples (Neuronas) Conectividad Enlaces de conexión con pesos Función de Activación


Universidaddel ValleElementos de una neurona artificial

Ф(.)

x1

x2

xn

wj1

wj2

wjn

Σvj yj

bj

)(1

jj

n

ijijij

vy

bxwv

Φ=

+=∑=

Se tienen N unidades (neuronas) ordenadas arbitrariamente y se puede designarla j-ésima unidad como Uj

Su trabajo es simple y único, recibe las entradas de las células vecinas y calculaUn valor de salida el cual es enviado a todas las células restantes


Universidaddel ValleFunciones de activación

Lineal

xxf =)(

<−≥

=0101

)(xx

xf

Paso Binario

<−≥

=0101

)(xx

xf

Bipolar

xexf σ−+=

11)(

σ =1

Lineal


Universidaddel ValleRed neuronal típica


Universidaddel ValleCaracterísticas de las RNA

Aprenden de la Experiencia Capacidad de Generalización Extraen características esenciales de información irrelevanteCapacidad de asociaciónCapacidad de agrupación


Universidaddel ValleVentajas significativas

Aprendizaje AdaptativoAprenden a realizar tareas mediante el entrenamiento por ejemplosNo son necesarios modelos a prioriRNA son dinámicas (se adaptan a nuevas condiciones)Capacidad de Generalización

Auto – OrganizaciónModificar la RNA completa dependiendo de un objetivo específicoCrea su propia representación de la información

Tolerancia a FallosFallo en los datos (ruido, distorsiones, datos incompletos)RNA almacena la información NO LOCALIZADA

Operación en Tiempo RealProcesamiento paralelo


Universidaddel ValleCampos de aplicación

Procesamiento de señales y datosReconocimiento y Clasificación de PatronesCategorización de Patrones ("clustering")Aproximación y seguimiento de funciones Procesamiento y reconocimiento de voz e imágenesRobóticaPredicciónOptimización Sistemas de ControlMedicina Sistemas financierosIndustria Química

“If you are lucky, your problem will fall in that window”

Documents

CONTROL INTELIGENTE Una Introducción