Combinación Neuronal y Borrosa
REDES NEURONALES:
�Se entrenan a sí mismas por aprendizaje a partir de conjuntos de datos !!, pero ….
El conocimiento está implícito, oculto.
ITBA - 31.58 Proyectos Mecatrónicos
�El conocimiento está implícito, oculto.
LOGICA BORROSA
�El conocimiento es explícito!!, pero ….
�No se pueden entrenar con datos. Todo debe ser explícito.
Combinación Neuronal y Borrosa
Las REDES NEURONALES pueden aprender de los datos, y las soluciones con LÓGICA BORROSA son fáciles de verificar y optimizar
ITBA - 31.58 Proyectos Mecatrónicos
optimizar
Control Neuronal + Borroso:
CONTROL NEUROBORROSO
Redes Neuronales enControl Borroso
APRENDIZAJE:
�No Supervisado
Identificación de variables lingüisticas, conjuntos borrosos y estructuras en datos
ITBA - 31.58 Proyectos Mecatrónicos
conjuntos borrosos y estructuras en datos
�Supervisado
Modificación de reglas y de Funciones de Pertenencia
Redes Neuronales - Aprendizaje
Parámetros comunes a los procedimientos de aprendizaje supervisado:
�Tasa o Velocidad de Aprendizaje
Procedimiento de actualización
ITBA - 31.58 Proyectos Mecatrónicos
�Procedimiento de actualización
�Neuronas “triunfantes”
�Criterio de Terminación
�Secuencia de uso de muestras
Redes Neuronales - Aprendizaje
�Tasa o Velocidad de Aprendizaje- Es el parámetro de entrenamiento global
- El valor de este parámetro define el largo del “paso” de aprendizaje
ITBA - 31.58 Proyectos Mecatrónicos
del “paso” de aprendizaje
Redes Neuronales - Aprendizaje
�Procedimiento de Actualización- Las Tasas de Aprendizaje uniformes no son
siempre adecuadas
- Alternativas:
ITBA - 31.58 Proyectos Mecatrónicos
- Alternativas:
* Ajuste individual de tasa
* Tasa de aprendizaje aleatoria (para evitar mínimos locales)
Redes Neuronales - Aprendizaje
�Neuronas “triunfantes”- Cambios de pesos simultáneos pueden
incrementar el error en muestras anteriores
- La actualización de las “mejores neuronas”
ITBA - 31.58 Proyectos Mecatrónicos
- La actualización de las “mejores neuronas” protege al aprendizaje anterior
- Actualización de una sola neurona “triunfadora”=> Aprendizaje Competitivo
Redes Neuronales - Aprendizaje
�Criterio de Terminación- Todo proceso iterativo necesita un criterio
de terminación
- Alternativas:
ITBA - 31.58 Proyectos Mecatrónicos
- Alternativas:
* Número de Iteraciones
* Error promedio acotado
* Error máximo acotado
* Combinación de los anteriores
Redes Neuronales - Aprendizaje
�Secuencia de uso de muestras- La elección y secuencia de las muestras del
conjunto afecta el proceso de aprendizaje
- Alternativa:
ITBA - 31.58 Proyectos Mecatrónicos
- Alternativa:
* Acceso Secuencial
* Acceso Aleatorio
Redes Neuronales - Aprendizaje
Parámetros comunes a los procedimientos de aprendizaje supervisado:
�Tasa o Velocidad de Aprendizaje
�Procedimiento de actualización
ITBA - 31.58 Proyectos Mecatrónicos
�Procedimiento de actualización
�Neuronas “triunfantes”
�Criterio de Terminación
�Secuencia de uso de muestras
Ejemplo de Diseño Neuroborroso:Controlador de Temperatura
�Error de Temperatura (ET)=Tfinal - Tactual
�Se dispone de un Conjunto de Datos deMuestrasobtenido de la realidad
ITBA - 31.58 Proyectos Mecatrónicos
PLANTA(Calentador,
Recinto)
CONTROLADORBorroso
Temp
Ciclo de Trabajo (%)TE ; dTE/dt
Muestrasobtenido de la realidad
Control Neuro Borroso;¿Cuándo debería ser usado?
� Si no puede fácilmente formularse un modelo matemático adecuado del problema.
� Si existen alinealidades, limitaciones de tiempo o parámetros múltiples.
ITBA - 31.58 Proyectos Mecatrónicos
tiempo o parámetros múltiples.
� Si se tiene un conocimiento apriori del problema (experto) o si puede ser adquirido durante el proceso de diseño.
�Si se tiene un Conjunto Completo de Datos de Muestrasdel problema
Control Neuro Borroso;
Metodología de Diseño
ITBA - 31.58 Proyectos Mecatrónicos
Metodología de Diseño
Control NeuroBorroso;Problema
- Para un controlador borroso se necesita un “buen” experto
- Para un controlador neuroborroso se necesita un “buen” Conjunto de Datos
ITBA - 31.58 Proyectos Mecatrónicos
necesita un “buen” Conjunto de Datos
�¿Que sucede si tiene Datos Redundantes?�¿Qué sucede si tiene Datos Inconsistentes?
Control NeuroBorroso;Problema
�¿Datos Redundantes?Consecuencia:
- Se incrementa el tiempo de entrenamiento para lograr la convergencia
ITBA - 31.58 Proyectos Mecatrónicos
lograr la convergencia
- La performance del sistema en los casos inusuales será baja
�SOLUCIÓN:
- Agrupación de muestras (“Clustering”)
Control NeuroBorroso;Problema
�¿Datos en Conflicto, Inconsistentes?Consecuencia:
- El proceso de aprendizaje promedia entre inconsistencias para minimizar el error total.
ITBA - 31.58 Proyectos Mecatrónicos
inconsistencias para minimizar el error total.
- Con inconsistencias grandes el resultado es pobre.
� SOLUCIÓN:
- Remoción de inconsistencias durante el proceso de “Clustering”
Control NeuroBorroso;Metodología de Diseño
Procedimiento:
�Definición del Sistema:variables lingüísticas, reglas
�Optimización “Off-Line”: análisis
ITBA - 31.58 Proyectos Mecatrónicos
�Optimización “Off-Line”: análisis interactivo con datos o modelo
�Optimización “On-Line”:análisis interactivo en la planta
� Implementación:generación de código de uP/uC utilizado en el controlador
Control Neuro Borroso;Definición del Sistema - Estructura
�Preprocesamiento de Datos
� “Borroneado:”
- Elección de Variables Lingüísticas
- Elección de Conjuntos Borrosos
ITBA - 31.58 Proyectos Mecatrónicos
- Elección de Conjuntos Borrosos
- Definición de Conjuntos de Pertenencia
� Inferencia Borrosa:
- Elección de Reglas no modificables
- Elección de Reglas sujetas a aprendizaje
Control Neuro Borroso;Definición del Sistema - Estructura
� “Desborroneado:”
- Elección de Variables Lingüísticas
- Elección de Conjuntos Borrosos
ITBA - 31.58 Proyectos Mecatrónicos
- Elección de Método (CoM, MoM, CoG)
Control NeuroBorroso;Metodología de Diseño
Procedimiento:
� Definición del Sistema:variables lingüísticas, reglas
�Optimización “Off-Line”: análisis
ITBA - 31.58 Proyectos Mecatrónicos
�Optimización “Off-Line”: análisis interactivo con datos o modelo
�Optimización “On-Line”:análisis interactivo en la planta
� Implementación:generación de código de uP/uC utilizado en el controlador
Control NeuroBorroso;Optimización
�Aprendizaje sobre Reglas: hasta obtener un subconjunto de reglas de DoS razonable
�Aprendizaje sobre Variables de Entrada (y/o salida):hasta obtener Errores Máximo
ITBA - 31.58 Proyectos Mecatrónicos
(y/o salida):hasta obtener Errores Máximo y Promedio adecuados
�Reintento con otros métodos de aprendizaje (en caso de resultados inadecuados)
Diseño de Controlador NB:Controlador de Temperatura
�Error de Temperatura (ET)=Tfinal - Tactual
�dET/dt= (ET(n)-ET(n-1)) / (t(n)-t(n-1))
ITBA - 31.58 Proyectos Mecatrónicos
PLANTA(Calentador,
Recinto)
CONTROLADORBorroso
Temp
Ciclo de Trabajo (%)TE ; dTE/dt
si dET/dt >0 => el sistema está enfriándose
Control Neuro-Borroso;Metodología de Diseño
IMPORTANTE:
�Cuando se tienen DATOS RELEVANTES OBTENIDOS DE LA EXPERIENCIA, los mismos SON “SAGRADOS” (no se
ITBA - 31.58 Proyectos Mecatrónicos
mismos SON “SAGRADOS” (no se cambian), y el SISTEMA se debe AFINAR MODIFICANDO LAS REGLAS NO EXPERTAS, y las FUNCIONES DE PERTENENCIA.
Controladores Neuro Borrosos�Un sistema de CONTROL NEUROBORROSO
puede APROXIMAR cualquier SISTEMA ALINEAL MULTIVARIABLE.
�El CONTROLADOR NEUROBORROSO
ITBA - 31.58 Proyectos Mecatrónicos
�El CONTROLADOR NEUROBORROSO TENDRÁ una REPRESENTACIÓN LINGÜÍSTICA en vez de matemática.
�La EXPERIENCIA HUMANA y los DATOS EXPERIMENTALES pueden ser usados directamente para el diseño del sistema.
Controladores Neuro Borrosos
�Los DATOS TÍPICOS pueden usarse PARA producir un SISTEMA BORROSO (ej.: con la herramienta FuzzyTECH)
�Los DATOS de la REALIDAD pueden ser
ITBA - 31.58 Proyectos Mecatrónicos
�Los DATOS de la REALIDAD pueden ser TRANSFORMADOS EN TÍPICOS USANDO técnicas de AGRUPAMIENTO (“Clustering”)