Neuro fuzzy control, general concepts

ControlNeuroBorroso

ITBA - 31.58 Proyectos Mecatrónicos

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.


�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


optimizar

Control Neuronal + Borroso:

CONTROL NEUROBORROSO

Redes Neuronales enControl Borroso

APRENDIZAJE:

�No Supervisado

Identificación de variables lingüisticas, conjuntos borrosos y estructuras en datos


conjuntos borrosos y estructuras en datos

�Supervisado

Modificación de reglas y de Funciones de Pertenencia

Pedro

Nota adhesiva

neural network training

Redes Neuronales - Aprendizaje

Parámetros comunes a los procedimientos de aprendizaje supervisado:

�Tasa o Velocidad de Aprendizaje

Procedimiento de actualización


�Procedimiento de actualización

�Neuronas “triunfantes”

�Criterio de Terminación

�Secuencia de uso de muestras


�Tasa o Velocidad de Aprendizaje- Es el parámetro de entrenamiento global

- El valor de este parámetro define el largo del “paso” de aprendizaje


del “paso” de aprendizaje


�Procedimiento de Actualización- Las Tasas de Aprendizaje uniformes no son

siempre adecuadas

- Alternativas:


- Alternativas:

* Ajuste individual de tasa

* Tasa de aprendizaje aleatoria (para evitar mínimos locales)


�Neuronas “triunfantes”- Cambios de pesos simultáneos pueden

incrementar el error en muestras anteriores

- La actualización de las “mejores neuronas”


- La actualización de las “mejores neuronas” protege al aprendizaje anterior

- Actualización de una sola neurona “triunfadora”=> Aprendizaje Competitivo

Pedro

Nota adhesiva

those more efficient in providing the right solution


�Criterio de Terminación- Todo proceso iterativo necesita un criterio

de terminación

- Alternativas:


- Alternativas:

* Número de Iteraciones

* Error promedio acotado

* Error máximo acotado

* Combinación de los anteriores


�Secuencia de uso de muestras- La elección y secuencia de las muestras del

conjunto afecta el proceso de aprendizaje

- Alternativa:


- Alternativa:

* Acceso Secuencial

* Acceso Aleatorio

Pedro

Nota adhesiva

inputs


Parámetros comunes a los procedimientos de aprendizaje supervisado:

�Tasa o Velocidad de Aprendizaje




�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


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.


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


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


necesita un “buen” Conjunto de Datos

�¿Que sucede si tiene Datos Redundantes?�¿Qué sucede si tiene Datos Inconsistentes?


�¿Datos Redundantes?Consecuencia:

- Se incrementa el tiempo de entrenamiento para lograr la convergencia


lograr la convergencia

- La performance del sistema en los casos inusuales será baja

�SOLUCIÓN:

- Agrupación de muestras (“Clustering”)

Pedro

Nota adhesiva

keeping the redundant data


�¿Datos en Conflicto, Inconsistentes?Consecuencia:

- El proceso de aprendizaje promedia entre inconsistencias para minimizar el error total.


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


�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



- 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 Método (CoM, MoM, CoG)

Control NeuroBorroso;Metodología de Diseño

Procedimiento:

� Definición del Sistema:variables lingüísticas, reglas

�Optimización “Off-Line”: análisis


�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


(y/o salida):hasta obtener Errores Máximo y Promedio adecuados

�Reintento con otros métodos de aprendizaje (en caso de resultados inadecuados)

Pedro

Nota adhesiva

training the system with the weight of the rules (Dos). This must be done when there is no expert rules

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))


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


mismos SON “SAGRADOS” (no se cambian), y el SISTEMA se debe AFINAR MODIFICANDO LAS REGLAS NO EXPERTAS, y las FUNCIONES DE PERTENENCIA.

Pedro

Nota adhesiva

the expert rule is removed form training

Controladores Neuro Borrosos;


Resumen

Controladores Neuro Borrosos�Un sistema de CONTROL NEUROBORROSO

puede APROXIMAR cualquier SISTEMA ALINEAL MULTIVARIABLE.

�El CONTROLADOR NEUROBORROSO


�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


�Los DATOS de la REALIDAD pueden ser TRANSFORMADOS EN TÍPICOS USANDO técnicas de AGRUPAMIENTO (“Clustering”)

Neuro fuzzy control, general concepts

Documents

Transcript of Neuro fuzzy control, general concepts