Las redes

Las redes neuronales se han aplicado con mucho éxito en la identificación y
control de sistemas dinámicos. La capacidad de aproximación universal de la
perceptrón multicapa hacen de él una elección popular para el modelado de sistemas no lineales
y para la aplicación controladores no lineales de propósito general [HaDe99]. Esta
capítulo presenta tres arquitecturas de redes neuronales parala predicción populares
y control que se han aplicado en la caja de herramientas de redes neuronales:
• El modelo de control predictivo
• NARMA-L2 (o de votos Linealización) Control
• Modelo de Referencia de Control
Este capítulo presenta una breve descripción de cada una de estas arquitecturas y
muestra cómo puede utilizarlos.
Normalmente hay dos pasos a seguir utilizando las redesneuronales para el control de:
1 Sistema de Identificación de
2 Diseño de Control
En la etapa de identificación de sistemas, a desarrollar un modelo de red neuronal de la
planta que se desea controlar. En la etapa de diseño de control, se utiliza el neuronales
modelo de red de plantas de diseño (o tren) al controlador. En cada uno de los tres
arquitecturas de control descritos en estecapítulo, la fase de identificación del sistema
es idéntico. La etapa de diseño de control, sin embargo, es diferente para cada
arquitectura.
• Para el control predictivo del modelo, el modelo de planta se utiliza para predecir el futuro
comportamiento de la planta, y un algoritmo de optimización se utiliza para seleccionar el
control de entrada que optimiza el rendimiento futuro.
•Para el control NARMA-L2, el controlador es simplemente un reordenamiento de la
planta modelo.
• Para el control de modelo de referencia, el controlador es una red neuronal que se
entrenado para controlar una planta de modo que se sigue un modelo de referencia. El neuronales
modelo de red de la planta se utiliza para ayudar en la formación de controladores.
Las siguientes tres seccionesde este capítulo hablará sobre el control predictivo del modelo,
control NARMA-L2 y el control de modelo de referencia. Cada sección consta de una breve
descripción del concepto de control, seguido por una demostración del uso de la
Caja de herramientas adecuadas de redes neuronales de funciones. Estos tres son los controladores
implementado como bloques Simulink ®, que se encuentran en lared neuronal
Caja de herramientas Blockset.
Para ayudarle a determinar el mejor tratamiento para su aplicación, la
La siguiente lista resume las características clave del controlador. Cada controlador tiene su
fortalezas y debilidades. No solo controlador es apropiado para todas
solicitud.
• El modelo de control predictivo. Este controlador utiliza un modelo de red neuronal parapredecir las futuras respuestas a las señales de control de planta de potencial. La "optimización"
algoritmo calcula a continuación, las señales de control que optimizan la futura planta
rendimiento. El modelo de red neuronal planta está en línea cualificados, en lotes
forma, utilizando cualquiera de los algoritmos de formación en el capítulo 5. (Esto es
cierto para las tres arquitecturas decontrol.) El responsable del tratamiento, sin embargo, requiere un
cantidad significativa de la computación en línea, ya que un algoritmo de optimización
se lleva a cabo en cada tiempo de la muestra para calcular la entrada de control óptimo.
• NARMA-L2 de control. Este controlador requiere menos cómputo de la
tres arquitecturas descritas en este capítulo. El controlador es simplemente unreordenamiento del modelo de red neuronal de plantas, que no está en línea capacitados,
en forma de lotes. El cálculo en línea sólo es un paso adelante a través del
controlador de red neuronal. El inconveniente de este método es que la planta
deben estar en forma de compañía, o tener capacidad de aproximación de un
compañero modelo de formulario. (El modelo de formulario de compañía se...