Redes Neuronales

Recurrent Neural Identi…cation and
Control of a Continuos Bioprocess via
First and Second Order Learning
Ieroham Baruch

Seminario

Resumen
——————————————————————————————————————
En esteárticulo se aplica una nueva topologia de …ltro de Kalman por medio
de una red neuronal recurrente (KFRNN) y un aprendizaje recursivo LevenbergMarquardt (L-M) capaz de estimar parámetros y estados de unaplanta desconocida
altamente no lineal en un entorno ruidoso. El identi…cador propuesto (KFRNN)
tiene un algoritmo de aprendizaje Backpropagation, L-M combinado, que incorpora
un esquema decontrol neuronal adaptivo directo e indirecto. El esquema de control
fue aplicado en tiempo real por medio de la identi…cacion y control neuronal a un
modelo Reactor Continuo de Tanque Agitado (CSRT),convergió rápidamente, y se
logro un …ltrado del ruido y un buen seguimiento de la referencia bajo el criterio del
error cuadratico medio.
——————————————————————————————————————

1

Identi…caciónLas habilidades universales de aproximación para sistemas no lineales de una red neuronal arti…cial hacen que tengan ventajas sobre los métodos clásicos en los que el ruido y la incertidumbreparámetrica se consideran parcialmente. En la actualidad no se requiere que se tengan grandes
conocimientos a cerca del sistema a tratar.
Entre varias alternativas se tienen las FFNN (feedforward neuralnetworks) y las RNN
(redes neuronales recurrentes), en las primeras la señal se transmite solo en una dirección de la
entrada a la salida, en necesario utilizar tanto un retardo en la entrada comouno global para
su implementación, (lograr una autorregresion de un promedio movil no lineal de un modelo de
planta neuronal), en las segundas se tiene conexiones locales retroalimentadas de algunascapas
previas. Cualquiera de las anteriores es buena para la tarea de identi…cación.

1

Para implementar el KFRNN se considera primero la topología del …ltro de Kalman

que sabemos no...