Control inteligente - Intelligent control
El control inteligente es una clase de técnicas de control que utilizan varios enfoques de computación de inteligencia artificial como redes neuronales , probabilidad bayesiana , lógica difusa , aprendizaje automático , aprendizaje por refuerzo , computación evolutiva y algoritmos genéticos .
Visión general
El control inteligente se puede dividir en los siguientes subdominios principales:
- Control de redes neuronales
- Control de aprendizaje automático
- Aprendizaje reforzado
- Control bayesiano
- Control difuso
- Control neuro-difuso
- Sistemas expertos
- Control genético
Se crean continuamente nuevas técnicas de control a medida que se crean nuevos modelos de comportamiento inteligente y se desarrollan métodos computacionales para respaldarlos.
Controlador de red neuronal
Las redes neuronales se han utilizado para resolver problemas en casi todas las esferas de la ciencia y la tecnología. El control de la red neuronal implica básicamente dos pasos:
- Identificación del sistema
- Control
Se ha demostrado que una red feedforward con funciones de activación no lineales, continuas y diferenciables tiene capacidad de aproximación universal . También se han utilizado redes recurrentes para la identificación de sistemas. Dado, un conjunto de pares de datos de entrada-salida, la identificación del sistema tiene como objetivo formar un mapeo entre estos pares de datos. Se supone que una red de este tipo captura la dinámica de un sistema. Para la parte de control, el aprendizaje por refuerzo profundo ha demostrado su capacidad para controlar sistemas complejos.
Controladores bayesianos
La probabilidad bayesiana ha producido una serie de algoritmos de uso común en muchos sistemas de control avanzados, que sirven como estimadores del espacio de estados de algunas variables que se utilizan en el controlador.
El filtro de Kalman y el filtro de partículas son dos ejemplos de componentes de control bayesianos populares. El enfoque bayesiano para el diseño del controlador a menudo requiere un esfuerzo importante para derivar el llamado modelo de sistema y modelo de medición, que son las relaciones matemáticas que vinculan las variables de estado con las mediciones del sensor disponibles en el sistema controlado. En este sentido, está muy relacionado con el enfoque de la teoría de sistemas para el diseño de control .
Ver también
- Liza
Referencias
- Antsaklis, PJ (1993). Passino, KM (ed.). Introducción al control inteligente y autónomo . Editores académicos de Kluwer. ISBN 0-7923-9267-1. Archivado desde el original el 10 de abril de 2009.
- Liu, J .; Wang, W .; Golnaraghi, F .; Kubica, E. (2010). "Un nuevo marco difuso para el control de sistemas no lineales". Conjuntos y sistemas difusos . 161 (21): 2746–2759. doi : 10.1016 / j.fss.2010.04.009 .
Otras lecturas
- Jeffrey T. Spooner, Manfredi Maggiore, Raul Ord onez y Kevin M. Passino, Estimación y control adaptativo estable para sistemas no lineales: técnicas de aproximación neural y difusa , John Wiley & Sons, NY;
- Farrell, JA, Polycarpou, MM (2006). Control basado en la aproximación adaptativa: unificación de los enfoques de aproximación adaptativa neural, difusa y tradicional . Wiley. ISBN 978-0-471-72788-0.CS1 maint: varios nombres: lista de autores ( enlace )
- Schramm, G. (1998). Control de vuelo inteligente: un enfoque de lógica difusa . TU Delft Press. ISBN 90-901192-4-8.