Usted está aquí: Inicio Ingeniería de Sistemas y Automática Control Inteligente Programa

Programa

Acciones de Documento
  • Marcadores (bookmarks)
  • Exportación de LTI
Autores: Luis Enrique Moreno Lorente, Luis Santiago Garrido Bullón, Dorin Sabin Copaci
El curso presenta aspectos generales de control inteligente con cual los alumnos son capaces de modelar, identificar y controlar diferentes sistemas. Durante el curso, se abordaran conceptos como control borroso, redes neuronales y algoritmos genéticos que están divididos en los siguientes temas: 1. Fundamentos de la lógica fuzzy o borrosa. 2. Modelado e identificación de sistemas mediante técnicas fuzzy. 3. Diseño de controladores fuzzy. 4. Fundamentos de las redes neuronales. 5. Identificación de sistemas mediante redes neuronales 6. Control de sistemas con redes neuronales. 7. Fundamentos de optimización y algoritmos evolutivos.

BLOQUE 1: LÓGICA FUZZY O BORROSA

  • Tema 1: Fundamentos de la lógica fuzzy o borrosa.
    • 1.1. Conceptos básicos de lógica fuzzy. Imprecisión e incertidumbre.
    • 1.2. Conjuntos borrosos.
    • 1.3. Funciones de pertenencia.
    • 1.4. Operaciones sobre conjuntos borrosos.
    • 1.5. Relaciones borrosas.
    • 1.6 Operaciones con relaciones borrosas.
    • 1.7. Razonamiento aproximado. Variables lingüísticas.
    • 1.8. Proposiciones borrosas.
    • 1.9. Operaciones con proposiciones borrosas.
    • 1.10. Reglas if-then borrosas.
    • 1.11. Operadores de implicación. Inferencia borrosa.
    • 1.12. Diseño de controladores basado en reglas con lógica borrosa.
    • 1.13. Modelos Mandani y Tagaki-Sugeno-Kang.
  • Tema 2: Modelado e identificación de sistemas mediante técnicas borrosas.
    • 2.1. Aproximación fuzzy de funciones.
    • 2.2. Modelado fuzzy de sistemas.
    • 2.3. Tipos de modelo.
    • 2.4. Modelo de estado fuzzy de un sistema dinámico.
    • 2.5. Modelos Mandani y Tagaki-Sugeno-Kang.
    • 2.6. Modelos borrosos Mandani y TSK equivalentes de un controlador clásico.
    • 2.7. Identificación de modelos borrosos. Métodos de identificación.
    • 2.8. Identificación de la estructura.
    • 2.9. Estimación de los parámetros.
  • Tema 3: Diseño de controladores fuzzy.
    • 3.1. Diseño de controladores borrosos sin modelo.
    • 3.2. Controladores borrosos tipo PID.
    • 3.3. Diseño de controladores borrosos basados en modelo. Métodos adaptativos. Métodos de síntesis directa. Métodos de optimización on-line.
    • 3.4. Diseño de controladores fuzzy con matlab.

 

BLOQUE 2: REDES NEURONALES

  • Tema 4: Fundamentos de las redes neuronales.
    • 4.1. Concepto de neurona artificial. Capas de neuronas. Concepto de red neuronal.
    • 4.2. Redes multicapa. Redes recurrentes.
    • 4.3. Redes neuronales básicas. Redes de flujo lineal: perceptrón y Adaline. Redes recurrentes: Hamming y Hopfield. Métodos de aprendizaje.
    • 4.4. Redes feedforward. Aprendizaje: backpropagation.
    • 4.5. Funciones de base radial. Redes probabilísticas y redes de regresión generalizada.
    • 4.6. Redes neuronales con Matlab.
  • Tema 5: Identificación de sistemas con redes neuronales.
    • 5.1. Aproximación de funciones con redes neuronales.
    • 5.2. Tipos de modelos de sistema.
    • 5.3. Modelado de sistemas con redes neuronales. NN-FIR. NN-ARX. NN-ARMAX, NN-OE, NN-SSIF. Modelos híbridos.
    • 5.4. Tipos de redes usadas en el modelado. Redes con retardo en capas internas. Backpropagation en sistemas dinámicos. 5.1. 5.5. Identificación de sistemas dinámicos.
  • Tema 6: Control de sistemas con redes neuronales.
    • 6.1. Esquemas de control directo. Control directo inverso. Control con modelo interno.
    • Linealización por realimentación. Control feedforward.
    • 6.2. Esquemas de control indirecto.

 

BLOQUE 3: FUNDAMENTOS DE OPTIMIZACIÓN Y ALGORITMOS EVOLUTIVOS

  • Tema 7: Fundamentos de optimización y algoritmos evolutivos.
    • 7.1 Métodos de optimización monopunto.
    • 7.2 Métodos basados en la derivada: máxima pendiente, Newton-Raphson, Quasi-Newton, Gradiente conjugado.
    • 7.3 Métodos no derivativos: fuerza bruta, paseo aleatorio, Hooke-Jeeves, Simpated-Annealing.
    • 7.4 Métodos de optimización multipunto.
    • 7.5 Métodos derivativos: mptistart y clustering.
    • 7.6 Métodos no derivativos: Nelder-Mead, CRS, Algoritmos Genéticos, Differential Evolution, PSO.
Reutilizar Curso
Descargar este curso