_____________________________________________________________________________________


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.

Last modified: Thursday, 23 September 2021, 12:53 PM