Anda di halaman 1dari 28

CONTROL INTELIGENTE

Una Introduccin
Facultad de Ingeniera
Escuela de Ingeniera Elctrica y Electrnica
Grupo Percepcin y Sistemas Inteligentes

Universidad
del Valle

Control Inteligente

PSI - Eduardo Caicedo B.

Universidad
del Valle

Introduccin

Universidad
del Valle

Qu es control?
Qu es inteligencia?
Qu es inteligencia artificial?
Qu es inteligencia computacional?
Qu es control inteligente?

PSI - Eduardo Caicedo B.

Introduccin (2)

Universidad
del Valle

Control: Capacidad de influenciar el comportamiento de


algo (objeto o un sujeto) de tal forma que ese algo se
comporte de una manera deseada
Inteligencia: El comportamiento inteligente supone
percibir, razonar, aprender, comunicarse y actuar en
entornos complejos
Inteligencia Artificial: Estudio del comportamiento
inteligente en las mquinas.

Desarrollo de mquinas que tengan un comportamiento inteligente


igual o superior al de los humanos
Comprender este comportamiento en hombres o animales

PSI - Eduardo Caicedo B.

Inteligencia Computacional

Universidad
del Valle

Tendencias histricas en la IA:

Imitar los procesos de la inteligencia a un alto nivel (razonamiento,


deduccin). Ejemplo los SISTEMAS EXPERTOS.
Emular los procesos de la inteligencia a un nivel ms bajo, en un principio
conocido como Enfoque Conectivista, pero el nombre que se ha
mantenido es el de "REDES NEURONALES ARTIFICIALES" (RNA)

Adems de las RNA surgieron otras tcnicas de naturaleza bioinspirada:

Lgica Difusa (LD)


Algoritmos Genticos (AG)

Estas tcnicas se agrupan en lo que se ha denominado


INTELIGENCIA COMPUTACIONAL, bsicamente por que el
procesamiento final de la informacin se hace de manera numrica
(Ideales para simularse en sistemas de cmputo).
PSI - Eduardo Caicedo B.

Control Inteligente

Universidad
del Valle

El objetivo de un sistema de control automtico es


encontrar un dispositivo externo al sistemas dinmico a
controlar (el controlador o compensador) que proporcione
una seal adecuada al mismo para que la salida del sistema
tenga caractersticas deseadas.
El Control Inteligente surge cuando para disear o
implementar el controlador se utiliza alguna tcnica bioinspirada normalmente del mbito de la Inteligencia
Computacional (RNA, LD, AG)

PSI - Eduardo Caicedo B.

IC ayuda a disear el controlador (1)

Universidad
del Valle

A.G.
Disturbio

e(t)
r(t)

u(t)
CONTROLADOR

PLANTA

c(t)

b(t)
REALIMENTAC.

Un AG optimiza los parmetros del controlador


PSI - Eduardo Caicedo B.

IC ayuda a disear el controlador (2)

Universidad
del Valle

Disturbio

e(t)
r(t)

u(t)
NC - CD

PLANTA

c(t)

b(t)
REALIMENTAC.

NC : Neurocontrolador
CD : Controlador Difuso
PSI - Eduardo Caicedo B.

Cuando usar CI

Universidad
del Valle

En ambientes variables e inciertos, por su


capacidad de adaptacin y aprendizaje.
En sistemas autnomos: Tales como naves
espaciales, sistemas de exploracin y robots
(Proyecto mundial de automatizacin inteligente
del trnsito)

Interaccin con sistemas biolgicos: Los


cuales son No-Lineales, muy vulnerables y
su evaluacin es difcil
PSI - Eduardo Caicedo B.

Seccin I
Redes Neuronales Artificiales

Conjunto de elementos de procesamiento que emulan algunas


caractersticas de funcionamiento del cerebro humano
PSI - Eduardo Caicedo B.

10

Motivacin y origen (1)

Universidad
del Valle

El hombre ha soado con poder conocer e imitar el cerebro


humano, considerado por mucho como una mquina
perfecta.
Cuando la neurociencia pudo explicar de forma un poco
convincente el funcionamiento de la unidad principal de
procesamiento de informacin que posee el cerebro: la
neurona; surgi inmediatamente la idea de poder emular
dicho funcionamiento con un elemento artificial "La
neurona artificial"
Definicin?
Tendencia
Capacidad de Cmputo Aplicaciones ms complejas
PSI - Eduardo Caicedo B.

11

Motivacin y origen (2)

Universidad
del Valle

Evolucin de las aplicaciones

Refinando la experiencia se mejora el desempeo real


Algoritmos cuyas decisiones se apartan de las del experto
Algoritmos que agrupan patrones similares

Por qu se ha renovado el inters en el estudio de las RNA

Emular el comportamiento del cerebro humano (50s)


Tcnicas de comportamiento ms sofisticadas
Tecnologa VLSI hace posible la simulacin de RNAs
Hardware especializado
Desarrollo de investigacin en computacin paralela

PSI - Eduardo Caicedo B.

12

Motivacin y origen (3)

Universidad
del Valle

Inters de investigadores de mltiples disciplinas

Procesamiento de seales
Control automtica
Electrnica (Hardware eficiente de emulacin)
Reconocimiento de patrones
Algoritmia
Modelado de problemas imprecisos

Objetivo del cientfico: Disear y construir


mquinas con cierta inteligencia
PSI - Eduardo Caicedo B.

13

Algo de historia

Universidad
del Valle

Primeros intentos: McCulloch and Pitts (1943)


desarrollaron modelos de redes neuronales basados en su
conocimiento de neurologa.
Sus redes se basaban en neuronas simples, consideradas
como dispositivos binarios con umbrales fijos.
Los resultados de sus modelos fue la solucin a funciones
lgicas elementales tales como "a OR b" y "a AND b".

PSI - Eduardo Caicedo B.

14

Algo de historia
Tecnologa emergente y promisoria

Universidad
del Valle

Rosenblatt (1958) revitaliz fuertemente el inters y la


actividad en esta rea cuando dise y desarrollo su
Perceptrn. .
Este sistema pudo aprender a conectar y asociar unas
entradas dadas a una unidad de salida aleatoria. Los
resultados de sus modelos fue la solucin a funciones
lgicas elementales tales como "a OR b" y "a AND b".
Widrow and Hoff (1960) proponen el ADALINE que
emplea una regla de aprendizaje basada en mnimos
cuadrados (LMS).
PSI - Eduardo Caicedo B.

15

Algo de historia
Periodo de frustracin y desprestigio

Universidad
del Valle

En 1969 Minsky and Papert escribieron un libro


en cual ellos generalizaban las limitaciones de un
Perceptrn mono-capa a sistemas multi-capa.
En el libro planteaban: "...nuestro intuitivo juicio
es que la extensin (a sistemas multicapa) es una
tarea estril".
El resultado de las afirmaciones de este libro fue
el de eliminar la financiacin para los
investigadores que trabajaban con simulaciones de
redes neuronales.
PSI - Eduardo Caicedo B.

16

Algo de historia
El resurgimiento

Universidad
del Valle

Durante el final de la dcada de los 70s y principios de los


80s, fue importante el resurgimiento del inters en el
campo de las redes neuronales.
Varios factores influenciaron este movimiento, tales como
la aparicin de libros y conferencias que han dado a
conocer las bondades de esta tcnica a personas de
diferentes reas.
Introduccin de cursos en los programas acadmicos de las
principales universidades europeas y americanas.

PSI - Eduardo Caicedo B.

17

Algo de historia
Hoy!!!

Universidad
del Valle

Hoy se han realizado progresos muy significativos en el


campo de las RNA, lo suficientes como para atraer una
gran atencin e inters en financiar investigaciones.
Ya se encuentran comercialmente circuitos integrados
basados en RNAs y las aplicaciones desarrolladas
resuelven problemas cada vez ms complejos.
Sin lugar a dudas, hoy es un periodo de transicin y fuerte
evolucin para la tecnologa en redes neuronales.

PSI - Eduardo Caicedo B.

18

La neurona biolgica

Universidad
del Valle

1. Los elementos de proceso reciben las


seales
2. Las seales pueden ser modificadas
por los pesos sinpticos
3. Los elementos de proceso suman
entradas ponderadas
4. Bajo una circunstancia apropiada la
neurona transmite una seal de salida
5. La salida de la neurona puede ir a
muchas neuronas

PSI - Eduardo Caicedo B.

19

La neurona artificial

Universidad
del Valle

Cualquier modelo de red


neuronal consta de dispositivos
elementales de procesamiento:
las neuronas artificiales.
La tecnologa basada en redes
neuronales artificiales es de
carcter bio-inspirado pues su
funcionamiento trata de imitar
el funcionamiento de elementos
biolgicos que en este caso los
constituyen las neuronas del
cerebro.

PSI - Eduardo Caicedo B.

20

Definicin

Universidad
del Valle

Modelos matemticos para el procesamiento de


informacin
Una nueva forma de computacin inspirada en modelos
matemticos
Segn Haykin (1994), una red neuronal es un procesador
paralelo masivamente distribuido que tiene una facilidad
natural para almacenar el conocimiento obtenido de la
experiencia para luego hacerlo utilizable
Redes interconectadas masivamente en paralelo de
elementos simples (usualmente adaptativos) y con
organizacin jerrquica, las cuales intentan interactuar con
los objetos del mundo real del mismo modo que lo hace un
sistema nervioso biolgico
PSI - Eduardo Caicedo B.

21

Semejanza con el cerebro

Universidad
del Valle

Se parece al cerebro en dos aspectos:

El conocimiento es obtenido por la red a travs de un proceso de


aprendizaje.
Las conexiones entre neuronas conocidas como pesos sinpticos
son utilizadas para almacenar dicho conocimiento.

Las RNA se desarrollan como generalizaciones de


modelos matemticos del conocimiento humano o de la
biologa neuronal, con base en los siguientes
considerandos:

Elementos de procesamiento simples (Neuronas)


Conectividad
Enlaces de conexin con pesos
Funcin de Activacin
PSI - Eduardo Caicedo B.

22

Elementos de una neurona artificial


x1

wj1

x2

wj2

Universidad
del Valle

bj
n

vj

yj

(.)

wjn

v j = w ji xi + b j
i =1

y j = (v j )

xn

Se tienen N unidades (neuronas) ordenadas arbitrariamente y se puede designar


la j-sima unidad como Uj
Su trabajo es simple y nico, recibe las entradas de las clulas vecinas y calcula
Un valor de salida el cual es enviado a todas las clulas restantes
PSI - Eduardo Caicedo B.

23

Funciones de activacin
Lineal

Universidad
del Valle

Paso Binario

1 x0
f ( x) =
1 x < 0

f ( x) = x

Bipolar

Lineal

1 x0
f ( x) =
1 x < 0

f ( x) =
=1

PSI - Eduardo Caicedo B.

1
1 + e x

24

Red neuronal tpica

PSI - Eduardo Caicedo B.

Universidad
del Valle

25

Caractersticas de las RNA

Universidad
del Valle

Aprenden de la Experiencia
Capacidad de Generalizacin
Extraen caractersticas esenciales de
informacin irrelevante
Capacidad de asociacin
Capacidad de agrupacin

PSI - Eduardo Caicedo B.

26

Ventajas significativas

Universidad
del Valle

Aprendizaje Adaptativo

Aprenden a realizar tareas mediante el entrenamiento por ejemplos


No son necesarios modelos a priori
RNA son dinmicas (se adaptan a nuevas condiciones)
Capacidad de Generalizacin

Auto Organizacin

Modificar la RNA completa dependiendo de un objetivo especfico


Crea su propia representacin de la informacin

Tolerancia a Fallos

Fallo en los datos (ruido, distorsiones, datos incompletos)


RNA almacena la informacin NO LOCALIZADA

Operacin en Tiempo Real

Procesamiento paralelo
PSI - Eduardo Caicedo B.

27

Campos de aplicacin

Universidad
del Valle

Procesamiento de seales y datos


Reconocimiento y Clasificacin de Patrones
Categorizacin de Patrones ("clustering")
Aproximacin y seguimiento de funciones
Procesamiento y reconocimiento de voz e imgenes
Robtica
Prediccin
Optimizacin
Sistemas de Control
Medicina
Sistemas financieros
Industria Qumica

If you are lucky, your problem will fall in that window


PSI - Eduardo Caicedo B.

28