CUENCA
SEDE AZOGUES
MATERIA:
CONTROL MODERNO III
ESTUDIANTE:
LOZADO CAMPOVERDE EDGAR FRANCISCO
CONTROL NEURONAL (REDES NEURONALES)
INTRODUCCIÓN
¿Qué ocurre cuando el problema que se quiere resolver no admite
un tratamiento algorítmico, como es el caso, por ejemplo, de la
clasificación de objetos por rasgos comunes?
Así, las redes neuronales son más que otra forma de emular ciertas
características propias de los humanos, como la capacidad de
memorizar y de asociar hechos. Si se examinan con atención aquellos
problemas que no pueden expresarse a través de un algoritmo, se observará
que todos ellos tienen una característica en común: la experiencia.
ANÁLISIS TEÓRICO
REDES NEURONALES ARTIFICIALES CON MATLAB
Podemos definir las redes neuronales artificiales como una estructura de
procesamiento paralelo masivo constituida por unas unidades muy
sencillas (denominadas neuronas), que tienen la capacidad de almacenar
conocimiento experimental y ponerla a disposición para su uso. El
interés por las redes neuronales artificiales se ha visto potenciado en los últimos
años gracias a los avances en Deep Learning (aprendizaje profundo), en donde
destacan las redes neuronales convolucionales.
Procesos reales
Control manual
Control automático
Lineal, no lineal
Variante, invariante
Optimo, robusto, adaptive
Difuso, neuronal
RED NEURONAL
TIPOS DE REDES NEURONALES
2. TRANSFORMACIÓN
Filtros
3. NORMALIZACIÓN
4. ENTRENAR LA RED
Entrenamiento
Memorización
Validación
MODELO NEURONAL
1. MODELO SERIE
2. MODELO PARALELO
CONTROL NEURONAL
1. CONTROL INVERSO LAZO ABIERTO
6. CONTROL PREDICTIVO
7. CONTROL PREDICTIVO CON MODELO DE REFERENCIA
APLICACIONES
Las redes neuronales pueden utilizarse en un gran número y variedad de
aplicaciones:
Biología:
Aprender más acerca del cerebro y otros sistemas.
Obtención de modelos de la retina.
Empresa:
Evaluación de probabilidad de formaciones geológicas y petrolíferas.
Identificación de candidatos para posiciones específicas.
Explotación de bases de datos.
Optimización de plazas y horarios en líneas de vuelo.
Optimización del flujo del tránsito controlando convenientemente la temporización de
los semáforos.
Reconocimiento de caracteres escritos.
Modelado de sistemas para automatización y control.
Medio ambiente:
Analizar tendencias y patrones.
Previsión del tiempo.
Finanzas:
Previsión de la evolución de los precios.
Valoración del riesgo de los créditos.
Identificación de falsificaciones.
Interpretación de firmas.
Manufacturación:
Robots automatizados y sistemas de control (visión artificial y sensores de presión,
temperatura, gas, etc.).
Control de producción en líneas de procesos.
Inspección de la calidad.
Medicina:
Analizadores del habla para ayudar en la audición de sordos profundos.
Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos
(electrocardiograma, encefalogramas, análisis sanguíneo, etc.).
Monitorización en cirugías.
Predicción de reacciones adversas en los medicamentos.
Entendimiento de la causa de los ataques cardíacos.
Militares:
Clasificación de las señales de radar.
Creación de armas inteligentes
2) https://la.mathworks.com/discovery/redes-neuronales.html
3) http://www2.elo.utfsm.cl/~elo379s2/informacion/material/PARTE1_USM.pdf
4) http://software-tecnico-libre.es/es/articulo-por-tema/todas-las-secciones/todos-los-
temas/todos-los-articulos/redes-neuronales-recurrentes-y-series-de-tiempo
5) https://advancedtech.wordpress.com/2007/08/24/redes-neuronales/
6) http://redesneuronal.blogspot.com/
7) ftp://decsai.ugr.es/pub/usuarios/castro/Material-Redes-Neuronales/Libros/matich-
redesneuronales.pdf