Sistemas de control neuro-difusos

Estudiante: Junior Figueroa OlmedoTelef: 0979156804
SISTEMAS DE CONTROL NEURO-DIFUSOS ESTADO DEL

ARTE
Resumen. La fusin de las Redes Neuronales Artificiales (RNA) y los

Sistemas de Inferencia Difusos (FIS) han atrado el inters creciente de
investigadores en diversas reas cientficas y de la ingeniera, debido a la
creciente necesidad de los sistemas inteligentes de adaptacin para
resolver los problemas del mundo real. Una Red Neuronal Artificial aprende
desde cero mediante el ajuste de las interconexiones entre las capas. Un
Sistema de Inferencia Difuso es un marco popular de la informtica basado
en el concepto de la teora de conjuntos difusos, reglas difusas si-entonces
y el razonamiento difuso. Las ventajas de una combinacin de las RNA y
los FIS son obvias.
Existen varios enfoques para integrar las RNA y los FIS y muy a menudo
depende de la aplicacin. En este documento se hace una clasificacin y
explicacin en trminos generales de esta integracin en tres categoras:
modelo concurrente, modelo cooperativo y modelo integrado. El estudio se
enfocar ms en el anlisis del sistema neuro-difuso integrado tipo ANFIS,
citando las ventajas y desventajas que presenta este modelo hbrido;
adems se indicarn los trabajos que han venido desarrollando varias
universidades del Ecuador en este campo investigacin y el trabajo que se
pretende realizar como proyecto de titulacin.
1. INTRODUCCIN
Un sistema Neuro-Difuso es un marco popular para resolver problemas
complejos. Si se tiene conocimiento expresado en reglas lingsticas, se
puede construir un Sistema de Inferencia Difuso, y si cuenta con los datos
o se puede aprender el comportamiento de un sistema a partir de una
simulacin (entrenamiento), entonces se puede utilizar las Redes
Neuronales. Para la construccin de un Sistema de Inferencia Difuso, se
tiene que especificar los conjuntos difusos, operadores difusos y la base
de conocimientos. Del mismo modo para la construccin de una Red
Neuronal para una aplicacin el usuario tiene que especificar el algoritmo
de la arquitectura y aprendizaje.
La Lgica Difusa y las Redes Neuronales tienen propiedades
computacionales particulares que las hacen adecuadas para ciertos
problemas particulares y no para otros. Por ejemplo, mientras las Redes
Neuronales ofrecen ventajas como el aprendizaje, adaptacin, tolerancia a
fallas, paralelismo y generalizacin, no son buenas para explicar cmo han
1

alcanzado sus decisiones. En cambio los Sistemas Difusos, los cuales
razonan con informacin imprecisa a travs de un mecanismo de
inferencia bajo incertidumbre lingstica, son buenos explicando sus
decisiones pero no pueden adquirir automticamente las reglas que usan
para tomarlas.
El anlisis anterior revela que los inconvenientes relacionados con estos
enfoques parecen complementarios y, por tanto, es natural considerar la
construccin de un sistema hbrido que combine ambos conceptos [1]. Los
sistemas neuro-difusos integrados combinan la capacidad de aprendizaje
de las Redes Neuronales Artificiales con el poder de interpretacin
lingstica de los Sistemas de Inferencia Difusos, obtenindose los
siguientes resultados:
Aplicabilidad de los algoritmos de aprendizaje desarrollados para
redes neuronales.
Posibilidad de promover la integracin de conocimiento (implcito
que puede ser adquirido a travs del aprendizaje y explcito que
puede ser explicado y entendido).

La posibilidad de extraer conocimiento para una base de reglas
difusas a partir de un conjunto de datos.
Mientras que la capacidad de aprendizaje es una ventaja desde el punto

de vista de los FIS, la formacin de la base de reglas lingsticas ser una
ventaja desde el punto de vista de las RNA. En la seccin 2 se presenta un
sistema neuro-difuso cooperativo y sistema neuro-difuso concurrente
seguido del modelo integrado ANFIS en la seccin 3. Algunas discusiones y
conclusiones se proporcionan hacia el final.
2. SISTEMAS NEURO-DIFUSOS CONCURRENTES Y COOPERATIVOS

En la forma ms simple, un modelo cooperativo puede ser considerado
como un preprocesador donde el mecanismo de aprendizaje de las redes
neuronales determina las funciones de pertenencia del FIS o las reglas
difusas a partir de los datos de entrenamiento. Una vez que se determinan
los parmetros del sistema difuso, las redes neuronales ya no son
utilizadas [2]. La base de reglas es usualmente determinada por un
enfoque de agrupacin (mapas de auto-organizacin) o algoritmos de
agrupamiento difuso. Las funciones de pertenencia se suelen aproximar
mediante redes neuronales a partir de los datos de entrenamiento.
Figura 1 Modelo Cooperativo Neuro-Difuso [14].
En un modelo concurrente, la red neural ayuda al sistema difuso

continuamente (o viceversa) para determinar los parmetros necesarios
especialmente si las variables de entrada del controlador no se pueden
medir directamente. Tales combinaciones no optimizan el sistema difuso,
pero ayudan a mejorar el rendimiento del sistema en general. El
aprendizaje tiene lugar slo en la red neural y el sistema difuso se
mantiene sin cambios durante esta fase [14]. En algunos casos, las salidas
difusas pueden no ser directamente aplicables al proceso. En ese caso, la
red neural puede actuar como un postprocesador de salidas difusas. La
Figura 2 representa un modelo neuro-difuso concurrente en donde los
datos de entrada son alimentados a una red neural y la salida de la red
neuronal se procesa adicionalmente por el sistema difuso.
Figura 2 Modelo Concurrente Neuro-Difuso [14].
3. SISTEMAS NEURO-DIFUSOS INTEGRADOS

Un sistema neuro-difuso integrado consiste de un sistema difuso
tradicional (tipo Mamdani o Takagi Sugeno) excepto que cada etapa,
puede ser representada por una capa de neuronas a las que se puede
proveer capacidades de aprendizaje de redes neuronales para optimizar el
conocimiento del sistema.
En un modelo integrado, los algoritmos de aprendizaje de la red neuronal
se utilizan para determinar los parmetros de los sistemas de inferencia
3

difusos. Una forma comn de aplicar un algoritmo de aprendizaje sobre un
sistema difuso es representar este en una arquitectura especial de redes
neuronales. Sin embargo, los algoritmos de aprendizaje convencionales de
las redes neuronales (descenso de gradiente) no se pueden aplicar
directamente a un sistema como las funciones utilizadas en el proceso de
inferencia que son por lo general no diferenciables. Este problema puede
abordarse mediante el uso de funciones diferenciables en el sistema de
inferencia o no usando el algoritmo de aprendizaje neuronal estndar [14].
Existen diferentes variantes de los modelos integrados neuro-difusos
(Mamdani o Takagi Sugeno) que han ido apareciendo a medida que se ha
ido profundizando en la investigacin, diseo e implementacin de estos
nuevos sistemas de control inteligente. Entre los mtodos integrados ms
destacados en esta rea se tienen:
Adaptive Network Based Fuzzy Inference System (ANFIS) [3].

Fuzzy Adaptive Learning Control Network (FALCON) [4].
Generalized Approximate Reasoning Based Intelligent Control
(GARIC) [5].
Neuro-Fuzzy Controller (NEFCON) [6].
Neuro-Fuzzy Classification (NEFCLASS) [7].
Neuro-Fuzzy Function Approximation (NEFPROX) [8].
Fuzzy Inference Environment Software with Tuning (FINEST) [9].
Self Constructing Neural Fuzzy Inference Network (SONFIN) [10].
Fuzzy Net (FUN) [11].
Evolving Fuzzy Neural Networks (EFuNN) [12, 13].
Dynamic Evolving Fuzzy Neural Networks (dmEFuNNs) ][13].
Y muchos otros [14, 15, 16, 17]
En el presente documento referente al estado del arte solo se va hacer

referencia al modelo ANFIS, puesto que va hacer objeto de estudio e
investigacin en un posterior trabajo de titulacin.
3.1 Adaptive Network Based Fuzzy Inference System (ANFIS)

El mtodo ANFIS modela un sistema de inferencias difuso en el cual sus
parmetros se ajustan mediante un algoritmo de aprendizaje por
retropropagacin (redes neuronales) basndose en un conjunto de datos
de entrada/salida (datos de entrenamiento), lo cual le permite al sistema
aprender.
ANFIS implementa un sistema de inferencia difusa Takagi Sugeno [3, 18] y
tiene una arquitectura formada por seis capas, como se muestra en la
4

Figura 3; una versin modificada de ANFIS se muestra en la Figura 4. La
funcin detallada de cada capa es como sigue:
Capa 1 (capa de entrada): No se realiza ningn clculo en esta

capa. Cada nodo en esta capa (que corresponde a una variable de
entrada) slo transmite los valores de la entrada a la siguiente capa
directamente. El peso de enlace en la capa 1 es la unidad.
Capa 2 (capa de fusificacin): Cada nodo en esta capa
corresponde a una etiqueta lingstica (excelente, bueno, etc.)
referente a una de las variables de entrada en la capa 1. En otras
palabras, el enlace de salida representa el valor de pertenencia, que
especifica el grado en que un valor de entrada pertenece a un
conjunto difuso. Un algoritmo de agrupamiento decidir el nmero
inicial y el tipo de funcin de pertenencia que se asignar a cada
una de las variables de entrada. Las formas finales de las funciones
de pertenencia sern ajustadas con exactitud durante el aprendizaje
de la red
Figura 3 Sistema neuro-difuso Takagi Sugeno.
Figura 4 Arquitectura ANFIS implementada con un sistema de inferencia difuso

Tsukamoto.
Capa 3 (capa de antecedente de la regla): Un nodo en esta

capa representa la parte antecedente de una regla. Por lo general,
un operador norma-T se utiliza en este nodo. La salida de un nodo de
la capa 3 representa la fuerza de disparo de la regla difusa
correspondiente.
Capa 4 (capa de normalizacin de la regla): Cada nodo en esta

capa calcula la relacin de la fuerza de disparo de la regla.
Capa 5 (capa consecuente de la regla): Este nodo tiene

bsicamente dos tareas. Combinar los antecedentes de las reglas
entrantes y determinar el grado en que estos pertenecen a la
etiqueta lingstica de salida (alto, medio, bajo, etc.). El nmero de
nodos en esta capa ser igual al nmero de reglas.
Capa 6 (capa de inferencia de la regla): Este nodo calcula la

salida global como la suma de todas las seales entrantes.
De esta forma, lo que se obtiene es una red adaptiva, funcionalmente

equivalente a un Sistema de Inferencia Difuso tipo Sugeno. Ciertos autores
suele considerar que la arquitectura ANFIS est formada slo por cinco
capas, puesto que no consideran la intervencin de la capa de entrada
dentro del grupo de capas.
En estas redes adaptables con inferencia difusa (Figura 4), aparecen dos
tipos de nodos: fijos y adaptables. Los nodos fijos son denotados con
crculos y los nodos adaptables con cuadrados; en el proceso de
entrenamiento se ajustan slo los nodos adaptables.

El mtodo ANFIS utiliza el aprendizaje por retropropagacin para
determinar los parmetros de la premisa (para aprender los parmetros
relacionados con las funciones de pertenencia) y la estimacin de mnimos
cuadrados para determinar los parmetros consiguientes. Un paso en el
procedimiento de aprendizaje tiene dos partes: En la primera parte los
patrones de entrada se propagan, y los parmetros consiguientes ptimos
son estimados mediante un procedimiento iterativo de mnimos
cuadrados, mientras los parmetros de la premisa son asumidos que se
fijan para el ciclo actual a travs de conjunto de entrenamiento. En la
segunda parte los patrones se propagan de nuevo, y en esta parte, la
retropropagacin se utiliza para modificar los parmetros de la premisa,
mientras que los parmetros consiguientes permanecen fijos. Este
procedimiento es luego iterativo [14].
En la Figura 5 se muestra un ejemplo sencillo de la implementacin de un
ANFIS. En la capa de fusificacin, cada funcin de pertenencia de entrada
del antecedente de una regla difusa representa una neurona. Los
parmetros de estas neuronas, como los vrtices de las funciones de
pertenencia, pueden ser entrenados para determinar la forma final y la
ubicacin de las funciones de pertenencia.
Figura 5 Ejemplo ilustrativo de un sistema neuro-difuso tipo ANFIS. [19]

7
En la figura 5 el grado de pertenencia que indica la certeza de X1 es

grande es 0.6, X1 es mediano es 0.4, y X1 es pequeo es 0.0. Las
salidas de estas neuronas funciones de pertenencia son conectadas a la
capa de reglas difusas como lo especifiquen las reglas difusas y a travs
de enlaces con pesos que representan el proceso de agregacin de las
variable lingsticas de entrada [19].
La capa de reglas difusas representa la base de reglas difusas; cada
neurona representa una regla difusa de tipo SI-ENTONCES. Las salidas de
las neuronas estn conectadas a la capa de defusificacin a travs de
enlaces con pesos; los pesos de estos enlaces representan la significancia
relativa de las reglas asociadas con las neuronas. Sus valores pueden ser
asignados de acuerdo al conocimiento a priori o inicializados como 1.0 y
luego entrenadas para reflejar su importancia real para las funciones de
pertenencia de salida contenidas en la capa de defusificacin.
La funcin de la capa de defusificacin es la evaluacin de las reglas; en
este cada consecuente Entonces Y es B como funcin de pertenencia de
salida representa una neurona; la certeza de cada consecuente es
calculada, y es considerada como lo bien que se ajustan las reglas que
tienen el mismo consecuente (proceso de agregacin del resultado). Los
pesos de cada enlace de salida de estas neuronas representan los centros
de rea de cada funcin de pertenencia del consecuente y son
entrenables, la salida final es entonces calculada usando algn mtodo de
defusificacin [19].
4. SISTEMAS DE CONTROL DESARROLLADOS MEDIANTE MODELOS

NEURO-DIFUSOS TIPO ANFIS POR UNIVERSIDADES NACIONALES
DEL ECUADOR
La investigacin en sistemas neuro-difusos a nivel internacional es un
campo altamente explorado actualmente debido a la necesidad cada vez
mayor de automatizar y optimizar procesos, adems de realizar
aplicaciones innovadoras.
A nivel nacional varias universidades han incorporado en los programas
analticos de ciertas carreras de Ingeniera el estudio de estos sistemas de
control inteligente. Dentro del rea de Ingeniera de Control Inteligente,
desde hace varios aos se han desarrollado diversas tesis y estudios de
investigacin referentes a los sistemas difusos, redes neuronales,
algoritmos genticos, entre otros; obtenindose grandes resultados que
han aportado conocimiento acadmico y cientfico. No obstante, hasta la
8

actualidad el campo de aplicacin de los modelos neuro-difusos sobre los
sistemas de control de procesos no ha sido muy explorado.
Mediante un proceso de recopilacin bibliogrfica (pginas electrnicas) y
consultando los repositorios digitales de algunas universidades del pas, se
ha determinado y encontrado los siguientes trabajos enmarcados dentro
de la aplicacin de los sistemas neuro-difusos tipo ANFIS (cabe mencionar
que pueden existir otros):
1. Reconocimiento de caracteres manuscritos por medio de redes
neurales y neuro-difusas artificiales, Escuela Politcnica Nacional (J.
Albuja, 1995) [20].
2. Estudio y aplicacin de los modelos ANFIS de MATLAB, Escuela
Politcnica Nacional (Y. Bravo y D. Garca, 2002) [21].
3. Control
Applications
Using
Computational
Intelligence
Methodologies, International Conference on Industrial Electronics
and Control Applications (FIEE), Escuela Politcnica Nacional (O.
Cern y P. Burbano, 2007) [22].
4. Modelo de red Anfis para el simulador del comportamiento dinmico
de un bioreactor en Fed Batch construido a partir del modelo
propuesto para observar el comportamiento oscilatorio de las
Zymomonas mobilis, Escuela Politcnica Nacional, (M. Sandoval y O.
Quintero, 2009) [23].
5. Aplicacin del modelo anfis a la sintetizacin de notas musicales y
seales de voz, Escuela Politcnica del Litoral, (C. Alvarado y C.
Jordn, 2011) [24].
6. Diseo e implementacin de controladores inteligentes para la
unidad Air Flow Temperature Control System mediante la utilizacin
de la herramienta RTW (real-time workshop) de matlab, Universidad
de las Fuerzas Armadas ESPE, (P. Cabezas y D. Capelo Parreo,
2012) [25].
7. Diseo y anlisis de desempeo de un inversor de voltaje utilizando
controladores inteligentes, Universidad de las Fuerzas Armadas
ESPE, (J. Salazar, 2012) [26].
8. Control de trfico vehicular usando un sistema neuro-difuso tipo
ANFIS, Escuela Politcnica Nacional, (N. Atiencia y V. Ramrez, 2013)
[27].

Como es notorio no existen muchas publicaciones sobre sistemas de
control neuro-difusos, pero como ya se mencion anteriormente existen
muchos trabajos de investigacin referentes a los sistemas de control
inteligentes pero que han utilizado tcnicas de control en forma individual
(lgica difusa, redes neuronales artificiales, algoritmos genticos, etc).
5. PROPUESTA DE PROYECTO DE TITULACIN PARA LA MAESTRA

DE DISEO, PRODUCCIN Y AUTOMATIZACIN INDUSTRIAL
El proyecto de titulacin que se pretende realizar es de carcter
investigativo y prctico. Se cuenta de antemano con la planta sobre la cual
se implementar un controlador neuro-difuso a nivel de software y sobre la
cual se realizarn las respectivas pruebas de funcionamiento y
desempeo. El proyecto de titulacin lleva por ttulo:
DISEO Y ANLISIS DE DESEMPEO DE UN CONTROLADOR NEURODIFUSO TIPO ANFIS APLICADO A UN SISTEMA AERODINMICO TRMS (TWIN
ROTOR MIMO SYSTEM)
El Sistema MIMO de Rotores Gemelos (Twin Rotor MIMO System - TRMS),
ver figura 6, es un laboratorio diseado expresamente para realizar
experimentos de control. En ciertos aspectos su comportamiento se
asemeja al de un helicptero. Desde el punto de vista de control
ejemplifica un sistema MIMO no lineal de orden superior con
acoplamientos cruzados muy significativos.
El TRMS consta de una viga articulada en la base de tal manera que puede
girar libremente al mismo tiempo en el plano vertical y horizontal. En
ambos extremos de la viga hay dos rotores, el principal y el de la cola,
estos son impulsados por motores de corriente continua. Un brazo de
contrapeso con un peso en su extremo se fija a la viga en el pivote. El
estado de la viga es descrito por 2 variables de proceso: el ngulo
horizontal ( ) y ngulo vertical ( ) medidos por los sensores de
posicin (encoders incrementales) [28].
10
Figura 6 Sistema TRMS (Twin Rotor Mimo System).
En un helicptero normal la fuerza aerodinmica es controlada cambiando

el ngulo de ataque de los rotores. El TRMS est construido de forma que
el ngulo de ataque es fijo. La fuerza aerodinmica se controla variando la
velocidad de los rotores. Por tanto, las entradas de control son las
u
u2
tensiones suministradas a los motores de corriente continua ( 1 y
).
Un cambio en el valor de la tensin hace que cambie la velocidad de
rotacin de la hlice, lo que resulta en un cambio de la posicin
correspondiente de la viga [28].
Como ya se me mencion se desea implementar sobre este sistema
aerodinmico un controlador neuro-difuso tipo ANFIS (ver figura 7) y
comparar el desempeo de la accin de control del mismo frente a un
controlador PID convencional. Se determinarn las ventajas y desventajas
de este controlador comparando las seales correspondientes a los
parmetros y especificaciones de comportamiento del sistema.
11
Figura 7 Sistema de control neuro-difuso tipo ANFIS aplicado sobre el sistema

TRMS.
REFERENCIAS
[1] S. Mitra and Y. Hayashi, Neuro-Fuzzy Rule Generation: Survey in Soft

Computing Framework, IEEE Transactions on Neural Networks, Vol II, No.
3. pp. 748 768, 2000.
[2] B. Kosko, Neural Networks and Fuzzy Systems: A Dynamical Systems
Approach to Machine Intelligence, Prentice Hall, Englewood Cliffs, New
Jersey, 1992.
[3] R. Jang, Neuro-Fuzzy Modeling: Architectures, Analyses
Applications, Ph.D. Thesis, University of California, Berkeley, 1992.
and
[4] C.T. Lin and C.S.G. Lee, Neural Network based Fuzzy Logic Control and
Decision System, IEEE Transactions on Comput. (40(12): pp. 13201336,
1991.
[5] H.R. Berenji and P. Khedkar, Learning and Tuning Fuzzy Logic
Controllers through Reinforcements, IEEE Transactions on Neural Networks,
Vol (3), pp. 724740, 1992.
[6] D. Nauck and R. Kruse, NEFCON-I: An X-Window Based Simulator for
Neural Fuzzy Controllers. In Proceedings of the IEEE International
Conference on Neural Networks, Orlando, pp. 16381643, 1994.
[7] D. Nauck and R. Kruse, NEFCLASS: A Neuro-Fuzzy Approach for the
Classification of Data, In Proceedings of ACM Symposium on Applied
Computing, George K et al (Eds.), Nashville, ACM Press, pp. 461465,
1995.
12

[8] D. Nauck D. and R. Kruse, Neuro-Fuzzy Systems for Function
Approximation, Fuzzy Sets and Systems, 101, pp. 261271, 1999.
[9] S. Tano, T. Oyama and T. Arnould, Deep combination of Fuzzy Inference
and Neural Network in Fuzzy Inference, Fuzzy Sets and Systems, 82(2) pp.
151160, 1996.
[10] J.C. Feng and L.C. Teng, An Online Self Constructing Neural Fuzzy
Inference Network and its Applications, IEEE Transactions on Fuzzy
Systems, Vol 6, No.1, pp. 1232, 1998.
[11] S.M. Sulzberger, N.N. Tschicholg-Gurman, S.J. Vestli, FUN:
Optimization of Fuzzy Rule Based Systems Using Neural Networks, In
Proceedings of IEEE Conference on Neural Networks, San Francisco, pp.
312316, 1993.
[12] N. Kasabov, Evolving Fuzzy Neural Networks Algorithms,
Applications and Biological Motivation, In Yamakawa T and Matsumoto G
(Eds), Methodologies for the Conception, Design and Application of Soft
Computing, World Scientific, pp. 271274, 1998.
[13] N. Kasabov and S. Qun, Dynamic Evolving Fuzzy Neural Networks with
m-out-of-n Activation Nodes for On-line Adaptive Systems, Technical
Report TR99/04, Department of information science, University of Otago,
New Zealand, 1999.
[14] A. Abraham, EvoNF: A Framework for Optimization of Fuzzy Inference
Systems Using Neural Network Learning and Evolutionary Computation,
The 17th IEEE International Symposium on Intelligent Control, ISIC02, IEEE
Press, pp. 327 332, 2002.
[15] A. Kandel, Q.Y. Zhang and H. Bunke, A Genetic Fuzzy Neural Network
for Pattern Recognition, In IEEE Transactions on Fuzzy Systems, pp. 7578,
1997.
[16] M. Mizumoto and S. Yan, A New Approach of Neurofuzzy Learning
Algorithm, Intelligent Hybrid Systems: Fuzzy Logic, Neural Networks, and
Genetic Algorithms, Ruan D (Ed.), Kluwer Academic Publishers, pp. 109
129, 1997.
[17] Q.Y. Zhang and A. Kandel, Compensatory Neuro-fuzzy Systems with
Fast Learning Algorithms, IEEE Transactions on Neural Networks, Vol 9, No.
1, pp. 83105, 1998.
[18] Y. Tsukamoto, An Approach to Fuzzy Reasoning Method, Gupta M.M. et
al (Eds.), Advances in Fuzzy Set Theory and Applications, pp. 137149,
1979.
13

[19] Chahuara Quispe, Jos Carlos, Control neuro-difuso aplicado a una
Gra Torres. Tesis Universidad Nacional Mayor de San Marcos, Facultad
de Ingeniera Electrnica, EAP. de Ingeniera Electrnica, Lima, 2005.
[20] J. Albuja, Reconocimiento de caracteres manuscritos por medio de
redes neurales y neuro-difusas artificiales, Tesis - Escuela Politcnica
Nacional, Ingeniera Elctrica y Electrnica, Quito-Ecuador, 1995.
[21] Y. Bravo y D. Garca, Estudio y aplicacin de los modelos ANFIS de
MATLAB, Tesis - Escuela Politcnica Nacional, Ingeniera Elctrica y
Electrnica, Quito-Ecuador, 2002.
[22] O. Cern y P. Burbano, Control Applications Using Computational
Intelligence Methodologies, International Conference on Industrial
Electronics and Control Applications (FIEE), Escuela Politcnica Nacional,
Quito-Ecuador, 2007.
[23] M. Sandoval y O. Quintero, Modelo de red Anfis para el simulador del
comportamiento dinmico de un bioreactor en Fed Batch construido a
partir del modelo propuesto para observar el comportamiento oscilatorio
de las Zymomonas mobilis, Tesis - Escuela Politcnica Nacional, Ingeniera
Elctrica y Electrnica, Quito-Ecuador, 2009.
[24] C. Alvarado y C. Jordn, Aplicacin del modelo anfis a la sintetizacin
de notas musicales y seales de voz, Tesis Escuela Politcnica del Litoral,
Facultad de Ingeniera de Electricidad y Computacin, Guayaquil-Ecuador,
2011.
[25] P. Cabezas y D. Capelo Parreo, Diseo e implementacin de
controladores inteligentes para la unidad Air Flow Temperature Control
System mediante la utilizacin de la herramienta RTW (real-time
workshop) de matlab, Tesis Universidad de las Fuerzas Armadas ESPE,
Carrera de Ingeniera en Electrnica, Automatizacin y Control, SangolquEcuador, 2012.
[26] J. Salazar, Diseo y anlisis de desempeo de un inversor de voltaje
utilizando controladores inteligentes, Tesis Universidad de las Fuerzas
Armadas ESPE, Carrera de Ingeniera en Electrnica, Automatizacin y
Control, Sangolqu-Ecuador, 2012.
[27] N. Atiencia y V. Ramrez, Control de trfico vehicular usando un
sistema neuro-difuso tipo ANFIS, Tesis - Escuela Politcnica Nacional,
Ingeniera Elctrica y Electrnica, Quito-Ecuador, 2013.
[28] J. Chicaiza, DISEO E IMPLEMENTACIN DE CONTROLADORES
CLSICOS Y EN EL ESPACIO DE ESTADOS PARA EL NGULO DE ELEVACIN
DEL SISTEMA AERODINMICO TRAS, Tesis Escuela Politcnica del Ejrcito,
14

Carrera de Ingeniera en Electrnica, Automatizacin y Control, SangolquEcuador, 2011.
[29] Feedback Instruments, Twin Rotor MIMO System Control Experiments,
Primera Edicin, Crowborough-Reino Unido, 2006.
Sin embargo, se observan acoplamientos cruzados significativos entre las

acciones de los rotores; cada rotor influencia las dos posiciones angulares.
La figura 7 representa un esquema simplificado del sistema TRMS.
15
Figura 7 Esquema simplificado del sistema TRMS [29].
16

Sistemas de control neuro-difusos

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Sistemas de control neuro-difusos

Hochgeladen von

Copyright:

Verfügbare Formate

Estudiante: Junior Figueroa OlmedoTelef: 0979156804