Beruflich Dokumente
Kultur Dokumente
REDES NEURONALES
Axn
Sinapsis
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
REPRESENTACION MATEMATICA
DE UNA NEURONA
x1
x2
w1
w2
x3 w3
wk
xk
wn
xn
u = w i xi
i =1
y = f ( u ) = f w i xi
i =1
1
x
f
1
-1
-1
Limitador duro
Hiperblica
b
-1
Sigmoidal
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
Reconocimiento de patrones
Memorias asociativas
Aproximacin funcional
Etc.
Propiedades
- No linealidad. Las neuronas son elementos de proceso
generalmente no lineales. La interconexin de estos
elementos genera estructuras dde transformacin de
datas donde este carcter no lineal queda distribuido a
lo largo y ancho de la red.
- Modelado de relaciones de entrada/salida.
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
10
PERCEPTRN MULTICAPA
x1
y
capa 3
x2
capa 1
capa 2
11
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
12
y(t-1)
.
.
.
y(t-ny)
y(t)
u(t-1)
..
.
u(t-nu)
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
13
Aplicaciones
-
Aproximacin funcional
Reconocimiento de patrones
Filtrado de seales
Eliminacin de ruido
Segmentacin de imgenes y seales
Control adaptivo
Compresin de datos
Etc.
Ventajas
- Capacidad de representacin funcional universal. Gran
rapidez
de
procesamiento.
Genera
buenas
representaciones internas de las caractersticas de los
datos de entrada. Ampliamente estudiada. Es la red
neuronal ms aplicada en la prctica
Desventajas
- Tiempo de aprendizaje elevado para estructuras
complejas
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
14
Vapor
Sobrecalentado
Condensador
Turbinas
Vapor
Saturado
Vapor
Recalentado
Vapor
Condensado
Caldera
Agua de
Alimentacin
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
15
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
16
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
17
REDES RECURRENTES
x1(t+1)
x1(t)
x2(t)
x2(t+1)
.
..
.
..
xn(t)
xn(t+1)
z-1
z-1
z-1
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
18
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
19
REDES DE FUNCIONES
DE BASE RADIALES (RBFN)
any
v1
vny
y(t)
vn
an
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
20
y( t ) = v i a i
i =1
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
21
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
22
y(k + 1) = w 0 + w 1i i ri (k ) + w T2 x (k )
i =1
ri (k ) = x (k ) c i
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
23
Aplicaciones
- Aproximacin funcional
- Reconocimiento de patrones
Ventajas
Capacidad de representacin funcional universal. La
estructura de esta red tiene interpretacin directa, lo que
permite realizar una buena inicializacin de los pesos de
la red, y extraer conocimiento de las estructuras ajustadas.
La buena inicializacin de los pesos acelera el proceso de
aprendizaje.
Desventajas
El procesamiento realizado es algo ms complejo que en
el caso del perceptrn multicapa.
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
24
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
25
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
26
ALGORITMO DE ENTRENAMIENTO
BACKPROPAGATION
o j = f w ijo i b j
i =1
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
27
net j = w ij o i b j
i =1
o j = f net j =
1
1+ e
net j
28
t p = t p1 , t p 2 ,, t pM
1 M
E p = t pi o pi
2 i =1
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
29
=
w ij ( h ) =
net j w ij
w ij
(*)
30
E p
net j
E p o j
o j net j
= f ( x )(1 f ( x ))
x
x
x
dx
dx 1 + e
1+ e
1+ e
) (
j = t j oj oj 1 oj
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
31
32
2
1 M
E = E p = t pi opi
p =1
p =1 2 i =1
P
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
33
Data Selection
Selection of
Relevant Variables
Initial Neural Network
Structure Definition
Structural and Parametric
Optimization
Model
Validation
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
34
y( k 1),
y ( k 2 ),
u nu ( k nb nu nk nu + 1)
...,
y( k na ),
a) Anlisis convencional
b) Anlisis de sensibilidades
3.- Definicin de la estructura inicial de la red
a) Perceptron multicapa
b) RBFN
4.- Optimizacin paramtrica y estructural
Numero ptimo de neuronas y capas ocultas.
5.- Validacin del modelo
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
35
d
yp
u
Proceso
ym
M
Algoritmo
de Aprendizaje
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
36
37
Modelacin inversa
ss
yp
Proceso
M
Algoritmo
de Aprendizaje
38
yp
Proceso
C
Algoritmo
de Aprendizaje
ym
M
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
39
Si no se dispone de yp,
u ( t ) = f 1 (y m ( t ), , y m ( t + n 1), r ( t + 1), u ( t 1), , u ( t n + 1) )
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
40
ESTRUCTURAS DE CONTROL
CON REDES NEURONALES
Existen diversas estructuras de control bien establecidas
para sistemas no lineales (Hunt, 1992).
Control supervisor o por operador
Operador
Humano
Red
Neuronal
Proceso
Proceso
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
41
yd
yd
G-1
Red
Neuronal
Planta
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
42
y( t ) = g ( x ( t ))
donde
~y ( t ) = a ~y ( t 1) ... a ~y ( t n )
1
n
+b ~
u ( t 1) + ... + b ~
u ( t d m)
0
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
43
donde
~y ( t i) = y( t i) y( i)
~
u ( t i) = u ( t i) u ( i)
g ( x( t ))
ai =
para 1 i n
x i t =
bi =
g ( x( t ))
para 1 i m
x n +i +1 t =
nx
y( t ) = Wj tanh w kj x k ( t ) + w 0 j + W0
j=1
k =1
nh
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
44
nx
g (x( t )) n h
2
= Wj w ji 1 tanh w kj x k ( t ) + w 0 j
x i ( t )
j=1
k =1
i =1
i =0
y( t ) = a i y( t i) + b i u ( t i)
n
m
+ y ( ) + a i y ( i ) b i u ( i )
i =1
i =0
donde
n
m
( ) = y ( ) + a i y ( i ) b i u ( i )
i =1
i =0
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
45
yp
yr
+
Proceso
er
Algoritmo
de Aprendizaje
46
ys +
-
yp
Proceso
+
ym
M
47
CONTROL PREDICTIVO
BASADO EN REDES NEURONALES
Optimizador
Proceso
Predictor
M
48
yr
ym
Optimizador
MR
AA
u
yp
Proceso
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
49
( j)[y (t + j) y
N2
j = N1
Nu
m ( t + j / t ) + (i)[u ' ( t + i 1) ]
2
i =1
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
50
Arahal (1997)
GPC basado en respuesta libre (red neuronal) y respuesta
forzada.
Modelo Resp.
Neuronal libre
e
- yl
Resp.
forzada
Modelo
Lineal
+
u
Proceso
Optimizador
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
51
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
52
Draeger (1995)
DMC basado en redes neuronales
Se considera el siguiente modelo lineal respuesta al escaln:
y = Gu + f + d
con
d* = y y m
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
53
Modelo
no lineal
f r
-
dnl
DMC
Proceso
Modelo
lineal
Modelo
no lineal
ym
-
d*
Modelo
no lineal
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
54
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
55
A1
O11
x1
A2
B1
x2
O12
N
O21
f1
O41
x1 x2
O13
O14
B2
O31
O22
O32
f2
O42
x1 x2
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
y*
56
,
O 21 + O 22 O 21 + O 22
(O 31 , O 32 ) =
A1 (x 1 )B1 (x 2 )
A 2 (x 1 )B 2 (x 2 )
=
,
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
+
+
A
x
B
x
A
x
B
x
A
x
B
x
A
x
B
x
2
1
2
2
1
1
1
2
2
1
2
2
1 1 1 2
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
57
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
58
((x
k
k
k
,
x
),
y
1
2
k = 1,..., N
((x , y ),
1
donde
x k = x1k , , x kn
, (x k , y k )
n y y k
59
R i : Si x 1k es A1i y y x kn es A in entonces
n
y = z ij x k + z i
j=1
( )
= A ij x kj
j=1
Ok =
i =1
j k
0
z
x
z
+
i j i
j=1
ik
ik
i =1
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
60
n i n j k
A j z i x j + z i
i =1 j=1
j=1
Ok =
n
n
A ij x kj
m
( )
i =1 j=1
1 k
0 yk
2
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
61
ai
f1
y(t-ny)
fi
u(t-1)
.
.
.
fn
u(t-nu)
y(t)
an
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
62
y( t ) = f i a i
i =1
63
(u ( t 1) r2 )2
B1 (u ( t 1) = exp
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
64
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
65
donde x es la entrada
y es la salida
w es el peso
f es una funcin sigmoide
1
y = f ( wx ) =
xw
net 1 + e
b) Datos
p
1
2
x
-3.0
2.0
y
0.3
0.6
= 0.9
w(0) = 0.1
1 iteracin (con primer conjunto de patrones)
o = f ( wx) = f ( 01
. 3.0) =
1
= 0.4255
1 + e 0.3
= (1 o) o( y o)
= (1 0.4255) 0.4255 ( 0.3 0.4255)
= - 3.069 10-2
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
66
w (1) = w ( 0) + w = 01
. + 8.2873 102
= 0.18287
w ( 2) = w (1) + w = 018287
.
+ 4.166 103
= 0.187036
w* = 0.187036
c)
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.
67
p
1
2
x
-3.0
2.0
y
0.3
0.6
o p = f(wx p )
o1 = f(w * x1 ) = f(0.187036 -3.0) = 0.3633
o2 = f(w * x 2 ) = f(0.187036 2.0) = 0.5924
1 2 i i
e = y -o
2 i =1
= 0.002
Comentario
Se podra mejorar este peso resultante (w*), si se realizan
ms iteraciones con los mismos set de datos. Tambin se
podra realizar de nuevo las iteraciones empezando con el
x = 2 e y = 0.6, lo cual podra mejora el resultado.
D. Sez, EL650 (2007). ControlNeuronal1: Fundamentos de Redes Neuronales. Dpto. Ing. Elctrica, U.
Chile.