Redesneuronalesencontroldesistemas

MarcoTerico

Lasredesneuronalestratandeemularciertascaractersticaspropiasdeloshumanos,unamuy
importanteeslaexperiencia.Elserhumanoescapazderesolverproblemasacudiendoala
experienciaacumulada.Lasredesneuronalessonunmodeloartificialysimplificadodelcerebro,que
eselsistemaporelcualpodemosadquirirconocimientoatravsdelaexperiencia.

Unaredneuronalesunnuevosistemaparaeltratamientodelainformacin,cuyaunidadbsicade
procesamientoestinspiradaenlaclulafundamentaldelsistemanerviosohumano:laneurona.

Todoslosprocesosdelcuerpohumanoserelacionandealgunauotraformaconlaactividaddelas
neuronas.Lasmismassonuncomponenterelativamentesimple,perocuandoseconectanenforma
conjuntasonmuypoderosas.

Loquebsicamenteocurreenunaneuronabiolgicaeslosiguiente:laneuronaesestimuladao
excitadaatravsdesusentradasycuandosealcanzaunciertoumbral,laneuronasedisparao
activa,pasandounasealhaciaelaxn.

Lamisindelasneuronases:

Recogerinformacinquellegaaellasenformadeimpulsosprocedentesdeotrasneuronaso
receptores.
Integraninformacionenuncdigodeactivacinpropiodelaclula.
Transmiteninformacioncodificadaenformadefrecuenciadeimpulsosatravsdesuaxn.
Atravsdesusramificacioneselaxnefectaladistribucinespacialdelosmensajes.
Ensusterminalestransmitelosimpulsosalasneuronassubsiguientesoalasclulas
efectoras.

DebidoalascapacidadesquetieneelcerebropararesolverproblemascomplejoslasRNAnacenen
basealascualidadesdeunaredneuronalbiolgica.

1943WarrenMcCullochyWalterPittslanzaronunateoraacercadelaformadetrabajardelas
neuronas.Ellosmodelaronunaredneuronalsimplemediantecircuitoselctricos.

1949DonaldHebbfueelprimeroenexplicarlosprocesosdelaprendizajedesdeunpuntodevista
psicolgico,desarrollandounaregladecmoelaprendizajeocurra.Suideafuequeelaprendizaje
ocurrecuandociertoscambiosenunaneuronaeranactivados.LostrabajosdeHebbformaronlas
basesdelaTeoradelasRedesNeuronales.

1957FrankRosenblattcomenzeldesarrollodelPerceptron.Estaeslaredneuronalmsantigua
utilizndosehoyendaparaaplicacincomoidentificadordepatrones.Estemodeloeracapazde
generalizar,esdecir,despusdehaberaprendidounaseriedepatronespodareconocerotros
similares,aunquenoselehubiesenpresentadoenelentrenamiento.

1960BernardWidroff/MarcianHoffdesarrollaronelmodeloAdaline(ADAptativeLINearElements).
Estafuelaprimeraredneuronalaplicadaaunproblemareal(filtrosadaptativosparaeliminarecosen
laslneastelefnicas)quesehautilizadocomercialmentedurantevariasdcadas.

1969MarvinMinsky/SeymourPapertcasiproducenlamuerteabruptadelasRedesNeuronales
yaqueprobaron(matemticamente)queelPerceptronsnoeracapazderesolverproblemas
relativamentefciles,comoelaprendizajedeunafuncinnolineal.EstodemostrqueelPerceptron
eramuydbil,porquelasfuncionesnolinealessonempleadasencomputacinyenlosproblemas
delmundoreal.

1985JohnHopfieldprovocelrenacimientodelasredesneuronalesconsulibro:Computacin
neuronaldedecisionesenproblemasdeoptimizacin.

1986DavidRumelhart/G.Hintonredescubrieronelalgoritmodeaprendizajedepropagacinhacia
atrs(backpropagation).

Apartirde1986,elpanoramafuealentadorconrespectoalasinvestigacionesyeldesarrollodelas
redesneuronales.Enlaactualidad,esuncampointeresante,queprometeavancesacortoplazo,
sobretodoenreconocimientodeimagenysonido.

Qusonlasredesneuronales?

LasRedesNeuronalessonuncampomuyimportantedentrodelaInteligenciaArtificial.Seinspiran
enelcomportamientodelcerebrohumano(neuronasysusconexiones),tratadecrearmodelos
artificialesquesolucionenproblemasdifcilesderesolvermediantetcnicasalgortmicas
convencionales.

Unaredneuronalartificialestformadapor:

Capadeentrada
 Determinadonmerodecapasocultas(quetambinpuedesercero)
Capadesalida.

Figura1.Ejemploderedneuronal

Entrecadaunadelascapasqueformanlaredneuronalexistenmatricesdepesossinpticos,que
sonlosqueleotorganalaredneuronalsupotencialdeclculoycapacidaddeaprendizaje,yaque
sonestoslosquevaranamedidaqueelsistemaaprende.

Lasredesneuronalesartificiales(RNA)tienenmuchasventajasdebidoaqueestnbasadasenla
estructuradelsistemanervioso,principalmenteelcerebro.

Aprendizaje
:LasRNAtienenlahabilidaddeaprendermediantelaetapadeaprendizaje.
ConsisteenproporcionaralaRNAdatoscomoentradaasuvezqueseleindicaculesla
salidaesperada.
Autoorganizacin
:UnaRNAcreasupropiarepresentacindelainformacinensu
interior.
Toleranciaafallos
:DebidoaqueunaRNAalmacenalainformacindeforma
redundante,stapuedeseguirrespondiendodemaneraaceptableaunsisedaa
parcialmente.
Flexibilidad
:UnaRNApuedemanejarcambiosnoimportantesenlainformacinde
entrada.
Tiemporeal
:LaestructuradeunaRNAesparalela,porlocualsiestoesimplementado
concomputadoras,sepuedenobtenerrespuestasentiemporeal.

Cmoseaplicanalcontroldesistemas?

Lasredesneuronalestienenlacapacidaddeaprender,porloquesiconocemoslaentradadel
sistema,lasalidaobjetivoylasalidarealdelsistemaanteunaentradadada,uncontroladorintegrado
porunaredneuronalseracapazdemodificarsusparmetrosaprendiendoladinmicadelaplanta
hastaconseguirunsistemaconfiable.

Aefectosprcticos,enelestadoestacionario,losresultadosobtenidosporlaredneuronalseranmuy
similaresalafuncindetransferenciadesconocidadelcontrolador.Seconvertiraportantoenun
sistemadecontrolvariableeneltiempoyaquelarediracambiandosuestructuraconelpasodel
tiempoyaprendiendoladinmicadelsistema,loquerecibeelnombredeuncontroladoradaptable.

Loscontroladoresadaptablesseutilizanparadisearsistemasdecontrolparaplantasqueson
desconocidasaprioriyconfigurancontroladoresvariableseneltiempo.

Losprincipiosdecontrolbasadosenredesneuronalessepuedenresumirenestasestructuras:

ControlSupervisado: Laredaprendeunconjuntodeentradasylassalidasdeseadas,y
puededeestaformaidentificarunsistemadinmico.

ControlInversoDirecto: Laredaprendeladinmicainversadeunsistema,demodoque
aplicandolaseal,laredpuedecalcularlaaccindecontrolarealizar.

RetropropagaciondeUtilidad: Permiteoptimizarlafuncindetransferencia.Requieredeun
modelodelsistemaacontrolar,elcualpuedeserotraredneuronal.

CrticoAdaptativo: Aligualqueelesquemaanterior,sirveparaoptimizarunafuncinde
transferencia,perosinnecesidaddeunmodelodeplanta,oporlomenos,sinquesea
necesariounmodelodeterminista.Elcrtico,consistenormalmenteenotrared,esel
encargadodeevaluarelcomportamientodelaredprincipal,paraquedeestaformapueda
adaptarsuspesos.

Qutipoderedes?

ElcontroladorNNPredictivedeSimulinkutilizaunaredneuronalcuyotipodeaprendizajeclasifica
comoaprendizajesupervisadoyutilizaelalgoritmodebackpropagation.

Aprendizajesupervisado
Esunatcnicaparadeducirunafuncinapartirdelosdatosdeentrenamiento.Losdatosde
entrenamientoconsistenennormalmenteunobjetocondoscomponentes:unacomponentedelpar
sonlosdatosdeentradayelotro,losresultadosdeseados.

Estosalgoritmosrequierenelemparejamientodecadavectordeentradaconsucorrespondiente
vectordesalida.Elentrenamientoconsisteenpresentarunvectordeentradaalared,calcularla
salidadelared,compararlaconlasalidadeseada,yelerrorresultanteseutilizapararealimentarla
redycambiarlospesosdeacuerdoconunalgoritmoquetiendeaminimizarelerror.

Algoritmoutilizado:Backpropagation
ElalgoritmoBackpropagationfuncionadelasiguientemanera:

1. Laentradasepropagaporlascapashastagenerarunasalida.
2. Lasealdesalidasecomparaconlasalidadeseadaysecalculaunasealdeerrorpara
cadaunadelassalidas.
3. Lassalidasdeerrorsepropaganhaciaatrs,desdelacapadesalida,haciatodaslas
neuronasdelacapaocultaquecontribuyendirectamentealasalida.
4. Basndoseenlasealdeerrorpercibida,seactualizanlospesosdeconexindecada
neurona,paraquelaredconverjahaciaunestadoquepermitaclasificarcorrectamentetodos
lospatronesdeentrenamiento.

Amedidaqueseentrenalared,lasneuronasdelascapasintermediasseorganizanasmismasde
talmodoquelasdistintasneuronasaprendenareconocerdistintascaractersticasdelaentrada.
Despusdelentrenamiento,cuandoselespresenteunpatrnarbitrariodeentradalasneuronasde
lacapaocultadelaredrespondernconunasalidaactivasilanuevaentradacontieneunpatrnque
seasemejeaaquellacaractersticaquelasneuronasindividualeshayanaprendidoareconocer
durantesuentrenamiento.

EjemplodeaplicacinenSimulink
ParaelejemploseutilizelcontroladorNNpredictivo.Setienelasiguientefuncindetransferencia:

Figura2.Funcindetransferencia

Primerosesimulaelmodelosinredneuronal,paravercuntodeerrorexiste:

Figura3.Modelonormal.

Figura4.Figuramodelonormal.

Paragenerarlosdatosdeentrenamientodelaredneuronalsenecesitodeunmodeloquefuera
adecuadoparareducirelerror,elmodeloqueseconsiguieselsiguiente:

Figura5.ModeloFuncionTransf

ElmodeloutilizandoelcontroladorNNpredictivosemuestraacontinuacin:


Figura6.UsandoNNpredictivecontroller

Paracomenzarallenarlosdatosdelaplantilladelcontroladorcomenzaremosconlossiguientes
datos:

Figura7.Plantadeidentificacin

Setendrn1000datosdeentrenamiento,ylosvaloresdelintervaloestarnentreelrango[1,0.5].Se
agregaelmodeloparagenerarlosdatosyluegosegeneranlosdatos:


Figura8.Datosgenerados

Unavezqueyasetienenlosdatossedebeentrenarlaredneuronalconlosdatos,teniendocomo
resultado:

Figura9.Redneuronalentrenada


Figura10.Validacindelosdatosyentrenamientodelosdatos.

Unavezqueseterminconlaplantadeidentificacin,seterminallenandolosparmetrosdel
controladorysepuedesimular,obteniendolagrficadelareferenciaylasalidadelaplanta.

Figura11.Graficareferenciavs.salidadelaplanta.
Sepuedeobservarquelaredneuronaldisminuyeelerrorrespectoalaprimeragrficadelmodelosin
redneuronal.

Conclusiones
Sepuedeconcluirquelaredesneuronalespuedenseraplicadasparaelcontroldesistemasyaque
vanaprendiendodeacuerdoaloscambios,teniendodatosdeentrenamiento,paraellosedebetener
cuidadoconelmodeloqueseutilizaparagenerarlosylafuncindeentrenamiento.

Referencia

P.Isasi,I.M.Galvn,Redesdeneuronasartificiales:unenfoqueprctico.
PearsonPrenticeHall,2004.

ChristosStergiouandDimitriosSiganosNeuralNetworks.
https://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html#Whatisa
NeuralNetwork

HowardDemuth,MarkBeale,NeuralNetworkToolboxForUsewithMATLAB.

WikipediaNeuralNetwork.
https://en.wikipedia.org/wiki/Artificial_neural_network

http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema3dm.pdf

http://www2.ulpgc.es/hege/almacen/download/38/38584/practica_ia_2.pdf