Ia353 Redes Neurais Professores: Leandro N. de Castro



Baixar 197.99 Kb.
Página1/2
Encontro29.11.2017
Tamanho197.99 Kb.
  1   2






IA353 – Redes Neurais

Professores: Leandro N. de Castro

Fernando J. Von Zuben


Revisão Bibliográfica : Identificação e Controle de Sistemas Dinâmicos usando Redes Neurais

Aluna:

Carolina Janet Pastor Humpiri RA: 019650


Campinas, Abril – 2003


  1. Introdução

As teorias de identificação e controle de sistemas dinâmicos, como áreas de pesquisa multidisciplinar, têm experimentado avanços significativos nas últimas décadas, dando ênfase tanto a aspectos conceituais quanto técnicos. A parte mais desenvolvida destas teorias diz respeito ao tópico de sistemas lineares, sendo que importantes conceitos ou resultados teóricos foram obtidos, em áreas como sistemas multivariáveis, análise de estabilidade, controle ótimo, controle robusto e controle adaptativo. Ferramentas muito eficientes de álgebra linear e as equações diferenciais lineares ordinárias podem ser empregadas na análise de sistemas dinâmicos (planta ou processo), desde que o sistema possa ser adequadamente descrito por uma aproximação linear.


Porém, a aplicação dessas técnicas muitas vezes é limitada devido às condições de não linearidade do sistema em questão ou do ambiente no qual ele está imerso. Para esses casos abordagens lineares podem não satisfazer de maneira completa os requisitos do sistema.

Uma solução possível seria o projeto (ou análise) de sistemas não lineares de identificação e controle. Entretanto os métodos de projeto de sistemas não lineares são muito específicos e, em alguns casos, inerentes ao processo em questão.


Na tentativa de propor soluções para tais problemas, diferentes arquiteturas de redes

neurais foram adotadas durante estes últimos anos. O objetivo era modelar o sistema em questão de maneira mais transparente e permitir um maior domínio sobre a flexibilidade das estruturas resultantes.


Por que usar Redes Neurais?
As redes neurais artificiais possuem diversas propriedades que as fazem particularmente atrativas para aplicações a modelo e controle de sistemas não-linear. Entre estas propriedades são sua habilidade universal da aproximação, sua estrutura paralela da rede e a disponibilidade de métodos de aprendizagem on e off-line para interconexão dos pesos.
Autores: Johan A. K. Suykens, Joos P. L. Vandewalle, Bart L. R. De Moor

Titulo: Artificial Neural Networks for Modelling and Control of Non-Linear Systems.

Tipo de Publicação: Livro

Nro. Páginas: 235 Mês/Ano: Maio/1996

ISBN: 0792396782

Fonte: Kluwer Academic Publishers

Palavras-Chave: Neural Network, nonlinear system control

Informações Adicionais: O livro apresenta arquiteturas classicas e novidades de rede e algoritmos de aprendizagem para modelar e controlar. Os tópicos incluem a identificação non-linear do sistema, o controle optimo neural, o projeto neural baseado modelo top-down do controle e a análise da estabilidade de sistemas de controle neural. Uma contribuição principal deste livro deve introduzir a teoria de NLq como uma extensão da teoria de controle moderna.
Autores: Haykin, Jose C. Principe, James T. Lowe, Shigeru Katagiri

Titulo: Nonlinear Dynamical Systems: Feedforward Neural Network Perspectives

Tipo de Publicação: Livro

Num. Páginas: 312 Data de publicação: 02/01/2001

Fonte: Wiley, John and Sons, Incorporated

ISBN: 0471349119

Palavras-Chave:

Informações Adicionais: Este livro trata de uma parte especializada das redes neurais que têm aplicações no controle, em processamento de sinal e na análise de série de tempo.
Autores: A. K. Ku Leuven

Titulo: Artificial Neural Networks for Modeling and Control of Non-Linear Systems

Tipo de Publicação: Livro

Nro. Páginas: 248 Data publicação: 01/01/1996

Fonte: Kluwer Academic Publishers

ISBN: 0792396782
Autores: G. P. Liu

Titulo: Nonlinear Identification and Control: A Neural Network Approach (Advances in Industrial Control)

Tipo de Publicação: Livro

Nro. Páginas: 256 Mês/Ano: Septembro 2001

Fonte: Springer Verlag

ISBN: 1852333421

Palavras-Chave: Nonlinear System, Neural Network.
Autores: Ng, Gee Wah

Titulo: Application of Neural Networks to Adaptive Control of Nonlinear Systems

Tipo de Publicação: Livro

Nro. Páginas: 224 Ano: 1997

Fonte: Research Studies Press Ltd

ISBN: 0863802141

Palavras-Chave: Neural Network, Nonlinear System control.

Informações Adicionais: Este livro investiga a habilidade de uma rede neural (NN) para aprender como controlar (não-linear, no geral) um sistema desconhecido, usando os dados adquiridos on-line,isto é durante o processo de tentar exercer o controle. Dois algoritmos são desenvolvidos para treinar a rede neural para aplicações real-time do controle. O primeiro algoritmo é conhecido como aprendizado por Recursive Least Squares (LRLS) e o segundo algoritmo Integrated Gradient and Least Squares (IGLS).
Autores: F.Von Zuben

Titulo: Redes Neurais Aplicadas ao Controle de Máquina de Indução

Tipo de Publicação: Dissertação do Mestrado

Pág/Mês/Ano: 244 páginas, Outubro 1993.

Fonte:Departamento de Engenharia de Computação e Automação Industrial (DCA)
Faculdade de Engenharia Elétrica e de Computação (FEEC)
Universidade Estadual de Campinas (Unicamp), SP, Brasil


Autores: Barto A. R.

Titulo: Connectionist learning for control: Na overview.

Tipo de Publicação: Artigo

Mês/Ano: Setembro 1989.

Fonte: NCOINS Technical Report.


  1. Treinamento

A Identificação de sistemas dinâmicos pode realizar de duas maneiras, com o treinamento off-line (fora de línea) ou com treinamento on-line (em línea). Muitas investigações tem-se efetuada sobre a identificação de sistemas off-line onde se usa um arquivo gerado com a historia das entradas e saídas do sistema para treinar a rede, Embora para propósitos de controle adaptativo de processos não lineares, se requerem algoritmos de treinamento on-line para prover una notável melhoria na exatitude do sistema modelado e ajustar os parâmetros da rede de acordo às mudanças que ocorram no processo.




    1. Treinamento On-line

Autores: Roberto C. L. Oliveira, Rosana P. O. Soares

Titulo: Implementação no LABVIEW do esquema de controle não linear IMC em tempo real utilizando Redes Neurais Artificiais.

Tipo de Publicação: Artigo.

Pág.: 32-37 Ano: 2002.

Fonte: XIV Congresso Brasileiro de Automática .

http://www.dsee.fee.unicamp.br/local/cba2002/trabalhos/374.pdf

Palavras-Chave: Model based control, Neural Network Models; Non linear Systems; Laboratory Education.

Informações Adicionais: Neste trabalho, o esquema de controle por modelo interno que utiliza Redes Neurais Artificiais, tanto para implementar o modelo do processo a ser controlado como para implementar o controlador, foi utilizado para controlar uma planta teste em tempo real, com modelo de segunda ordem e não linearidade tipo zona morta. Foram utilizadas Redes Neurais Diretas Multicamadas treinadas no ambiente MatLab /Simulink através do algoritmo de retropropagação do erro. A implementação do sistema de controle em tempo real foi realizada através do software LabView.
Autores: Ivan Gabrijel, Andrej Dobnikar

Titulo: On-line identification and reconstruction of finite automata with generalized recurrent neural networks



Tipo de Publicação: Artigo

Vol.: 16 Nro.: 1 Pág.: 101-120 Mês/Ano: Janeiro/2003

Fonte: Elsevier Science Ltd

doi:10.1016/S0893-6080(02)00221-6 

Palavras-Chave: Recurrent neural networks; System identification; Finite automata; Supervised learning; On-line learning; On-line rule extraction

Informações Adicionais: Neste artigo o autômatos finitos são tratados como sistemas dinâmicos discretos gerais do viewpoint da teoria dos sistemas.
Autores:Liu, Guoping P; Kadirkamanathan, Visakan; Billings, Steve A

Titulo: On-line identification of nonlinear systems using Volterra polynomial basis function neural networks

Tipo de Publicação: Artigo

Vol: 11 Nro: 9 Pág: 1645-1657 Mês/Ano: Dec 1998.

Fonte: Neural Networks

Palavras-Chave: Nonlinear control systems; Identification (control systems); Polynomials; Learning algorithms; Learning systems; Least squares approximations; Convergence of numerical methods; Error analysis; Lyapunov methods; Computer simulation

Informações Adicionais: Um esquema on-line da identificação usando a redes neurais polinomial da função da base de Volterra (VPBF) é considerado para sistemas de controle não-lineares. Isto compreende um procedimento de seleção da estrutura e um algoritmo de aprendizagem do peso recursivo. O algoritmo Least-Squares ortogonal é introduzido para a seleção off-line da estrutura e a técnica crescente da rede é usada para a seleção em linha da estrutura.



  1. Identificação e controle




    1. Identificação de sistemas dinâmicos.


Definição. Identificação compreende a obtenção de modelos matemáticos (estruturas e parâmetros) do comportamento de sistemas dinâmicos. Envolve o uso de técnicas de modelagem física (leis de Newton, Kirkhoff, Maxwell) e experimental como por exemplo, mínimos quadrados, variância mínima, variável instrumental, entre outras.
A identificação de plantas ou sistemas desconhecidos, é um tópico extensamente estudado na teoria de controle clássico. Diversos métodos e algoritmos para a identificação de sistemas tem sido estudados desde 1960 e muitos procedimentos há sido propostos e muitos usados na identificação de sistemas lineares, Embora sua aplicabilidade para a identificação de sistemas não lineares és muito limitada. Por esta razão e por as vantagens que apresenta as redes neurais para a representação de modelos não lineares, há motivado a muitos investigadores a realizar estudos sobre identificação de sistemas dinâmicos por através de redes neurais.


      1. Modelos de Redes Neurais utilizadas em Identificação e Controle

Um dos principais pontos que deve ser abordado no projeto da rede neural é o modelo de rede a ser utilizado. Diversos modelos de redes neurais artificiais podem ser aplicados em problemas de identificação e controle de sistemas dinâmicos.


Autores:Charaf, Hassan; Vajk, Istvan

Titulo: New structure for nonlinear system identification using neural networks

Tipo de Publicação: Artigo

Vol: 42 Nro: 2 Pág: 175-192

Fonte: Periodica Polytechnica, Electrical Engineering

Palavras-Chave: Identification (control systems); Control nonlinearities; Control system analysis; Neural networks; Computer simulation; Mathematical models; Error analysis; Mathematical operators; Approximation theory

Informações Adicionais: Este trabalho demonstra a diferença entre o deslocamento e o modelo do delta e verifica a eficácia da estrutura da transformação do delta.
Autores: Michael C. Nechyba and Yangsheng Xu

Titulo: Neural Network Approach to Control System Identification with Variable Activation Functions.

Tipo de Publicação: Artigo.

Ano: 1994.

Fonte: The Robotics Institute Carnegie Mellon University

http://www.mil.ufl.edu/~nechyba/cv/papers/isic1994.pdf

Palavras-Chave:

Informações Adicionais: Neste Artigo, examina-se o potencial de uma arquitetura de aprendizagem eficiente da rede neural aos problemas da identificação e do controle do sistema. A arquitetura de aprendizagem da cascata permite que as unidades diferentes tenham funções diferentes da ativação, tendo por resultado mais rapidamente a aprendizagem.
Autores: S. Chen, S. Billings, and P. Grant.

Titulo: Non-linear system identification using neural networks.

Tipo de Publicação: Artigo

Vol: 51 Nro.: 06 Pág.: 1191—1214 Ano: 1990

Fonte: International Journal of Control.

Palavras-Chave: Non-linear system identification, neural networks.
Autores: T. Yamada, T. Yabuta

Titulo: Dynamic system identification using neural networks.

Tipo de Publicação: Artigo.

Vol: 23 Pág.: 204-211 Mês/Ano: Jan./Feb. 1993.

Fonte: IEEE Transactions on Systems Man, And Cybernetics
Autores: O. Ravn, N. K. Poulsen, Peter M. Norgaard, Lars K. Hansen

Titulo: Neural Networks for Modelling and Control of Dynamic Systems

Tipo de Publicação: Livro

Numero páginas: 246 Mês/Ano: Março/2000.

Fonte: Springer Verlag;

http://www.amazon.com/exec/obidos/tg/detail/-/1852332271/102-4862660-5085743?vi=glance

Palavras-Chave: Neural Networks, Dynamic Systems.

Informações Adicionais:

ISBN: 1852332271
Autores: Cornelius T. Leondes

Titulo: Neural Network Systems Techniques and Applications: Control and Dynamic Systems

Tipo de Publicação: Livro

Num. Páginas : 438 Data da publicação: 12/01/1997

Fonte: Morgan Kaufmann Publishers

ISBN: 0124438679

Palavras-Chave: Neural Network, Dynamic system.

Informações Adicionais: O livro enfatiza estruturas da rede neural para conseguir sistemas práticos e eficazes e fornece muitos exemplos. O controle e os sistemas dinâmicos cobrem os tópicos importantes da arquitetura baseada do sistema da rede neural da ativação função ortogonal altamente eficaz, redes neural Recurrentes MLP para sintetizar e implementar um controle linear on-line, controle adaptável de sistemas dinâmicos não-lineares desconhecidos.
Autores: Chen, Tianping

Titulo: Unified approach for neural network-like approximation of non-linear functionals

Tipo de Publicação: Artigo

Vol: 11 Nro: 6 Pág: 981-983 Mês/Ano: Aug 1998

Fonte: Neural Networks

Palavras-Chave: Approximation theory; Theorem proving; Set theory; Nonlinear control systems; Identification (control systems)

Informações Adicionais: Neste artigo, se da uma aproximação universal a aproximação functionais não linear chamados mapas de input-output para arquiteruras parecidas a rede neural.
Autores: Johansen, Tor A; Foss, Bjarne A

Titulo: Semi-empirical modeling of non-linear dynamic systems through identification of operating regimes and local models.

Tipo de Publicação: Artigo

Pág: 105-126 Ano: 1995.

Fonte: Neural network engineering in dynamic control systems (A97-10989 01-63), Berlin, Springer-Verlag

Palavras-Chave: *DYNAMICAL SYSTEMS; *NONLINEAR CONTROL; *SEMIEMPIRICAL EQUATIONS; *SYSTEM IDENTIFICATION; MATHEMATICAL MODELS; STATE VECTORS; NEURAL NETS


        1. Modelos em Backpropagation.


Autores: Pedro J. Zufiria

Titulo: Aprendizaje em redes neuronales para identificación y control de sistemas dinámicos não lineares.

Tipo de Publicação: XIV CEDYA/IV Congresso de Matemática Aplicada, 18-22 Septiembre 1995

Número de páginas: 10.

Fonte: ftp://ftp-ma1.upc.es/pub/cedya/comunicaciones/zufiria.ps

Palavras-Chave:

Informações Adicionais: Trabalho que modela o aprendizagem em redes neurais artificiais para a identificação e controle de sistemas dinâmicos não lineares mediante a Rede backpropagation dinâmico.
Autores: Paucar Casas, Vicente Leonardo; J.Rider, Marcos; França, Andre Luiz Morelato; Borda de Vuono, Evandro

Titulo: Identificação de sistemas dinâmicos não lineares usando back-propagation com teacher forcing.

Tipo de Publicação: Artigo

Vol.: 1, Pág.: 385-390 Ano: 2001.

Fonte: V Congresso Brasileiro de Redes Neurais. Rio de Janeiro, RJ, BRASIL.

Palavras-Chave: Sistemas dinâmicos não lineares, Redes Neurais.
Autores: Bruno G. Faria, Ronaldo T. Duarte, Josué Jr. G. Ramos, Ely C. Paiva.

Titulo: Estudo Prospectivo sobre a Utilização de Redes Neurais na identificação do Modelo dinâmico de um dirigível Robótico.

Tipo de Publicação: Artigo

Mês/Ano: 6/2002

Fonte: XIV Congresso Brasileiro de Automática

http://www.dsee.fee.unicamp.br/local/cba2002/data/trabalhos/587.pdf

Palavras-Chave: System identification; Neural Networks; Dynamic modelling; Aircraft control; Autonomous vehicles; Flight control.

Informações Adicionais: Esse artigo trata mais especificamente da definição da metodologia e do ensaio de identificação a partir de dados fornecidos pelo próprio modelo matemático analítico utilizando-se redes neurais perceptron multi-camadas (MLPS) com entradas atrasadas no tempo.
Autores: T L Seng; M Khalid; R Yusof 

Titulo: Adaptive General Regression Neural Network for Modelling of Dynamic Plants.

Tipo de Publicação: Artigo

Vol: 213 Pág.: 275 – 287 Ano: 1999

Fonte: Proceedings of the I MECH E Part I Journal of Systems & Control Engineering

DOI: 10.1243/0959651991540142

Palavras-Chave: general regression neural network (GRNN); modelling; dynamic process; adaptation; system identification

Informações Adicionais: Este Artigo propõe um esquema geral integrado da adaptação da rede neural da regressão (GRNN) para modelar uma planta dinâmica. Neste trabalho, a análise dos efeitos de alguns dos parâmetros da adaptação que envolvem uma planta non-linear é investigada também.
Autores: Q. M. Zhu

Titulo: A back propagation algorithm to estimate the parameters of non-linear dynamic rational models

Tipo de Publicação: Artigo

Vol: 27 Nro.: 3 Pág.: 169-187 Mês/Ano: Março/2003

Fonte: Elsevier Science Inc

Palavras-Chave: Non-linear rational models; Model structure detection; Parameter estimation; Back propagation computation.

Informações Adicionais: Neste estudo um parâmetro de estimação do algoritmo do erro back-propagation(BP) é derivado para uma classe de modelos racionais dinâmicos non-linear.
Autores: Tsypkin, Yakov Z; Mason, Julian D; Avedyan, Edouard D; Warwick, Kevin; Levin, Ilya K

Titulo: Neural networks for identification of nonlinear systems under random piecewise polynomial disturbances

Tipo de Publicação: Artigo

Vol.: 10, Nro.:. 2, Pág.: 303-312 Mês/Ano: Março 1999.

Fonte: IEEE Transactions on Neural Networks [IEEE TRANS NEURAL NETWORKS].

Palavras-Chave: Nonlinear control systems; Identification (control systems); Polynomials; Piecewise linear techniques; Mathematical models; Random processes.

Informações Adicionais: O problema da identificação de um sistema dinâmico não-linear é considerado. Uma rede neural de duas-camada é usada para a solução do problema.
Autores:Gupta, Pramod; Sinha, Naresh K

Titulo: Improved approach for nonlinear system identification using neural networks

Tipo de Publicação: Artigo

Vol.: 336 Nro. 4 Pág.: 721-734 Ano:1999.

Fonte: J FRANKLIN INST

Palavras-Chave: Neural networks; Identification (control systems); Backpropagation; Learning algorithms; Convergence of numerical methods; Computer simulation; Mathematical models; Control nonlinearities

Informações Adicionais:

Neste trabalho, apresenta-se uma melhoria ao algoritmo do Back-propagation baseado no uso de um parâmetro de aprendizagem independente, da taxa adaptativa para cada peso com função não-linear adaptável.


Autores:Patra, Jagdish C; Pal, Ranendra N; Chatterji, BN; Panda, Ganapati

Titulo: Identification of nonlinear dynamic systems using functional link artificial neural networks

Tipo de Publicação: Artigo

Vol.: 29 Nro.: 2 Pág.: 254-262 Mês/Ano: Abril 1999.

Fonte: IEEE Transactions on Systems, Man, and Cybernetics. Part B: Cybernetics

Palavras-Chave:Feedforward neural networks; Backpropagation; Algorithms; Data structures; Control nonlinearities; Computational complexity; Identification (control systems); Multilayer neural networks

Informações Adicionais: Neste artigo, apresenta-se a uma substituição a estrutura de ANN chamada ligação funcional ANN (FLANN) para a identificação dinâmica não-linear do sistema usando o algoritmo popular Back-propagation. No contraste a feed-forward de ANN, isto é, um perceptron Multicamada (MLP), o FLANN é basicamente uma única estrutura da camada em que a não-liniaridade é introduzido realçando o teste padrão da entrada com expansão funcional não-linear.


        1. Modelos em Redes Neurais com Funções de Ativação de Base Radial.


Autores: Warwick, Kevin; Kambhampati, Chandrasekhar; Mason, Julian; Parks, Patrick

Titulo: Dynamic systems in neural networks

Tipo de Publicação: Artigo

Pág: 27-41Ano: 1995

Fonte: Neural network engineering in dynamic control systems (A97-10989 01-63), Berlin, Springer-Verlag

Palavras-Chave: *DYNAMICAL SYSTEMS; *NEURAL NETS; *DYNAMIC CONTROL; *MACHINE LEARNING; SYSTEM IDENTIFICATION; FUNCTIONS (MATHEMATICS); ALGORITHMS

Informações Adicionais: O uso de redes neural para o controle adaptável de sistemas dinâmicos é considerado. A ênfase é dada à rede neural radial da função da base (RBF) e ao problema da seleção do centro da função da base e do seu efeito nas propriedades da estabilidade de um sistema de controle adaptável closed-loop. Implementa-se para este trabalho uma Rede Neural de tipo RBF.
Autores: Zhang, Youmin; Li, X R

Titulo: Hybrid training of RBF networks with application to nonlinear systems identification

Tipo de Publicação: Artigo

Vol/Num/Pág/Ano: Vol. 1 (A97-28766 07-63).

Fonte: Piscataway, NJ, Institute of Electrical and Electronics Engineers, Piscataway, NJ, Institute of Electrical and Electronics Engineers.

Palavras-Chave: *MACHINE LEARNING; *NONLINEAR SYSTEMS; *SYSTEM IDENTIFICATION; *NEURAL NETS; *FEEDFORWARD CONTROL; WHITE NOISE; RANDOM NOISE; FACTORIZATION

Autores: L. Yan ; N. Sundararajan ; P. Saratchandran

Titulo: Nonlinear System Identification Using Lyapunov Based Fully Tuned Dynamic RBF Networks

Tipo de Publicação: Artigo

Vol: 12 Nro.: 3 Pág: 291 – 303 Ano: 2000

Fonte: Neural Processing Letters

Palavras-Chave: Growing and Pruning (GAP); Lyapunov stability theory; neural network; nonlinear dynamic system; Radial Basis Function (RBF) network; stable identification.

Informações Adicionais: Este Artigo apresenta um esquema estável, em linha (on-line) da identificação para o sistema dinâmico não-linear multivariable. A rede radial gaussian crescente da função da base (GRBF), com todos seus parâmetros que são adaptáveis, é usada para aproximar um sistema não-linear desconhecido.


        1. Modelos em Redes Neurais Recorrentes.


Autores: Xiaoou Li , Wen Yu

Titulo: Dynamic system identification via recurrent multilayer perceptrons

Tipo de Publicação: Artigo

Vol: 147 Nro.: 1-4 Pág.: 45-63 Ano: 2002

Fonte: Elsevier Science Inc.

Palavras-Chave: System identification; Function approximation; Recurrent multilayer perceptrons

Informações Adicionais: Neste artigo, o Perceptron Multicamadas Recurrentes (RMLP) são propostos para identificar sistemas não-lineares. Usando o teorema da aproximação da função para o Perceptrons Multicamada (MLP), conclui-se que RMLP pode aproximar todo o sistema dinâmico em qualquer grau de exatidão. Por meio de a Lyapunov-como a análise, um algoritmo de aprendizagem estável para RMLP é determinado.
Autores: F.Von Zuben e M.L.de Andrade Netto

Titulo: Identificação em Sistemas Dinâmicos não-lineares Utilizando Redes Neurais Recorrentes e Estudo do Comportamento de convergencias do Processo de Treinamento Associado

Tipo de Publicação: Artigo

Fonte: X Congresso Brasileiro de Automatica, (1994).



        1. Modelos em Redes Neurais de Kohonen.


Autores: Guilherme de Alencar Barreto, Aluizio Fausto Ribeiro Araújo

Titulo: Identificação e Controle de Sistemas Dinâmicos usando a Rede Auto-organizavel de Kohonen.

Tipo de Publicação: Artigo

Mês/Ano: 6/2002

Fonte: XIV Congresso Brasileiro de Automação

http://www.dsee.fee.unicamp.br/local/cba2002/data/trabalhos/293.pdf

Palavras-Chave: Identificação sistemas dinâmicos, Redes Neurais.

Informações Adicionais: proposta de uma técnica não supervisionada de modelagem neural, chamada memória associativa temporal via quantização vetorial (MATQV).


        1. Modelos em Redes Elman e de Jordan.


Autores: Pham, DT; Karaboga, D

Titulo: Training Elman and Jordan networks for system identification using genetic algorithms

Tipo de Publicação: Artigo

Vol: 13, Nro. 2, Pág.: 107-117 Mês/Ano: Abril 1999

Fonte: Artificial Intelligence in Engineering

Palavras-Chave: Identification (control systems); Genetic algorithms; Feedforward neural networks; Feedback control; Efficiency; Optimization

Informações Adicionais: Dos redes neurais recurrentes bem-conhecidas são a Rede Elman e a Rede Jordan. Recentemente, modificações tem sido feitas para essa redes para facilitar sua aplicações na identificação de sistemas dinâmicos. Neste trabalho descreve o uso de algoritmos genéticos para treinar as redes Elman e Jordan para a identificação de sistemas dinâmicos.


        1. Modelo em Redes Neurais Dinâmica.


Autores: A. Yazdizadeh and K. Khorasani

Titulo: Adaptive time delay neural network structures for nonlinear system identification

Tipo de Publicação: Artigo

Vol: 47 Nro. 1-4 Pág.: 207-204 Mês/Ano: Agosto 2002.

Fonte: Elsevier Science B.V

doi:10.1016/S0925-2312(01)00589-6

Palavras-Chave: Dynamic neural networks; Nonlinear systems; System identification

Informações Adicionais: Neste artigo, motivado pelo Redes Neurais adaptativo com atraso no tempo (ATDNN), quatro estruturas são desenvolvidas para a identificação de classes diferentes dos sistemas não-lineares expressados na representação na entrada-saida. Os resultados da simulação demonstram que as estruturas propostas de ATDNN são completamente eficazes em identificar uma classe geral de sistemas não-lineares.
Autores: Poznyak, A S; Sanchez, E N

Titulo: Nonlinear system identification and trajectory tracking using dynamic neural networks

Tipo de Publicação: Artigo

Vol/Num/Pág/Ano: Vol. 1 (A97-28766 07-63), 1996, p. 955-960.

Fonte: Institute of Electrical and Electronics Engineers, Conference on Decision and Control, 35th, Kobe, Japan, Dec. 11-13, 1996.

Palavras-Chave: *NONLINEAR SYSTEMS; *SYSTEM IDENTIFICATION; *TRAJECTORY CONTROL; *NEURAL NETS; LIAPUNOV FUNCTIONS; RICCATI EQUATION

Informações Adicionais: Analisa-se a identificação não-linear e a trajetória que seguem usando uma rede neural dinâmica, com a mesma dimensão do espaço do estado que o sistema.


        1. Modelos em Redes Neurais Regressivos


Autores: T L Seng; M Khalid; R Yusof&hairsp.

Titulo: Adaptive General Regression Neural Network for Modelling of Dynamic Plants

Tipo de Publicação: Artigo

Vol: 213 Pág: 275 – 287 Ano: 1999

Fonte: Proceedings of the I MECH E Part I Journal of Systems & Control Engineering

DOI: 10.1243/0959651991540142

Palavras-Chave: general regression neural network (GRNN); modelling; dynamic process; adaptation; system identification

Informações Adicionais: Este Artigo propõe um esquema integrado Rede Neural regressão geral (GRNN) para modelar dinâmico da planta.


        1. Modelos em Redes Neurais Híbridos

          1. Modelos em Redes Neurais e Algoritmos Genéticos.


Autores: Hintz, KJ; Zhang, Z; Duane, D

Titulo: Evolving Neural Networks for Nonlinear Control

Tipo de Publicação: Artigo

Fonte: Performer: George Mason Univ., Fairfax, VA. 30 Sep 1996. 66p. Report: AFOSRTR-96-0518

Palavras-Chave:Neural nets; Algorithms; Control; Optimization; Production; Regulators; Nonlinear systems; Errors; Weight; Tuning; Pattern recognition; Logarithm functions; Amplitude modulation

Informações Adicionais: Uma aproximação para criar as Redes Neural Recurrentes amorfas (ARNN) usando os algoritmos genéticos (GA) chamado 2pGA foi desenvolvida e mostrada para ser eficaz em evoluir redes neural para o controle e a estabilização das plantas lineares e não-lineares.
Autores: Pham, DT; Karaboga, D

Titulo: Training Elman and Jordan networks for system identification using genetic algorithms

Tipo de Publicação: Artigo

Vol: 13, Nro. 2, Pág.: 107-117 Mês/Ano: Abril 1999

Fonte: Artificial Intelligence in Engineering

Palavras-Chave: Identification (control systems); Genetic algorithms; Feedforward neural networks; Feedback control; Efficiency; Optimization

Informações Adicionais: Dos redes neurais recurrentes bem-conhecidas são a Rede Elman e a Rede Jordan. Recentemente, modificações tem sido feitas para essa redes para facilitar sua aplicações na identificação de sistemas dinâmicos. Neste trabalho descreve o uso de algoritmos genéticos para treinar as redes Elman e Jordan para a identificação de sistemas dinâmicos.


          1. Modelos em Redes Neurais e Sistemas Fuzzy


Autores: by Jeffrey T. Spooner, Manfredi Maggiore, Raúl Ordóñez, Kevin M. Passino.

Titulo: Stable Adaptive Control and Estimation for Nonlinear Systems: Neural and Fuzzy Approximator Techniques

Tipo de Publicação: Livro

Nro. Páginas: 550 Data publicação: 15/11/2001.

Fonte: John Wiley & Sons

ISBN: 0471415464

Palavras-Chave: Neural Network, nonlinear system control.

Informações Adicionais: Duas aproximações úteis ao controle de sistemas não-lineares são trazidas juntas para estudantes e praticante na necessidade da informação de fundo. O texto apresenta uma metodologia do controle que possa ser verificada com rigor matemático ao possuir a flexibilidade associada com as aproximações inteligentes do controle. Os exemplos demonstram como a metodologia pode ser aplicada aos sistemas on-line tais como o controle do motor, o controle do avião, a automatização industrial, e outros sistemas não-lineares.
Autores: Oliver Nelles

Titulo: Nonlinear System Identification: From Classical Approaches to Neural Networks and Fuzzy Models

Tipo de Publicação: Livro

Mês/Ano: Dezembro/2000.

Fonte: Springer Verlag

ISBN: 3540673695

Palavras-Chave: Neural Network, System Identification.

Informações Adicionais: O livro cobre as mais comunes e importantes aproximações para a identificação de sistemas estáticas e dinâmicas não linear. A ênfase é posta sobre os métodos modernos baseados em redes neurais e em sistemas fuzzy sem negligenciar as aproximações clássicas.


          1. Modelos em Redes Neurais e Neurocomputacionais



Autores: Clodoaldo Aparecido de Moraes Lima

Titulo: Emprego de Teoria de Agentes no Desenvolvimento de Dispositivos Neurocomputacionais Híbridos e Aplicação ao Controle e Identificação de Sistemas Dinâmicos

Tipo de Publicação: tese.

Numero Páginas: 280 Mês/Ano: Fevereiro/2000.

Fonte: Departamento de Engenharia de Computação e Automação Industrial (DCA)
Faculdade de Engenharia Elétrica e de Computação (FEEC)
Universidade Estadual de Campinas (Unicamp), SP, Brasil

http://www.dca.fee.unicamp.br/~vonzuben/research/moraes_mest.html

Palavras-Chave: redes neurais artificiais, dispositivos neucomputacionais, sistemas multiagentes,identificação e controle de sistemas dinâmicos.

Informações Adicionais: O objetivo deste trabalho foi analisar e sintetizar dispositivos neurocomputacionais híbridos, a serem comparados com estruturas de processamento alternativas e aplicados em identificação e controle de sistemas dinâmicos.



    1. Controle de sistemas dinâmicos.


Definição. Controle é o processo de fazer com que uma dada variável de um sistema dinâmico se comporte de maneira desejada. A linha de controle pode ser subdividida em função do tipo de controlador e do sistema dinâmico em linear ou não-linear, determinístico ou estocástico, adaptativo, robusto, caótico, entre outras.
O controle de sistemas é um assunto que desperta grande interesse dos pesquisadores. Técnicas de controle clássica controladores proporcionais, PD, PID) são baseados em modelos linearizados dos sistemas físicos, o que representa perda de informações, muitas vezes são importantes para o funcionamento da planta com altos níveis de exigência. Atualmente a utilização do denominado controle inteligente tem aberto uma nova perspectiva no tratamento de sistemas nãolineares e no projeto de seus controladores. Muitos trabalhos foram desenvolvidos seguindo esta linha de pesquisa na tentativa de desenvolver um controle mais versátil e robusto.

O Neurocontrole é um dinâmico campo de investigação que nos últimos anos têm atraído uma consideravel atenção na comunidade científica e de engenharia de controle. Em recentes anos, há havido um incremento na aplicação das Redes Neurais na Identificação da dinâmica (modelado), predição e controle de sistemas complexos. As redes neurais se caracterizam por sua habilidade de aprender dos exemplos em lugar de ter que se programar num sentido convencional. Seu uso possibilita que a dinâmica de sistemas complexos seja modelada e um controle exato seja logrado a través do treinamento, sem ter informação a priori sobre os parâmetros do sistema


Autores: Tomas Hrycej

Titulo: Neurocontrol : Towards an Industrial Control Methodology

Tipo de Publicação: Livro

Mês/Ano: Agosto/1997

Fonte: John Wiley & Sons

ISBN: 0471176281

Palavras-Chave: Neurocontrol

Informações Adicionais: Presents a unified framework for neural-network based control techniques. Links neurocontrol with the concepts of classical control theory, describes the steps necessary to implement a working algorithm, and provides information necessary to develop competitive applications of industrial size and complexity. Emphasizes the most critical issues encountered by control system engineers.
Autores: H. Tolle, E. Ersu

Titulo: Neurocontrol: Learning Control Systems Inspired by Neuronal Architectures and Human Problem Solving Strategies

Tipo de Publicação: Livro

Nro. Páginas: 211 Mês/Ano: Abril 1992

Fonte: Springer Verlag

ASIN: 0387550577

Palavras-Chave: Neurocontrol
Autores: Nardênio A. Martins, Maycol de Alencar

Titulo: Projeto de um Controlador Neural Adaptativo para Robôs Manipuladores no espaço de Juntas.

Tipo de Publicação: Artigo

Pág: 43-48

Fonte: XI Congresso Brasileiro de Automática, Natal – RN 2 a 5 setembro de 2002.

http://www.dsee.fee.unicamp.br/local/cba2002/trabalhos/322.pdf

Palavras-Chave: Controle adaptativo, rede neural, robô manipulador, espaço de juntas.

Informações Adicionais: Este artigo apresenta o projeto de um controlador neural adaptativo para robôs manipuladores no espaço de juntas. O desenvolvimento do controlador é baseado numa técnica de modelagem de redes neurais, na qual não há necessidade de avaliação do modelo dinâmico inverso e nem do tempo necessário para o processo de treinamento. Este controlador mostra que, se são usadas redes de função de base radial gaussiana, é assegurada a adaptação uniformemente estável e é realizado o seguimento assintótico da trajetória. Simulações numéricas são fornecidas para mostrar o desempenho do controlador proposto.


      1. Técnicas de neuro-controle baseadas em dinâmica invertida.

Muitas das aplicações de controle utilizando redes neurais, também denominadas Nero-controle, foram projetadas para conduzir à determinação da dinâmica inversa do sistema.




        1. Controle neuro-controle baseadas em aprendizado por mímica.

Aprendizado por mímica é um aspecto essencial de muitos sistemas biológicos. O método a ser considerado aqui para desenvolver um controlador neural envolve a tentativa de copiar um controlador humano.
Autores: Adriana de C. Drummond, Kleyton C. de Oliveira e Adolfo Bauchspiess

Titulo: Estudo do Controle de Pêndulo Inverso sobre Carro utilizando Rede Neural de Base Radial

Tipo de Publicação: Artigo


Compartilhe com seus amigos:
  1   2


©ensaio.org 2017
enviar mensagem

    Página principal