logica difusa e inteligencia artificial
TRANSCRIPT
![Page 1: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/1.jpg)
REDES NEURONALES Y LOGICA DIFUSA APLICADAS A LOS SISTEMAS DE CONTROL
VISION-2009
Universidad San Martín de Porres
Capitán de Fragata
Enrique Arnáez Braschi
![Page 2: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/2.jpg)
Introducción
La Automatización es parte de la continua revolución industrial.
Sus conceptos datan desde el siglo XVIII. Emplean la tecnología vigente para evolucionar al mismo ritmo que el mundo.
![Page 3: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/3.jpg)
Introducción
El concepto de realimentación o
feedback nos es común, inclusive
en campos sociales o económicos.
Bajo este hecho,
podemos indicar que
la Ingeniería de
Control ha ayudado a
otras áreas.
![Page 4: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/4.jpg)
Introducción
Sin embargo, la realidad es que la Ingeniería de Control se ha nutrido de todas ellas :
Matemáticas, física, electricidad, electrónica, mecánica, hidráulica y química entre otras, y últimamente de la informática e inteligencia artificial.
![Page 5: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/5.jpg)
Introducción
En esta exposición, vamos a apreciar
la interacción entre las Redes
Neuronales y la Lógica Difusa con la
Ingeniería de Control, aplicadas al caso
del Péndulo invertido, para lo cual
haremos un breve repaso de los
conceptos más importantes de cada
uno de estos temas.
![Page 6: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/6.jpg)
Sumario
Control Moderno Lógica Difusa Redes Neuronales
Control Difuso Sistema
Modelo de Control de
Espacio de Estados
Estados
Neuro-Control Neuro-Sistema
Péndulo Invertido
![Page 7: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/7.jpg)
Péndulo invertido
Uno de los problemas clásicos del control moderno.
Robert Hutchings Goddard (1882-1945) fue uno de los pioneros en el campo de los cohetes.
![Page 8: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/8.jpg)
Péndulo invertido
Conceptos para la correcta actitud de vuelo vertical de un cohete.
Von Braun Bombas V-1
![Page 9: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/9.jpg)
Péndulo invertido
![Page 10: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/10.jpg)
Sistemas de Control
Estabilidad y controlabilidad.
El resultado de un sistema con controlador hace que las variables de estado lleven sus valores a cero .
Ese caso no es el real para los sistemas industriales.
Las salidas deben tender a valores diferentes que cero o que sigan un patrón determinado de referencia.
![Page 11: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/11.jpg)
Fuzzy Logic
Lotfi A . Zadeh . Matemático, profesor de la Universidad de Berkeley, famoso por introducir en1965 la teoría de conjuntos difusos o lógica difusa (fuzzy logic).
![Page 12: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/12.jpg)
Fuzzy Logic
En 1965 escribe Fuzzy Sets, un artículo que presenta las nociones de la lógica difusa, (esperaba que las aplicaciones serían en lingüística, psicología, sociología, filosofía y campos afines).
1970, empezó a pensar que podía haber algunas aplicaciones en control. En 1972escribe un artículo "A rationale for Fuzzy Control".
![Page 13: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/13.jpg)
Concepto de Origen
El origen está dado en esta apreciación:
“Por qué siempre tratamos de plantear soluciones matemáticas para los modelos, si más fácil es tratar de explicarlo con palabras, las cuales han sido perfeccionadas en un proceso de millones de años?”
![Page 14: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/14.jpg)
Comparación
Partiendo de la apreciación anterior, y tratando de realizar operaciones con palabras, recurrimos a la Lógica Tradicional o ‘Crisp’.
Esta herramienta plantea la segunda apreciación:
Lógica Tradicional o Crisp
![Page 15: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/15.jpg)
Fuzzy Logic
1. El cuadro de la Izquierda es Azul.
2. El Cuadro de la Derecha no es exactamente del mismo color que el de la Izquierda.
Inferencia: Si el cuadro de la derecha no es del mismo color que el de la izquierda, entonces el cuadro de la derecha no es azul.
≠
![Page 16: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/16.jpg)
Algoritmo del Sistema Difuso
Normalización
Funciones de Fuzzificación Membresía
Procesamiento o F. A. M.
Razonamient
o
Defuzzificació
n
Denormalizac
ión
![Page 17: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/17.jpg)
o Modela Sistemas muy complejos.
o Utiliza la experiencia humana.
![Page 18: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/18.jpg)
Entrada de Datos
Reales
Fuzzificación Operaciones Difusas y Condicionales (IF - THEN)
Defuzzificación
Salida con Datos Reales
![Page 19: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/19.jpg)
Componentes de una Función de Membresía
Variable Lingüística Términos Lingüísticos
![Page 20: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/20.jpg)
Fuzzificación
Valores Difusos
xo = 32 Valor Crisp
![Page 21: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/21.jpg)
Reglas Difusas
La condición de inferencia donde radica el conocimiento
‘IF-THEN’
IF [( x is large ) AND ( y is cold )] THEN ( z is good )
Es importante saber que existen varias reglas para cada sistema. Las reglas son construidas basándose en la experiencia obtenida con autoridad, por ejemplo:
Si estoy rápido y la esquina es próxima entonces la presión sobre el pedal del freno es fuerte.
![Page 22: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/22.jpg)
F.A.M. (Fuzzy Associative Memory)
FAM = Reglas en forma de Matriz
En caso que hayan más de 2 variables a relacionar con las reglas difusas, se deberán armar varias FAM de 2 dimensiones. Nunca matrices de más de2 dimensiones.
![Page 23: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/23.jpg)
F.A.M. (Fuzzy Associative Memory)
Entrada 1: Temperatura Caliente - Media - Fría Entrada 2: Velocidad Rápida - Lenta - Parada Salida: Voltaje Positivo – Zero - Negativo
Temp \ Vel R L P
C Neg Zero Pos
M Zero Zero Pos
F Pos Pos Pos
![Page 24: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/24.jpg)
Defuzzificación
Luego de las Operaciones Difusas y de haber usado las regles difusas, tenemos un valor difuso de salida que lo debemos convertir en un valor Crisp. Ese procedimiento se conoce con el nombre de Defuzzificación.
Fuzzificación Defuzzificación
![Page 25: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/25.jpg)
Defuzzificación
Método Centroide
m * z
m dz z ∫ El método centroide también es llamado centro de área, centro de gravedad o método de Sugeno, es el método más usado y más potente.
![Page 26: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/26.jpg)
Trabajo de un Sistema Difuso
Análisis del Sistema.
Determinar las variables de entrada/salida y sus
escalas. Determinar el universo de discursión de
cada variable. Estructurar las funciones de
membresía. Elaborar la Memoria Asociativa
Difusa. Armar la base de Reglas
Difusas. Operaciones Difusas.
Defuzzificación y desescalamiento.
![Page 27: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/27.jpg)
Fuzzy Logic
![Page 28: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/28.jpg)
Fuzzy Logic
![Page 29: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/29.jpg)
Fuzzificación de 2 valores de entrada
Cond. Iniciales: 1º = 0.0175 rad. y -4º/s = -0.0698 rad/seg.
x1 = Posicion Angular x2 = Velocidad Angular 1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 -0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2
m 0 00 N , 0 94 Z , 0 06 P 0 47 N , 0 53 Z , 0 00 P q m & q
![Page 30: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/30.jpg)
Reglas y Operaciones Difusas
x1 \ x2 P Z N
P GP P Z
Z P Z N
N Z N GN
m 0 00 N , 0 94 Z , 0 06 P 0 47 N ,0 53 Z , 0 00 P q m & q
Se aplica la función mínimo para la intersección de las entradas.
0 00 GP 0 05 P 0 06 Z FAM 0 00 P 0 53 Z 0 47 N 0 00 Z 0 00 N 0 00 GN
![Page 31: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/31.jpg)
Reglas y Operaciones Difusas
x1 \ x2 P Z N
P GP P Z
Z P Z N
N Z N GN
m 0 00 N , 0 94 Z , 0 06 P 0 47 N ,0 53 Z , 0 00 P q m & q
Se aplica la función mínimo para la intersección de las entradas.
0 00 GP 0 05 P 0 06 Z FAM 0 00 P 0 53 Z 0 47 N 0 00 Z 0 00 N 0 00 GN
![Page 32: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/32.jpg)
Reglas y Operaciones Difusas
x1 \ x2 P Z N
P GP P Z
Z P Z N
N Z N GN
m 0 00 N , 0 94 Z , 0 06 P 0 47 N ,0 53 Z , 0 00 P q m & q
Se aplica la función mínimo para la intersección de las entradas.
0 00 GP 0 05 P 0 06 Z FAM 0 00 P 0 53 Z 0 47 N 0 00 Z 0 00 N 0 00 GN
![Page 33: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/33.jpg)
Defuzzificación
u = Voltaje de entrada 1
0.9
0.8
0.7
0.6 m zdz z * ∫
z 0.5
m dz 0.4 z ∫ 0.3
0.2
0.1
0 -20 -15 -10 -5 0 5 10 15 20
![Page 34: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/34.jpg)
Definición de Redes Neuronales
Las Redes Neuronales (NN) son parte de la Inteligencia Artificial (AI) caracterizadas por su capacidad de aprendizaje, su velocidad mediante el procesamiento masivo en paralelo de datos y por la facilidad del modelado de sistemas o controladores altamente no-lineales.
![Page 35: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/35.jpg)
Comparación de Neuronas
Neurona Humana Red Neuronal
![Page 36: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/36.jpg)
Neurona Artificial
n y f xkw b ∑ k k k 1
x1
w1 x2
Inputs x3 Sum f() Output
wn xn bias
Artificial Neuron
![Page 37: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/37.jpg)
n y f xkw b ∑ k k k 1
Función de Activación
Linear Activation Function Hyperbolic Tangent Activation Function 5 1
4 0.8
3 0.6
2 0.4
1 0.2
0 0
-1 -0.2
-2 -0.4
-3 -0.6
-4 -0.8
-5 -1 -5 0 5 -3 -2 -1 0 1 2 3
x x x - x - e
f (x ) x f (x ) tanh( x) e x - x e e
![Page 38: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/38.jpg)
n y f xkw b ∑ k k k 1
Función de Activación
Logistic Activation Function Thresh Activation Function 1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0 -5 0 5 -5 0 5
x x
1 1 x ‡ 0 f ( x ) F ( x ) 1 exp( - b x ) 0 x 0
![Page 39: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/39.jpg)
Perceptrón
El Perceptrón busca la clasificación lineal de los patrones a ser entrenados, es decir procura separarlos por una línea en el plano, un ejemplo claro se tiene en la operación lógica AND:
x1 x2 y A 0 0 0 B 0 1 0 C 1 0 0 D 1 1 1 1 v ‡ 1
y ( t ) F ( v ) 0 v 1
![Page 40: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/40.jpg)
Perceptrón: Ejemplo
Tenemos los siguientes Inicializamos el perceptrón patrones y sus respectivos con los siguientes valores:
objetivos:
x1 -0.1 x1 x2 yd
y
0.0 -0.4 0 0.8 x2 -0.5
-0.3 -0.2 0
0.5 1.3 1
1.0 -1.3 1… y lo entrenamos.
![Page 41: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/41.jpg)
Perceptrón: Ejemplo
x1 x2 yd
0.0 -0.4 0 (*)
-0.3 -0.2 0 (*)
0.5 1.3 1 (+)
1.0 -1.3 1 (+)
![Page 42: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/42.jpg)
Perceptrón: Ejemplo
x1 x2 yd
0.0 -0.4 0 (*)
-0.3 -0.2 0 (*)
0.5 1.3 1 (+)
1.0 -1.3 1 (+)
![Page 43: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/43.jpg)
Perceptrón: Ejemplo
Luego del Entrenamiento
x1 -0.1
y
0.8 x2 -0.5
![Page 44: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/44.jpg)
Perceptrón
Todo funcionó bien hasta que alguien probó la simple operación X-OR:
x1 x2 y A 0 0 0 B 0 1 1 C 1 0 1 1 v ‡ 1
y ( t ) F ( v ) D 1 1 0 0 v 1
![Page 45: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/45.jpg)
Redes Neuronales Descartadas
![Page 46: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/46.jpg)
Separabilidad Lineal
Funciones Porcentaje de # de bits Cantidad de Linealmente Trabajo del
Funciones Separables Perceptrón (%)
2 16 14 87
3 256 104 40
4 65536 1882 3
5 10E+09 94572 0.00002
Un perceptrón es capaz de aprender todo lo que pueda representar.
![Page 47: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/47.jpg)
Aplicación de las Redes
Muchos años después se inventó el MLP, y solucionó el problema, VIENE EL AUGE DE LAS NN:
x1 x2 y A 0 0 0 B 0 1 1 1 v ‡ 1 C 1 0 1 y ( t ) F ( v ) D 1 1 0 0 v 1
![Page 48: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/48.jpg)
T T f W s ( V x ) ( x )
Perceptrón de Múltiple Capa (MLP)
Pesos •Trabaja en paralelo.
•Usan al Algoritmos como el de Back-
propagation para darle el Entradas Salidas en base al Reales Reales
error retro-propagado.
•Utiliza patrones de Entrenamiento.
Neuronas Neuronas •Modela Sistemas No- No-LinealesLineales Lineales.
![Page 49: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/49.jpg)
Perceptrón de Múltiple Capa (MLP)
- - h h x · V
- h s h
y h · W -
y s h · W h
y s x · V · W
![Page 50: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/50.jpg)
Algoritmo de Backpropagation
Se escoge una función J e2 de costo a optimizar, y
2 la elección es el error 2 e yd- y cuadrático (MMC)
¶ J Algoritmo de Backpropagation w ( N 1 ) w ( N ) h ¶ w
![Page 51: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/51.jpg)
Algoritmo de Backpropagation
¶ J w ( N 1 ) w ( N ) h
¶ w 2 ¶ J ¶ J ¶ e ¶ F ¶ y
Aplicando la Regla de la Cadena: 2 ¶ w ¶ e ¶ F ¶ y ¶ w
¶ J ¶ y ¶ ( h · w ) 1 2 h ¶ e ¶ w ¶ w 2 ¶ e ¶ F 2 ( yd - y ) Derivada de la Función de Salida
¶ F ¶ y ¶ J ( 1 ) 2 ( y - y ) ( Derivada ) h d ¶ w
![Page 52: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/52.jpg)
Algoritmo de Backpropagation
• La Ecuación anterior se itera hasta obtener un error aceptable (de 3 a 5%).
• Un error menor no permite una buena ‘generalización’.
• Cuando se obtiene el error deseado se guardan los pesos para aplicarlos en el trabajo deseado.
y s x · V · W
![Page 53: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/53.jpg)
Características Principales
1. Son dispositivos no-
lineales. 2. Pueden
aprender un mapeo. 3.
Son adaptables. 4. Las respuestas están basadas en evidencia. 5. Usan contexto, es decir, a más información, la respuesta es más veloz y mejor.
![Page 54: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/54.jpg)
Características Principales
6. Son tolerantes a fallas, o sea, que la falla es degradada.
7. Su diseño y análisis es uniforme. 8. Tienen analogía neuro-biológica. 9. Su procesamiento es masivamente
paralelo, distribuido y realizado con operaciones individuales simples.
10. Aprenden por sí mismas. 11. Tienen capacidad de generalizar
![Page 55: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/55.jpg)
Aplicaciones más Comunes
• Representación de comportamientos de funciones lineales y no-lineales.
• Identificación de Patrones o Sistemas.
• Sistemas de Control.
• Reconocimiento de Imágenes.
• Reconocimiento de Caracteres.
• Reconstrucción de datos.
![Page 56: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/56.jpg)
Aplicaciones más Comunes
• Predicción y Recomendación para la Toma de Decisiones.
• Simulación de Modelos Económicos y Financieros. • Clasificación de Objetos.
• Administración de Anestesia según el Comportamiento de la Presión Arterial.
• Predicciones Climatológicas.
![Page 57: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/57.jpg)
Aplicaciones más Comunes
![Page 58: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/58.jpg)
Aplicaciones más Comunes
![Page 59: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/59.jpg)
Aplicaciones más Comunes
![Page 60: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/60.jpg)
Aplicaciones más Comunes
![Page 61: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/61.jpg)
Neuro Sistema
![Page 62: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/62.jpg)
Diseño de la Red Neuronal
![Page 63: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/63.jpg)
Estructura de Red Neuronal
![Page 64: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/64.jpg)
Entrenamiento
![Page 65: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/65.jpg)
Diseño de la Red Neuronal del Neuro Controlador
![Page 66: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/66.jpg)
Estructura de Red Neuronal del Controlador
![Page 67: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/67.jpg)
Entrenamiento
![Page 68: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/68.jpg)
Prueba del Sistema Completo
Control de Péndulo Estados Invertido
Neuro-Control Neuro-Sistema
![Page 69: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/69.jpg)
Comentarios Finales
El ingenio permite emplear herramientas actuales en teorías antiguas.
El Control Moderno se debe complementar con los avances tecnológicos para optimizar su comportamiento.
La Lógica Difusa facilita el diseño de controladores no-lineales evitando el modelamiento matemático.
Las Redes Neuronales otorgan la capacidad de adaptación mediante su propio aprendizaje.
![Page 70: Logica Difusa e Inteligencia Artificial](https://reader036.vdocuments.net/reader036/viewer/2022081719/557b74aed8b42a9e768b56c2/html5/thumbnails/70.jpg)
Comentarios Finales
Es factible emplear una Red Neuronal para que aprenda el comportamiento del Controlador Difuso y potencie el sistema con el razonamiento y la adaptatibilidad.
Los retos de ingeniería deben ser considerados como un estímulo para el ingeniero peruano en vez de verlos como un obstáculo.