Hispanopedia WikiEl control inteligente es una clase de técnicas de control que utilizan diversos enfoques de computación de inteligencia artificial como redes neuronales , probabilidad bayesiana , lógica difusa , aprendizaje automático , aprendizaje por refuerzo , computación evolutiva y algoritmos genéticos . [ 1 ]
Descripción general
El control inteligente se puede dividir en los siguientes subdominios principales:
- Control de redes neuronales
- control de aprendizaje automático
- Aprendizaje por refuerzo
- control bayesiano
- Control difuso
- Control neurodifuso
- Sistemas expertos
- Control genético
Constantemente se crean nuevas técnicas de control a medida que se desarrollan nuevos modelos de comportamiento inteligente y se crean métodos computacionales para respaldarlos.
Controlador de red neuronal
Las redes neuronales se han utilizado para resolver problemas en casi todos los ámbitos de la ciencia y la tecnología. El control de las redes neuronales implica básicamente dos pasos:
- Identificación del sistema
- Control
Se ha demostrado que una red neuronal de alimentación directa con funciones de activación no lineales, continuas y diferenciables posee capacidad de aproximación universal . Las redes recurrentes también se han utilizado para la identificación de sistemas. Dado un conjunto de pares de datos de entrada-salida, la identificación de sistemas busca establecer una correspondencia entre estos pares. Se supone que dicha red captura la dinámica del sistema. En cuanto al control, el aprendizaje profundo por refuerzo ha demostrado su capacidad para controlar sistemas complejos.
controladores bayesianos
La probabilidad bayesiana ha generado una serie de algoritmos de uso común en muchos sistemas de control avanzados, que sirven como estimadores del espacio de estados de algunas variables utilizadas en el controlador.
El filtro de Kalman y el filtro de partículas son dos ejemplos de componentes populares de control bayesiano. El enfoque bayesiano para el diseño de controladores suele requerir un esfuerzo considerable para derivar el modelo del sistema y el modelo de medición, que son las relaciones matemáticas que vinculan las variables de estado con las mediciones de los sensores disponibles en el sistema controlado. En este sentido, está estrechamente relacionado con el enfoque de diseño de control basado en la teoría de sistemas .
Véase también
- Selección de acciones
- efecto de la IA
- Aplicaciones de la inteligencia artificial
- Integración de sistemas de inteligencia artificial
- Aproximación de funciones
- Sistema inteligente híbrido
- Liza
Referencias
- ↑ "Control inteligente" .
- Antsaklis, PJ (1993). Passino, KM (ed.). Introducción al control inteligente y autónomo . Kluwer Academic Publishers. ISBN 0-7923-9267-1Archivado del original el 10 de abril de 2009.
- Liu, J.; Wang, W.; Golnaraghi, F.; Kubica, E. (2010). "Un nuevo marco difuso para el control de sistemas no lineales". Fuzzy Sets and Systems . 161 (21): 2746– 2759. doi : 10.1016/j.fss.2010.04.009 .
Lecturas adicionales
- Jeffrey T. Spooner, Manfredi Maggiore, Raul Ordónez y Kevin M. Passino, Control adaptativo estable y estimación para sistemas no lineales: técnicas de aproximación neuronal y difusa , John Wiley & Sons, Nueva York;
- Farrell, JA, Polycarpou, MM (2006). Control basado en aproximación adaptativa: unificación de enfoques adaptativos neuronales, difusos y tradicionales . Wiley. ISBN 978-0-471-72788-0.
{{cite book}}: CS1 maint: varios nombres: lista de autores ( enlace ) - Schramm, G. (1998). Control de vuelo inteligente: un enfoque de lógica difusa . TU Delft Press. ISBN 90-901192-4-8.
- Teoría de control
- Inteligencia artificial
- Aplicaciones de la inferencia bayesiana