Contribución a la identificación de sistemas dinámicos mediate métodos conexionistas

Abstract

El presente trabajo de tesis doctoral propone una clase de modelos, con estructura de red neuronal con dinámica aditiva evolucionando en tiempo continuo, para la identificación de sistemas dinámicos.<br/><br/>Para la clase de modelos propuesta se efectúa, utilizando herramientas del dominio frecuencial, un estudio de estabilidad absoluta obteniéndose una serie de condiciones suficientes para esta en función de los parámetros del modelo.<br/><br/>Asimismo, se desarrollan dos métodos de adaptación de parámetros para llevar a cabo la identificación en línea:<br/><br/>uno basado en técnicas de gradiente y análisis de sensibilidad, y el otro en técnicas de control óptimo e inmersión invariante.<br/><br/>La generación de los modelos y los algoritmos de adaptación se efectúa automáticamente mediante el uso de técnicas de cálculo simbólico, lo cual permite iterar de forma rápida en el proceso de identificación. Tanto los modelos como los algoritmos de adaptación de parámetros han sido probados frente a plantas dotadas de funciones no lineales estándar y frente a un conjunto de datos reales. Asimismo, se han evaluado sus prestaciones en comparación a la identificación de estos mismos casos mediante modelos neuronales estáticos, que constituyen, actualmente, una técnica tan establecida que permite su uso como marco de referencia.<br/><br/>El trabajo de tesis se ha realizado bajo una óptica unificadora entre la teoría de control y la teoría de redes neuronales. Se ha puesto especial énfasis en tratar con herramientas y visión de la teoría de control las redes neuronales que se usan, desde el punto de vista de control, para identificar un sistema y, desde el punto de vista de la neurociencia, para aprender un determinado comportamiento. En particular, la clase de modelos de identificación se formula de forma compacta usando productos de Kronecker, técnica habitual en teoría de sistemas y el estudio de estabilidad de los modelos.