LOS SISTEMAS ADAPTATIVOS • Varían sus características en el tiempo, ya sea por variaciones en
la entrada u otra perturbación externa.
• Se auto-ajustan para lograr una meta específica.
• Se adaptan automáticamente las condiciones ambientales. • Requieren un proceso de “entrenamiento". • Después de entrenarse para un número de señales o patrones
acotado, pueden comportarse relativamente bien ante nuevos patrones.
CONTROL ADAPTATIVO El control adaptativo consiste en la identificación de parámetros del proceso y el cálculo de un nuevo regulador, todo ello en tiempo real, siguiendo las variaciones de los parámetros y mientras se realiza el control.
CONTROL ADAPTATIVO PROGRAMADO Programar una lista completa de: “si ocurre ____ entonces haz _____” Esto supone que se puede anticipar en el momento del diseño todas las posibles situaciones que se puede encontrar. El sistema no tiene que pensar ni tomar decisiones.
CONTROLADOR ADAPTATIVO CON MODELO DE REFERENCIA Consiste en ofrecerle al robot un buen modelo de referencia para solucionar las situaciones a las que deba enfrentarse Por ejemplo: Seguir las decisiones de un humano modelo.
CONTROLADOR ADAPTATIVO AUTOAJUSTABLE Consiste en diseñar al robot un módulo de estimación de parámetros que le permitan evaluar la situación y tomar decisiones en función de reglas generales, “si la situación es _____, entonces haz ______”
PROBLEMA CON EL CONTROL ADAPTATIVO Muchos problemas de aplicación práctica no puede tener éxito al resolverse mediante el uso de filtros digitales de coeficientes fijos, ya que no tenemos información suficiente para el diseño ante el cambio en los criterios normales de funcionamiento del filtro. Estos Pueden ser resueltos con éxito mediante el uso especial de filtros "Inteligentes" conocidos colectivamente como filtros adaptativos, los cuales permiten modificar la respuesta de éste durante su operación mejorando su rendimiento sin intervención del usuario.
¿Qué es el Filtro de Wiener? - Fue introducido por Norbert Wiener - Es uno de los filtros lineales óptimos más importantes Consiste en: Señal de entrada x(n) Respuesta deseada d(n) Filtro lineal de respuesta impulsional w(n)
Matemático estadounidense, conocido como el fundador
de la cibernética
Norbert Wiener
El filtro w(n) es alimentado por x(n) y produce a su salida y(n) La diferencia entre la señal de salida del filtro y(n) y la señal
deseada d(n), es el error de la estimación e(n)
Entrada
x(n)Salida
y(n)Filtrado de Wiener
w(n)
Deseada
d(n)
Error
e(n)+/-
El objetivo del filtrado de Wiener es determinar la respuesta impulsional w(n) de forma que el error e(n) sea, en un
sentido estadístico, "lo más pequeño posible".
El criterio elegido es la minimización del valor cuadrático medio del error
𝐸 { [𝑒(𝑛)]2 }
De esta forma el error cuadrático medio entre la Salida y la Entrada puede expresarse como:
Producción de una salida lo más similar posible a la referencia deseada Por medio de un planteamiento lineal
𝐸 { [𝑑 𝑛 − 𝑦(𝑛)]2 }
FILTRO DE WIENER Y LOS FILTROS ADAPTATIVOS Para diseñar el Filtro de Wiener se necesita tener un conocimiento previo apropiado de las propiedades estadísticas de la señal de entrada Este conocimiento generalmente no se puede obtener. En su lugar se usan Filtros Adaptativos, que hacen uso de los datos de entrada para aprender los datos estadísticos requeridos
El filtro a(n) es alimentado por x(n) y e(n) y su producto produce su salida y(n) la cual con la diferencia entre la señal de salida del filtro y(n) y la señal deseada d(n), producen el
nuevo error de la estimación e(n)
Entrada
x(n)
Salida
y(n)Filtrado Adaptativo
a(n)
Deseada
d(n)
Error
e(n)+/-
TIPOS DE FILTRO DE WIENER Filtros de Wiener FIR Para este tipo de filtros existe un número finito de posibles coeficientes para el filtro alimentado por la entrada x(n) Filtros de Wiener IIR Para este tipo de filtros existe una infinitud de posibles coeficientes para el filtro alimentado por la entrada x(n). Estos se clasifican en: • Filtros IIR Casuales • Filtros IIR No Casuales
• Neurona artificial • Unidad básica de inferencia • Se puede asociar a la idea de un sensor • Recibe una o varias entradas y da una salida
correspondiente
• Puede realizar tareas de clasificación de forma automática
• Puede usarse como una neurona dentro de una red neuronal
• Tiene la capacidad de aprender patrones • Las entradas son discretas • Es un hiperplano
Ecuación del hiperplano: w1x1+w2x2+θ=0 Si y>1, la clase pertenece a una clase, un lado del hiperplano
Si y<1, la clase pertenece a la otra clase, otro lado del hiperplano
Es un proceso iterativo, que se corre un número finito de veces hasta encontrar el hiperplano determinante que divide las clases. 1. Se inicializan de forma aleatoria los pesos y el umbral de red. 2. Se define el patrón de entrada salida 3. Se calcula la salida
Es un proceso iterativo, que se corre un número finito de veces hasta encontrar el hiperplano determinante que divide las clases. 4. Si y = d(x) la clasificación es correcta; Si y <> d(x) se modifican los parámetros Se vuelve al paso 2, hasta completar los patrones de entrenamiento. Ley de aprendizaje: 5. Se vuelven a ejecutar los pasos anteriores hasta encontrar el criterio esperado
EJEMPLO PERCEPTRON SIMPLE: O LÓGICO
• Robot que detecta y mide radiación gamma • Robot que busca y limpia desechos tóxicos • Robots modulares que trabajan en conjunto • http://www.youtube.com/watch?v=QHIlfyS6TSs
SEPRACIÓN DE RUIDO ADITIVO EN FRECUENCIAS EN UNA SEÑAL EN TIEMPO REAL
ELECTROCARDIOGRAMA FETAL
• Predicción de mercados financieros • Diagnósticos médicos • Red codificadora • Sumar enteros
• Robots son una aplicación perfecta de los sistemas adaptativos
• Se necesitan áreas de inteligencia artificial para
crear buenos sistemas adaptativos • Esta clase de robots son ampliamente usados
para labores difíciles en diferentes áreas
• Es posible crear sistemas robóticos que se adapten dinámicamente al medio
• Con la incorporación de algunas técnicas como
las expuestas, la robótica avanza en el objetivo de simular la capacidad humana de generar conocimiento
[1] Restauración de Imágenes [Fecha de consulta: 28 Octubre 2012]. Disponible en: http://www.cs.ru.nl/~ths/rt2/col/h5/5restoratieENG.html#5.5 [2] El filtro de Wiener http://www.cttc.es/resources/doc/080313-capiv-38065.pdf [3] El filtro Wiener http://www.slideshare.net/sofilu55/filtros-wiener [4] Muñoz Pérez José. Lenguajes y Ciencias de la Computación. Universidad de Málaga. [Fecha de consulta: 30 Octubre 2012]. Disponible en: http://www.lcc.uma.es/~jmortiz/archivos/Tema4.pdf [5] Redes de neuronas. [Fecha de consulta: 30 Octubre 2012]. Disponible en: http://www.redesdeneuronas.com/perceptron-simple.html [6] Figueroa Díaz Roberth & Solís Álvarez Camilo. SlideShare. [Fecha de consulta: 30 Octubre 2012]. Disponible en: http:// www.slideshare.net/rgfigueroa/perceptron-simple-y-regla-aprendizaje [7] Solano Sabatier Yadira. Escuela de Ciencias de la Computación e Informática. Universidad de Costa Rica. “Frank Rosenblatt y los Perceptrones”. Material del curso: Paradigmas Computacionales. [8] Sandini, G., Metta, G., and Vernon, D. 2007. “The iCub Cognitive Humanoid Robot: An Open-System Research Platform for Enactive Cognition”, in in 50 Years of AI, M. Lungarella et al. (Eds.), Festschrift, LNAI 4850, pp. 359–370, 2007, Springer-Verlag, Heidelberg.
