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.
Norbert Wiener
¿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
Deseada
d(n)
+/-
Error
e(n) Entrada
x(n)
Filtrado de Wiener
Salida
w(n)
y(n)
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)
2
𝐸 { [𝑒(𝑛)] } El criterio elegido es la minimización del valor cuadrático medio del error
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".
De esta forma el error cuadrático medio entre la Salida y la Entrada puede expresarse como:
2
𝐸 { [𝑑 𝑛 − 𝑦(𝑛)] } Producción de una salida lo más similar posible a la referencia deseada Por medio de un planteamiento lineal
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
Deseada
d(n) +/-
Error
e(n) Salida Entrada
x(n)
Filtrado Adaptativo
y(n)
a(n)
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)
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
