Identificação e controle de sistemas dinâmicos com redes neurais.

• Ano de defesa: 1998
• Autor(a) principal: Pons, Francisco Carlos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Dynamic systems; Neural networks; Redes neurais; Sistemas dinâmicos
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3139/tde-14102024-104743/

Ao longo deste trabalho ficou clara a grande flexibilidade apresentada por redes neurais estáticas e dinâmicas em reproduzir o mapeamento espaciais e temporais de funções genéricas. Basicamente, a abordagem de identificação de sistemas dinâmicos através de redes neurais aplica-se na presença de uma ou mais condições descritas abaixo: o conhecimento das variáveis de estado internas do sistema não é importante; não se deseja investir tempo no desenvolvimento de modelos heurísticos de sistemas não lineares; as equações fenomelógicas que regem o sistema são desconhecidas ou muito complexas. Em todos os exemplos de simulação dos capítulos 3, 4, 5, a estrutura do processo e as matrizes W(z) de descrição da dinâmica do sistema eram supostas como conhecidas. A estrutura adotada para o modelo neural sempre foi similar ao do sistema físico, e a matriz W(z) idêntica à do processo. Neste caso, a aplicação de redes neurais dinâmicas restringiu-se a apresentação de algoritmos de ajuste dos parâmetros (pesos sinápticos) das redes estáticas propostas. Embora não seja necessário um conhecimento pormenorizado do sistema físico a ser modelado, o conhecimento da estrutura básica das entradas e saídas que regem o sistema, dos tempos mortos e dos atrasos nas variáveis de controle é fundamental para a escolha de topologias de redes neurais adequadas para um modelamento bem sucedido. Esta dificuldade,que também está presente na teoria de identificação de sistemas lineares, pode ser contornada através de conhecimentos adquiridos durante a operação do processo por técnicos especializados e/ou por engenheiros de controle com conhecimento da planta ou de similares. O escopo inicial proposto no Exame de Qualificação envolvia diversas topologia diferentes das apresentadas neste trabalho, relacionadas abaixo: Redes de Elman; Redes Recorrentes em Tempo Real; Redes Dinâmicas em Processos não Estacionários. As redes de Elman constituem-se em ) variantes das redes descritas no Capítulo 4, e estão descritas na referência [12]. As redes recorrentes em tempo real (Real Time Recurrent Networks, RTRN) são introduzidas no Capítulo 13.7 da referência [9]. As redes dinâmicas em processos não estacionários visam fornecer modelos neurais com capacidade de assimilar alterações no comportamento estatístico do processo, e estão descritas no Capítulo 13.8 da referência [9]. Todos modelos propostos neste trabalho utilizam a regra de Widrow como elemento de convergência, que se trata de um processo de primeira ordem. Recentemente foram aplicados processos de segunda ordem (Levemberrg-Marquad, [13], cap.5, páginas 5-33/34, e [14], capítulo 5, páginas 73 e 74), que embora consumam mais recursos computacionais, apresentam a vantagem de convergirem com velocidade superior à de processos de primeira ordempara regiões próximas de pontos de mínimo da função custo. Pelo exposto acima, a aplicação bem sucedida de redes neurais na identificação e controle de sistemas dinâmicos não lineares depende da combimação de conhecimento teórico de redes neurais e de processo. O desafio de combinar este dois elementos torna estas áreas uma mistura de ciência e arte extremamente atraente para pesquisa e desenvolvimento futuros.