IA353 Redes Neurais

haremboingAI and Robotics

Oct 20, 2013 (3 years and 7 months ago)

99 views









IA353


Redes Neurais

Professores:
Leandro N. de Castro

Fernando J. Von Zuben








Revisão Bibliográfica : Identificação e Controle
de Sistemas Dinâmicos usando Redes Neurais










Aluna:


Carolina Janet Pastor Humpiri RA: 019650









Campinas, Abril


2003


1.

Introdução


As teorias de identificação e controle de sistemas dinâmicos, como áreas de
pesquisa multidisciplinar, têm experimentado avanços significativos nas últimas décadas,
dando ênfase tanto a aspectos conceituais quanto
técnicos. A parte mais desenvolvida
destas teorias diz respeito ao tópico de sistemas lineares, sendo que importantes conceitos
ou resultados teóricos foram obtidos, em áreas como sistemas multivariáveis, análise de
estabilidade, controle ótimo, controle r
obusto e controle adaptativo. Ferramentas muito
eficientes de álgebra linear e as equações diferenciais lineares ordinárias podem ser
empregadas na análise de sistemas dinâmicos (planta ou processo), desde que o sistema
possa ser adequadamente descrito por

uma aproximação linear.


Porém, a aplicação dessas técnicas muitas vezes é limitada devido às condições de
não linearidade do sistema em questão ou do ambiente no qual ele está imerso. Para esses
casos abordagens lineares podem não satisfazer de maneira c
ompleta os requisitos do
sistema.

Uma solução possível seria o projeto (ou análise) de sistemas não lineares de
identificação e controle. Entretanto os métodos de projeto de sistemas não lineares são
muito específicos e, em alguns casos, inerentes ao proc
esso em questão.


Na tentativa de propor soluções para tais problemas, diferentes arquiteturas de redes

neurais foram adotadas durante estes últimos anos. O objetivo era modelar o sistema em
questão de maneira mais transparente e permitir um maior domínio

sobre a flexibilidade
das estruturas resultantes.


Por que usar Redes Neurais?


As redes neurais artificiais possuem diversas propriedades que as fazem particularmente
atrativas para aplicações a modelo e controle de sistemas não
-
linear. Entre estas
prop
riedades são sua habilidade universal da aproximação, sua estrutura paralela da rede e a
disponibilidade de métodos de aprendizagem on e off
-
line para interconexão dos pesos.


Autores:

Johan A. K. Suykens
,
Joos P. L. Vandewall
e
,
Bart L. R. De Moor

Titulo:
Artificial Neural Networks for Modelling and Control of Non
-
Linear Systems.

Tipo d
e Publicação:
Livro

Nro. Páginas:
235

Mês/Ano:

Maio/1996

ISBN:

0792396782

Fonte:
Kluwer Academic Publishers

Palavras
-
Chave:
Neural Network, nonlinear system control

Informações Adicionais:
O livro apresenta arquiteturas classicas e novidades de rede e
alg
oritmos de aprendizagem para modelar e controlar. Os tópicos incluem a identificação
non
-
linear do sistema, o controle optimo neural, o projeto neural baseado modelo top
-
down
do controle e a análise da estabilidade de sistemas de controle neural. Uma contr
ibuição
principal deste livro deve introduzir a teoria de NLq como uma extensão da teoria de
controle moderna.


Autores:

Haykin
,
Jose

C. Principe
,
James T. Lowe
,
Shigeru Katagiri

Titulo:
Nonlinear Dynamical Systems: Feedforward Neural Network Perspectives

Tipo de
Publicação:
Livro

Num. Páginas:
312
Data de publicação:
02/01/2001

Fonte:
Wiley, John and Sons, Incorporated

ISBN:
0471349119

Palavras
-
Chave:

Informações Adicionais:

Este livro trata de uma parte especializada das redes neurais que
têm aplicações no cont
role, em processamento de sinal e na análise de série de tempo
.


Autores:

A. K. Ku Leuven

Titulo:
Artificial Neural Networks for Modeling and Control of Non
-
Linear Systems

Tipo de Publicação:
Li
vro

Nro. Páginas:
248

Data publicação:
01/01/1996

Fonte:
Kluwer Academic Publishers

ISBN:
0792396782


Autores:

G. P. Liu

Titul
o:
Nonlinear Identification and Control: A Neural Network Approach (Advances in
Industrial Control)

Tipo de Publicação:
Livro

Nro. Páginas:
256

Mês/Ano:
Septembro 2001

Fonte:
Springer Verlag

ISBN:

1852333421

Palavras
-
Chave:
Nonlinear System, Neural Network
.


Autores:

Ng, Gee Wah

Titulo:
Application of Neural Networks to Adaptive Control of Nonlinear Systems

Tipo de Publicação:
Livro

Nro. Páginas:
224
Ano:
1997

Fonte:
Research Studies Press Ltd

ISBN:
0863802141

Palavras
-
Chave
: Neural Network, Nonlinear Syste
m control.

Informações Adicionais:

Este livro investiga a habilidade de uma rede neural (NN) para
aprender como controlar (não
-
linear, no geral) um sistema desconhecido, usando os dados
adquiridos on
-
line,isto é durante o processo de tentar exercer o cont
role. Dois algoritmos
são desenvolvidos para treinar a rede neural para aplicações real
-
time do controle. O
primeiro algoritmo é conhecido como aprendizado por Recursive Least Squares (LRLS) e o
segundo algoritmo Integrated Gradient and Least Squares (IGLS
).


Autores:

F.Von Zuben

Titulo:
Redes Neurais Aplicadas ao Controle de Máquina de Indução

Tipo de Publicação:
Dissertação do Mestrado

Pág/Mês/Ano:
244 páginas, Outubro 1993.

Fonte:
Departamento de Engenharia de Computação e Automação Industrial (DCA)

Facu
ldade de Engenharia Elétrica e de Computação (FEEC)

Universidade Estadual de Campinas (Unicamp), SP, Brasil




Autores:

Barto A. R.

Titulo:
Connectionist learning for control: Na overview.

Tipo de Publicação:
Artigo

Mês/Ano:
Setembro 1989.


Fonte:
NCOINS
Technical Report.


2.

Treinamento


A Identificação de sistemas dinâmicos pode realizar de duas maneiras, com o
treinamento off
-
line (fora de línea) ou com treinamento on
-
line (em línea). Muitas
investigações tem
-
se efetuada sobre a identificação de sistemas o
ff
-
line onde se usa um
arquivo gerado com a historia das entradas e saídas do sistema para treinar a rede,
Embora para propósitos de controle adaptativo de processos não lineares, se requerem
algoritmos de treinamento on
-
line para prover una notável melhor
ia na exatitude do
sistema modelado e ajustar os parâmetros da rede de acordo às mudanças que ocorram
no processo.


2.1.

Treinamento On
-
line

Autores: Roberto C. L. Oliveira, Rosana P. O. Soares

Titulo
: Implementação no LABVIEW do esquema de controle não linear

IMC em
tempo real utilizando Redes Neurais Artificiais
.

Tipo de Publicação:
Artigo.

Pág.:
32
-
37
Ano:
2002.

Fonte
: XIV Congresso Brasileiro de Automática

.

http://www.dsee.fee.u
nicamp.br/local/cba2002/trabalhos/374.pdf


Palavras
-
Chave:
Model based control, Neural Network Models; Non linear Systems;
Laboratory Education.

Informações Adicionais:

que utiliza Redes Neurais Ar
tificiais, tanto para implementar o modelo do processo
a ser controlado como para implementar o controlador, foi utilizado para controlar
uma planta teste em tempo real, com modelo de segunda ordem e não linearidade
tipo zona morta. Foram utilizadas Redes
Neurais Diretas Multicamadas treinadas no
ambiente MatLab /Simulink através do algoritmo de retropropagação do erro. A
implementação do sistema de controle em tempo real foi realizada através do
software LabView
.


Autores:

Ivan Gabrijel, Andrej Dobnikar

Ti
tulo:
On
-
line identification and reconstruction of finite automata with generalized
recurrent neural networks


Tipo de Publicação:
Artigo

Vol.:
16

Nro.:
1

Pág.:

101
-
120

Mês/Ano:
Janeiro/2003

Fonte:
Elsevier Science Ltd

doi:10.1016/S0893
-
6080(02)00221
-
6


Palavras
-
Chave:
Recurrent neural networks; System identification; Finite automata;
Supervised learning; On
-
line learning; On
-
line rule extraction

Informações Adicionais:

Neste artig
o o autômatos finitos são tratados como sistemas
dinâmicos discretos gerais do viewpoint da teoria dos sistemas.


Autores:
Liu, Guoping P
;
Kadirkamanathan, Visakan
;
Billings, Steve A

Titulo:

On
-
line identification of nonlinear systems using Volterra polynomial basis
function neural networks

Tipo de Publicação:
A
rtigo

Vol:

11

Nro:

9

Pág:

1645
-
1657

Mês/Ano:

Dec 1998.

Fonte:
Neural Networks

Palavras
-
Chave:

Nonlinear control systems
;
Identification (control systems)
;
Polynomials
;
Learning algorithms
;
Learning systems
;
Least squares
approximations
;
Convergence of numerical met
hods
;
Error analysis
;
Lyapunov
methods
;
Computer simulation

Informações Adicionais:

Um esquema on
-
line da identificação usando a redes
neurais polinomial da função da base de Volterra (VPBF) é considerado para
sistemas de controle não
-
lineares. Isto compreende um procedimento de seleção da
estrutura e um algoritmo

de aprendizagem do peso recursivo. O algoritmo Least
-
Squares ortogonal é introduzido para a seleção off
-
line da estrutura e a técnica
crescente da rede é usada para a seleção em linha da estrutura.



3.

Identificação e controle


3.1.

Identificação de sistemas d
inâmicos.


Definição.
Identificação compreende a obtenção de modelos matemáticos
(estruturas e parâmetros) do comportamento de sistemas dinâmicos. Envolve o uso
de técnicas de modelagem física (leis de Newton, Kirkhoff, Maxwell) e
experimental como por exe
mplo, mínimos quadrados, variância mínima, variável
instrumental, entre outras.


A identificação de plantas ou sistemas desconhecidos, é um tópico extensamente
estudado na teoria de controle clássico. Diversos métodos e algoritmos para a
identificação de s
istemas tem sido estudados desde 1960 e muitos procedimentos há
sido propostos e muitos usados na identificação de sistemas lineares, Embora sua
aplicabilidade para a identificação de sistemas não lineares és muito limitada. Por
esta razão e por as vantage
ns que apresenta as redes neurais para a representação de
modelos não lineares, há motivado a muitos investigadores a realizar estudos sobre
identificação de sistemas dinâmicos por através de redes neurais.


3.1.1.

Modelos de Redes Neurais utilizadas em Identifi
cação e Controle


Um dos principais pontos que deve ser abordado no projeto da rede neural é
o modelo de rede a ser utilizado. Diversos modelos de redes neurais
artificiais podem ser aplicados em problemas de identificação e controle de
sistemas dinâmicos.



Autores:
Charaf, Hassan
;
Vajk, Istvan

Titulo:
New structure for nonlinear system identification using neural
networks

Tipo de Public
ação:
Artigo

Vol:

42

Nro:

2

Pág:

175
-
192

Fonte:
Periodica Polytechnica, Electrical Engineering

Palavras
-
Chave:
Identification (control systems)
;
Control nonlinearities
;
Control system analysis
;
Neural networks
;
Computer simulation
;
Mathematical models
;
Error analysis
;
Mathematical operators
;
Approximation theory

Informações Adicionais:

Este trabalho demonstra a diferença entre o
deslocamento e o

modelo do delta e verifica a eficácia da estrutura da
transformação do delta.


Autores:

Michael C. Nechyba and Yangsheng Xu

Titulo:

Neural Network Approach to Control System Identification with
Variable Activation Functions.

Tipo de Publicação:

Artigo.

An
o:

1994.

Fonte:

The Robotics Institute Carnegie Mellon University

http://www.mil.ufl.edu/~nechyba/cv/papers/isic1994.pdf


Palavras
-
Chave:


Informações Adicionais
:

Neste Artigo, examina
-
se o potencial de uma
arquitetura de aprendizagem eficiente da rede neural aos problemas da
identificação e do controle do sistema. A arquitetura de aprendizagem da
cascata permite que as unidades diferentes tenham funções diferentes da
ativação, tendo po
r resultado mais rapidamente a aprendizagem.


Autores:

S. Chen, S. Billings, and P. Grant.

Titulo:
Non
-
linear system identification using neural networks.

Tipo de Publicação:
Artigo

Vol:
51

Nro.:
06

Pág.:
1191

1214

Ano:
1990

Fonte:
International Journal of

Control.

Palavras
-
Chave:
Non
-
linear system identification, neural networks
.


Autores:

T. Yamada, T. Yabuta

Titulo:
Dynamic system identification using neural networks.

Tipo de Publicação:
Artigo.

Vol:
23

Pág.:
204
-
211

Mês/Ano:
Jan./Feb. 1993.

Fonte:
IEEE
Transactions on Systems Man, And Cybernetics


Autores:

O. Ravn
,
N. K. Poulsen
,
Peter M. Norgaard
,
Lars K. Hansen

Titulo
:

Neural Networks for Modelling and Control of Dynamic Systems

Tipo de Publicação:
Livro

Numero páginas:
246

Mês/Ano
:
Março/2000
.

Fonte:
Springer Verlag;

http://www.amazon.com/exec/obidos/tg/detail/
-
/1852332271/102
-
4862660
-
5085743?vi=glance

Palavras
-
Chave: Neural Netw
orks, Dynamic Systems.

Informações Adicionais:


ISBN:

1852332271


Autores:

Cornelius T. Leondes

Titulo:
Neural Network Systems Techniques and Applications: Control and
Dynamic Systems

Tipo de Pu
blicação:
Livro

Num. Páginas :
438

Data da publicação:
12/01/1997

Fonte:
Morgan Kaufmann Publishers

ISBN:
0124438679

Palavras
-
Chave:
Neural Network, Dynamic system.

Informações Adicionais
:

O livro enfatiza estruturas da rede neural para
conseguir sistemas

práticos e eficazes e fornece muitos exemplos. O
controle e os sistemas dinâmicos cobrem os tópicos importantes da
arquitetura baseada do sistema da rede neural da ativação função ortogonal
altamente eficaz, redes neural Recurrentes MLP para sintetizar e
implementar um controle linear on
-
line, controle adaptável de sistemas
dinâmicos não
-
lineares desconhecidos.



Autores:

Chen, Tianping

Titulo:
Unified approach for neural network
-
like approximat
ion of non
-
linear functionals

Tipo de Publicação:
Artigo

Vol:

11

Nro:

6

Pág:

981
-
983

Mês/Ano:

Aug 1998

Fonte:
Neural Networks

Palavras
-
Chave:

Approximation theory
;
Theorem proving
;
Set theory
;
Nonlinear control systems
;
Identification (control systems
)

Informações Adicionais:
Neste artigo, se da uma aproximação universal a
aproximação functionais não linear chamados mapas de input
-
output para
arquiteruras parecidas a re
de neural.


Autores:

Johansen, Tor A
;
Foss, Bjarne A

Titulo:
Semi
-
empirical modeling of non
-
linear dynamic systems through
identifi
cation of operating regimes and local models.

Tipo de Publicação:
Artigo

Pág:

105
-
126
Ano:
1995.

Fonte:

Neural network engineering in dynamic control systems (A97
-
10989
01
-
63), Berlin, Springer
-
Verlag

Palavras
-
Chave:

*DYNAMICAL SYSTEMS
;
*NONLINEAR CONTROL
;
*SEMIEMPIRICAL
EQUATIONS
;
*SYSTEM IDENTIFICATION
;
MATHEMATICAL MODELS
;
STATE VECTORS
;
NEURAL
NETS


3.1.1.1.

Modelos em Backpropagation.


Autores:

Pedro J. Zufiria

Titulo:

Aprendizaje em redes neuronales para identificación y control de
sistemas dinámicos não lineares.

Tipo de Publicação:
XIV CEDYA/IV Congress
o de Matemática Aplicada,
18
-
22 Septiembre 1995

Número de páginas:
10.

Fonte:
ftp://ftp
-
ma1.upc.es/pub/cedya/comunicaciones/zufiria.ps


Palavras
-
Chave:

Informações Adicionais:

Traba
lho que modela o aprendizagem em redes
neurais artificiais para a identificação e controle de sistemas dinâmicos não
lineares mediante a Rede backpropagation dinâmico.


Autores:

Paucar Casas, Vicente Leonardo; J.Rider, Marcos; França, Andre Luiz
Morelato
; Borda de Vuono, Evandro

Titulo:
Identificação de sistemas dinâmicos não lineares usando back
-
propagation com teacher forcing.

Tipo de Publicação:
Artigo


Vol.:

1,
Pág.:

385
-
390
Ano:

2001.

Fonte:
V Congresso Brasileiro de Redes Neurais. Rio de Janeiro, RJ
, BRASIL.

Palavras
-
Chave:
Sistemas dinâmicos não lineares, Redes Neurais.


Autores:

Bruno G. Faria, Ronaldo T. Duarte, Josué

Jr. G. Ramos, Ely C.
Paiva.

Titulo
:
Estudo Prospectivo sobre a Utilização de Redes Neurais na
identificação do Modelo dinâmico de u
m dirigível Robótico.

Tipo de Publicação:
Artigo

Mês/Ano:
6/2002

Fonte:
XIV Congresso Brasileiro de Automática


http://www.dsee.fee.unicamp.br/local/cba2002/data/trabalhos
/587.pdf


Palavras
-
Chave:
System identification; Neural Networks; Dynamic
modelling; Aircraft control; Autonomous vehicles; Flight control.

Informações Adicionais:

Esse artigo trata mais especificamente da definição
da metodologia e do ensaio de identific
ação a partir de dados fornecidos
pelo próprio modelo matemático analítico utilizando
-
se redes neurais
perceptron multi
-
camadas (MLPS) com entradas atrasadas no tempo.


Autores:

T L Seng; M Khalid; R Yusof 

Titulo:
Adaptive General Regression Neura
l Network for Modelling of
Dynamic Plants.

Tipo de Publicação:
Artigo

Vol:

213
Pág.:

275


287
Ano:

1999

Fonte:
Proceedings of the I MECH

E Part I Journal of Systems & Control
Engineering

DOI:

10.1243/0959651991540142

Palavras
-
Chave:
general regression neural network (GRNN); modelling;
dynamic process; adaptation; system identification

Informações Adicionais:

Este Artigo propõe um esquema
geral integrado da
adaptação da rede neural da regressão (GRNN) para modelar uma planta
dinâmica. Neste trabalho, a análise dos efeitos de alguns dos parâmetros da
adaptação que envolvem uma planta non
-
linear é investigada também.


Autores:

Q. M. Zhu

Titu
lo:
A back propagation algorithm to estimate the parameters of non
-
linear dynamic rational models

Tipo de Publicação:
Artigo

Vol:
27

Nro.:
3

Pág.:
169
-
187
Mês/Ano:

Março/2003

Fonte:
Elsevier Science Inc

Palavras
-
Chave:
Non
-
linear rational models; Model str
ucture detection;
Parameter estimation; Back propagation computation.

Informações Adicionais:

Neste estudo um parâmetro de estimação do algoritmo
do erro back
-
propagation(BP) é derivado para uma classe de modelos racionais
dinâmicos non
-
linear.


Autores:

Tsypkin, Yakov Z
;
Mason, Julian D
;
Avedyan, Edouard D
;
Warwick, Kevin
;
Levin, Ilya K

Titulo:
Neural networks for identification of nonlinear systems under random
piecewise polynomial disturbances

T
ipo de Publicação:
Artigo

Vol.:

10,
Nro.:
. 2,
Pág.:

303
-
312
Mês/Ano:

Março 1999.

Fonte:
IEEE Transactions on Neural Networks [IEEE TRANS NEURAL
NETWORKS].

Palavras
-
Chave
:
Nonlinear co
ntrol systems
;
Identification (control systems)
;
Polynomials
;
Piecewise linear techniques
;
Mathematical models
;
Random
processes
.

Informações Adicionais:

O problem
a da identificação de um sistema
dinâmico não
-
linear é considerado. Uma rede neural de duas
-
camada é
usada para a solução do problema.


Autores:
Gupta, Pramod
;
Sinha, Naresh K

Titulo:
Improved approach for nonlinear system identification using neural
networks

Tipo de Publicação:
Artigo

Vol.:

336
Nro.

4
Pág.:

721
-
734
Ano:
1999.

Fonte:
J FRANKLIN INST

Palavras
-
Chave:

Neural networks
;
Identification (control systems)
;
Backpropagation
;
Learning algorithms
;
Convergence of numerical methods
;
Computer simulation
;
Mathematical models
;
Control nonlinearities

Informações Adicionais:


Neste trabalho
, apresenta
-
se uma melhoria ao algoritmo do Back
-
propagation
baseado no uso de um parâmetro de aprendizagem independente, da taxa
adaptativa para cada peso com função não
-
linear adaptável.


Autores:
Patra, Jagdish C
;
Pal, Ranendra N
;
Chatterji, BN
;
Panda, Ganapa
ti

Titulo:
Identification of nonlinear dynamic systems using functional link
artificial neural networks

Tipo de Publicação
: Artigo

Vol.:

29

Nro.:

2

Pág.:

254
-
262

Mês/Ano:

Abril 1999.

Fonte:

IEEE Transactions on Systems, Man, and Cybernetics. Part B:
Cyber
netics

Palavras
-
Chave
:
Feedforward neural networks
;
Backpropagation
;
Algorithms
;
Data structures
;
Control nonlinearities
;
Computational
complexity
;
Identification (control systems)
;
Multilayer neural networks

Informações Adicionais
:

Neste artigo, apresenta
-
se a uma substituição a
estrutura de ANN chamada ligação funcional ANN (FLANN) para a
identificação dinâmica não
-
linear do sistema usando o algoritmo popular
Back
-
propagation. No contraste a feed
-
forward de
ANN, isto é, um
perceptron Multicamada (MLP), o FLANN é basicamente uma única
estrutura da camada em que a não
-
liniaridade é introduzido realçando o teste
padrão da entrada com expansão funcional não
-
linear.


3.1.1.2.

Modelos em Redes Neurais com Funções de Ativaçã
o de Base Radial.


Autores:

Warwick, Kevin
;
Kambhampati, Chandrasekhar
;
Mason, Julian
;
Parks, Patrick

Titulo:
Dynamic systems in neural networks

Tipo de Publicação:
Artigo

Pág:

27
-
41
Ano:
1995

Fonte:

Neural network engineering in dynamic control systems
(A97
-
10989
01
-
63), Berlin, Springer
-
Verlag

Palavras
-
Chave:

*DYNAMICAL SYSTEMS
;
*NEURAL NETS
;
*DYNAMIC CONTROL
;
*MACHINE
LEARNING
;
SYSTEM IDENTIFICATION
;
FUNCTIONS (MATHEMATICS)
;
ALGORITHMS

Informações Adicionais:

O uso de redes neural para o controle adaptável de
sistemas dinâmicos é considerado. A ênfase é dada
à rede neural radial da
função da base (RBF) e ao problema da seleção do centro da função da base
e do seu efeito nas propriedades da estabilidade de um sistema de controle
adaptável closed
-
loop. Implementa
-
se para este trabalho uma Rede Neural
de tipo RBF
.


Autores:

Zhang, Youmin
;
Li, X R

Titulo:
Hybrid training of RBF networks with application to nonlinear
systems identification

Tipo de Publ
icação:
Artigo

Vol/Num/Pág/Ano:
Vol. 1 (A97
-
28766 07
-
63).

Fonte:

Piscataway, NJ, Institute of Electrical and Electronics Engineers,
Piscataway, NJ, Institute of Electrical and Electronics Engineers.

Palavras
-
Chave:

*MACHINE LEARNING
;
*NONLINEAR SYSTEMS
;
*SYSTEM IDENTIFICATION
;
*NEURAL NETS
;
*FEEDFORWARD CONTROL
;
WHITE NOISE
;
RANDOM NOISE
;
FACTORIZATION



Autores:

L. Yan ; N. Sundararajan ; P. Saratchandran

Titulo:
Nonlinear System Identification Using Lyapunov Based Fully Tuned
Dynamic RBF Networks

Tipo de
Publicação:
Artigo

Vo
l:

12
Nro.:

3
Pág:

291


303
Ano:

2000

Fonte:

Neural Processing Letters

Palavras
-
Chave:
Growing and Pruning (GAP); Lyapun
ov stability theory;
neural network; nonlinear dynamic system; Radial Basis Function (RBF)
network; stable identification.

Informações Adicionais:

Este Artigo apresenta um esquema estável, em linha
(on
-
line) da identificação para o sistema dinâmico não
-
lin
ear multivariable.
A rede radial gaussian crescente da função da base (GRBF), com todos seus
parâmetros que são adaptáveis, é usada para aproximar um sistema não
-
linear desconhecido.


3.1.1.3.

Modelos em Redes Neurais Recorrentes.


Autores:

Xiaoou Li , Wen Yu

Titu
lo:
Dynamic system identification via recurrent multilayer perceptrons

Tipo de Publicação:
Artigo

Vol:
147

Nro.:
1
-
4
Pág.:

45
-
63
Ano:

2002

Fonte:
Elsevier Science Inc.

Palavras
-
Chave:
System identification; Function approximation; Recurrent
multilayer perc
eptrons

Informações Adicionais:
Neste artigo, o Perceptron Multicamadas
Recurrentes (RMLP)

são propostos para identificar sistemas não
-
lineares.
Usando o teorema da aproximação da função para o Perceptrons
Multicamada (MLP), conclui
-
se que RMLP pode aprox
imar todo o sistema
dinâmico em qualquer grau de exatidão. Por meio de a Lyapunov
-
como a
análise, um algoritmo de aprendizagem estável para RMLP é determinado
.


Autores:

F.Von Zuben e M.L.de Andrade Netto

Titulo:
Identificação em Sistemas Dinâmicos não
-
li
neares Utilizando Redes
Neurais Recorrentes e Estudo do Comportamento de convergencias do
Processo de Treinamento Associado

Tipo de Publicação:
Artigo

Fonte:
X Congresso Brasileiro de Automatica, (1994).



3.1.1.4.

Modelos em Redes Neurais de Kohonen.



Autores:
Gu
ilherme de Alencar Barreto, Aluizio Fausto Ribeiro Araújo

Titulo:
Identificação e Controle de Sistemas Dinâmicos usando a Rede Auto
-
organizavel de Kohonen.

Tipo de Publicação:
Artigo

Mês/Ano
: 6/2002

Fonte
:
XIV Congresso Brasileiro de Automação

http://www.dsee.fee.unicamp.br/local/cba2002/data/trabalhos/293.pdf


Palavras
-
Chave:
Identificação sistemas dinâmicos, Redes Neurais.

Informações Adicionais:

proposta de uma técnica n
ão supervisionada de
modelagem neural, chamada memória associativa temporal via quantização
vetorial (MATQV).


3.1.1.5.

Modelos em Redes Elman e de Jordan.


Autores:
Pham, DT
;
Karaboga, D

Titulo:
Training Elman and Jordan networks for system identification using
genetic algorithms

Tipo de Publicação:
Artigo

Vol:

13,
Nro.

2,
Pág.:

107
-
117
Mês/Ano:
Abril 1999

Fonte:
Artificial Intelligence in Engineering

Palavras
-
Chave:
Identification (control systems)
;
Genetic algorithms
;
Feedforward neural networks
;
Feedback control
;
Efficiency
;
Optimization

Informações Adicionais:
Dos redes neurais recurrentes bem
-
conhecidas são a
Rede Elman e a Rede Jordan. Recentemente, modificações tem sido feitas
para essa redes para facilitar sua aplicações na identificação de sistema
s
dinâmicos. Neste trabalho descreve o uso de algoritmos genéticos para
treinar as redes Elman e Jordan para a identificação de sistemas dinâmicos.


3.1.1.6.

Modelo em Redes Neurais Dinâmica.


Autores:

A. Yazdizadeh and K. Khorasani

Titulo:
Adaptive time delay neur
al network structures for nonlinear system
identification

Tipo de Publicação:
Artigo

Vol:
47

Nro.
1
-
4

Pág.:
207
-
204

Mês/Ano:
Agosto 2002.


Fonte:
Elsevier Science B.V

doi:10.1016/S
0925
-
2312(01)00589
-
6

Palavras
-
Chave:
Dynamic neural networks; Nonlinear systems; System
identification

Informações Adicionais:

Neste artigo, motivado pelo Redes Neurais
adaptativo com atraso no tempo (ATDNN), quatro estruturas são
desenvolvidas para a ide
ntificação de classes diferentes dos sistemas não
-
lineares expressados na representação na entrada
-
saida. Os resultados da
simulação demonstram que as estruturas propostas de ATDNN são
completamente eficazes em identificar uma classe geral de sistemas não
-
lineares
.


Autores:

Poznyak, A S
;
Sanchez, E N

Titulo:
Nonlinear system identification and trajectory tracking using
dynamic neural net
works

Tipo de Publicação:
Artigo

Vol/Num/Pág/Ano:
Vol. 1 (A97
-
28766 07
-
63), 1996, p. 955
-
960.

Fonte:

Institute of Electrical and Electronics Engineers, Conference on
Decision and Control, 35th, Kobe, Japan, Dec. 11
-
13, 1996.

Palavras
-
Chave:

*NONLINEAR SYSTEMS
;
*SYSTEM IDENTIFICATION
;
*TRAJECTORY
CONTROL
;
*NEURAL NETS
;
LIAPUNOV FUNCTIONS
;
RICCATI EQUATION

Informações Adic
ionais:

Analisa
-
se a identificação não
-
linear e a trajetória que
seguem usando uma rede neural dinâmica, com a mesma dimensão do espaço do
estado que o sistema.


3.1.1.7.

Modelos em Redes Neurais Regressivos


Autores:

T L Seng; M Khalid; R Yusof&hairsp.

Titulo:
Ada
ptive General Regression Neural Network for Modelling of Dynamic
Plants

Tipo de Publicação:
Artigo

Vol:

213
Pág:

275


287

Ano:

1999

Fonte:

Proceedings of the I MECH E Part I Journal of Systems & Control
Engineering

DOI:

10.1243/0959651991540142

Palavras
-
Chave:
general regression neural network (GRNN); modelling; dynamic
process; adaptation; system identification

Informações Adicionais:

Es
te Artigo propõe um esquema integrado Rede
Neural regressão geral (GRNN) para modelar dinâmico da planta.


3.1.1.8.

Modelos em Redes Neurais Híbridos

3.1.1.8.1.

Modelos em Redes Neurais e Algoritmos Genéticos.


Autores:
Hintz, KJ
;
Zhang, Z
;
Duane, D

Titulo:
Evolving Neural Networks for Nonlinear Control

Tipo de Publicação:
Artigo

Fonte:

Performer: George Maso
n Univ., Fairfax, VA. 30 Sep 1996. 66p.
Report: AFOSRTR
-
96
-
0518

Palavras
-
Chave:
Neural nets
;
Algorithms
;
Control
;
Optimization
;
Production
;
Regulators
;
Nonlinear systems
;
Errors
;
Weight
;
Tuning
;
Pattern recognition
;
Logarithm functions
;
Amplitude modulation

Informações Adicionais:

Uma aproximação para criar as Redes Neural
Recurrentes amorfas (ARNN) usando os algoritmos genéticos (GA) chamado
2pGA foi desenvolvida e mostrada para ser eficaz em evoluir redes neural para o
controle e a es
tabilização das plantas lineares e não
-
lineares.


Autores:
Pham, DT
;
Karaboga, D

Titulo:
Training Elman and Jordan networks for system ident
ification using
genetic algorithms

Tipo de Publicação:
Artigo

Vol:

13,
Nro.

2,
Pág.:

107
-
117
Mês/Ano:
Abril 1999

Fonte:
Artificial Intelligence in Engineering

Palavras
-
Chave:
Ide
ntification (control systems)
;
Genetic algorithms
;
Feedforward neural networks
;
Feedback control
;
Efficiency
;
Optimization

Informações Adicionais:
Dos redes neurais recurrentes bem
-
co
nhecidas são a
Rede Elman e a Rede Jordan. Recentemente, modificações tem sido feitas
para essa redes para facilitar sua aplicações na identificação de sistemas
dinâmicos. Neste trabalho descreve o uso de algoritmos genéticos para
treinar as redes Elman e
Jordan para a identificação de sistemas dinâmicos.


3.1.1.8.2.

Modelos em Redes Neurais e Sistemas Fuzzy


Autores:

by
Jeffrey T.
Spooner
,
Manfredi Maggiore
,
Raúl Ordóñez
,
Kevin M.
Passino
.

Titulo:
Stabl
e Adaptive Control and Estimation for Nonlinear Systems: Neural
and Fuzzy Approximator Techniques

Tipo de Publicaç
ão:
Livro

Nro. Páginas:
550

Data publicação:
15/11/
2001
.

Fonte:
John Wiley & Sons

ISBN:

0471415464

Palavras
-
Chave:
Neural Network, nonlinear s
ystem control.

Informações Adicionais:

Duas aproximações úteis ao controle de sistemas não
-
lineares são trazidas juntas para estudantes e praticante na necessidade da
informação de fundo. O texto apresenta uma metodologia do controle que possa
ser verifica
da com rigor matemático ao possuir a flexibilidade associada com as
aproximações inteligentes do controle. Os exemplos demonstram como a
metodologia pode ser aplicada aos sistemas on
-
line tais como o controle do
motor, o controle do avião, a automatização
industrial, e outros sistemas não
-
lineares.


Autores:

Oliver Nelles

Titulo:
Nonlinear System Identification: From Classical
Approaches to Neural
Networks and Fuzzy Models

Tipo de Publicação:
Livro

Mês/Ano:
Dezembro/2000.

Fonte:
Springer Verlag

ISBN:

3540673695

Palavras
-
Chave:
Neural Network, System Identification.

Informações Adicionais:
O livro cobre as mais comunes e importan
tes
aproximações para a identificação de sistemas estáticas e dinâmicas não linear.

A ênfase é posta sobre os métodos modernos baseados em redes neurais e em
sistemas fuzzy sem negligenciar as aproximações clássicas.


3.1.1.8.3.

Modelos em Redes Neurais e Neurocomput
acionais



Autores:

Clodoaldo Aparecido de Moraes Lima

Titulo:

Emprego de Teoria de Agentes no Desenvolvimento de Dispositivos
Neurocomputacionais Híbridos e Aplicação ao Controle e Identificação de
Sistemas Dinâmicos

Tipo de Publicação:
tese.

Numero Págin
as:
280
Mês/Ano
: Fevereiro/2000.

Fonte:
Departamento de Engenharia de Computação e Automação Industrial
(DCA)

Faculdade de Engenharia Elétrica e de Computação (FEEC)

Universidade Estadual de Campinas (Unicamp), SP, Brasil

http://www.dca.fee.unicamp.br/~vonzuben/research/moraes_mest.html

Palavras
-
Chave:
redes neurais artificiais, dispositivos neucomputacionais,
sistemas multiagentes,identificação e controle de sistemas dinâmic
os.

Informações Adicionais:

O objetivo deste trabalho foi analisar e sintetizar
dispositivos neurocomputacionais híbridos, a serem comparados com estruturas
de processamento alternativas e aplicados em identificação e controle de
sistemas dinâmicos.



3.2.

Cont
role de sistemas dinâmicos.


Definição.
Controle é o processo de fazer com que uma dada variável de um
sistema dinâmico se comporte de maneira desejada. A linha de controle pode ser
subdividida em função do tipo de controlador e do sistema dinâmico em line
ar ou
não
-
linear, determinístico ou estocástico, adaptativo, robusto, caótico, entre outras.


O controle de sistemas é um assunto que desperta grande interesse dos
pesquisadores. Técnicas de controle clássica controladores proporcionais, PD, PID)
são basea
dos em modelos linearizados dos sistemas físicos, o que representa perda
de informações, muitas vezes são importantes para o funcionamento da planta com
altos níveis de exigência. Atualmente a utilização do denominado controle
inteligente tem aberto uma no
va perspectiva no tratamento de sistemas nãolineares e
no projeto de seus controladores. Muitos trabalhos foram desenvolvidos seguindo
esta linha de pesquisa na tentativa de desenvolver um controle mais versátil e
robusto.



O Neurocontrole é um dinâmico c
ampo de investigação que nos últimos anos têm
atraído uma consideravel atenção na comunidade científica e de engenharia de
controle. Em recentes anos, há havido um incremento na aplicação das Redes
Neurais na Identificação da dinâmica (modelado), predição

e controle de sistemas
complexos. As redes neurais se caracterizam por sua habilidade de aprender dos
exemplos em lugar de ter que se programar num sentido convencional. Seu uso
possibilita que a dinâmica de sistemas complexos seja modelada e um controle
exato seja logrado a través do treinamento, sem ter informação a priori sobre os
parâmetros do sistema


Autores:

Tomas Hrycej

Titulo:
Neurocontrol : Towards an Industrial Control Methodology

Tipo de Publicação:
Livro

Mês/Ano:
Agosto/1997

Fonte:

John Wiley & Sons

ISBN:

0471176281

Palavras
-
Chave:
Neurocontrol

Informações Adicionais:
Presents a unified framework for neural
-
network

based
control techniques. Links neurocontrol with the concepts of classical control theory,
describes the steps necessary to implement a working algorithm, and provides
information necessary to develop competitive applications of industrial size and
compl
exity. Emphasizes the most critical issues encountered by control system
engineers.


Autores:

H. Tolle
,
E. Ersu

Titulo:
Neurocontrol: Learning Control Systems Inspired by Neuronal Architectures
and Human Problem Solving St
rategies

Tipo de Publicação:
Livro

Nro. Páginas:
211
Mês/Ano:
Abril 1992

Fonte:

Springer Verlag

ASIN:

0387550577

Palavras
-
Chave:
Neurocontrol


Autores:

Nardênio A. Martins, Maycol de Alencar

Titulo:

Projeto de um Controlador Neural Adaptativo para Robôs Ma
nipuladores no
espaço de Juntas.

Tipo de Publicação:
Artigo

Pág:
43
-
48

Fonte:
XI Congresso Brasileiro de Automática, Natal


RN 2 a 5 setembro de 2002.

http://www.dsee.fee.unica
mp.br/local/cba2002/trabalhos/322.pdf


Palavras
-
Chave:

Controle adaptativo, rede neural, robô manipulador, espaço de
juntas.

Informações Adicionais
:

Este artigo apresenta o projeto de um controlador neural
adaptativo para robôs manipuladores no espaço de
juntas. O desenvolvimento do
controlador é baseado numa técnica de modelagem de redes neurais, na qual não há
necessidade de avaliação do modelo dinâmico inverso e nem do tempo necessário
para o processo de treinamento. Este controlador mostra que, se são
usadas redes de
função de base radial gaussiana, é assegurada a adaptação uniformemente estável e
é realizado o seguimento assintótico da trajetória. Simulações numéricas são
fornecidas para mostrar o desempenho do controlador proposto.


3.2.1.

Técnicas de neuro
-
controle baseadas em dinâmica invertida.



Muitas das aplicações de controle utilizando redes neurais, também denominadas
Nero
-
controle, foram projetadas para conduzir à determinação da dinâmica inversa
do sistema.


3.2.1.1.

Controle neuro
-
controle baseadas em apre
ndizado por mímica.

Aprendizado por mímica é um aspecto essencial de muitos sistemas
biológicos. O método a ser considerado aqui para desenvolver um
controlador neural envolve a tentativa de copiar um controlador
humano.


Autores:

Adriana de C. Drummond, K
leyton C. de Oliveira e Adolfo
Bauchspiess

Titulo:
Estudo do Controle de Pêndulo Inverso sobre Carro utilizando
Rede Neural de Base Radial

Tipo de Publicação:
Artigo

Pág.:
320
-
325
, Data :
Julho 20
-
22, 1999.

Fonte:
Proceedings of the IV Brazilian Conferen
ce on Neural
Networks
-

IV Congresso Brasileiro de Redes Neurais

http://www.ele.ita.br/cnrn/artigos
-
4cbrn/4cbrn_074.pdf


Palavras
-
Chave:
Redes Neurais, sistemas dinâmico Controle.

Inf
ormações Adicionais:

Este artigo apresenta resultado de uma rede
neural artifical de base radial para controlar um pendulo inverso
.



Autores:

Shouling He

Titulo:
Neural Adaptive Control of nonlinear multivariable systems
with application to a class of inv
erted pendulums.

Tipo de Publicação:
Artigo

Vol:

12
Nro:

5
Pág:

411
-
424
Ano:

2002

Fonte:

International Journal of Neural Systems,

Palavras
-
Chave:
Neural networks; control; nonlinear systems


3.2.1.2.

Controle neural direito
-
inverso.


Autores:

Carlos Andrey Maia, Pe
terson Resende

Titulo:
Um controlador Neural Gain Sceduling para planta não
-
lineares.

Tipo de Publicação:
Artigo

Vol/Num/Pág/Ano
: Vol: 9 Nro.: 3 / 6 / Set., Out., Nov. e Dezembro de
1998

Fonte:
SBA Controle & Automação

http://www.fee.unicamp.br/revista_sba/vol9/v9a156.pdf


Palavras
-
Chave:

Redes Neurais, Controle não
-
linear, Linearização,
Gain Scheduling
.

Informações Adicionais:


Este artigo apresenta uma técnica de projeto de controlad
or neural via
gain scheduling
para plantas não lineares. Em um primeiro estágio, um
modelo neural é identificado para representar a planta não
-
linear em
sua faixa dinâmica de operação. Em seguida, o modelo neural obtido é
utilizado para determinar proximaç
ões lineares em torno de vários
pontos de operação da planta e os correspondentes controladores
lineares são projetados. Finalmente, treina
-
se o controlador neural
gain
scheduling
nestes pontos de operação de forma a representar os
diversos controladores l
ineares. Simulações são apresentadas
mostrando que a técnica descrita pode ser aplicada a uma ampla classe
de sistemas dinâmicos não
-
lineares.



3.2.1.3.

Controle preditivo baseado em modelo neural


O controle preditivo é uma metodologia de controle avançado que ha

alcançado na atualidade uma grande aceitação industrial, essencialmente
devido a que permite enfrentar problemas de controle de sistemas que
apresentam uma dinâmica complexa tales como os sistemas multivariáveis e
não lineares. A sua vez constitui uma met
odologia que integra diversas
disciplinas tais como o controle ótimo, o controle multivariavel, o controle
adaptativo e o controle com restrições.



Autores:
Yu, Wen
;
Poznyak, Alexander S
;
Sanchez, Edgar N

Titulo:

Neural adaptive control of two
-
link manipulator with sliding mode
compensation

Tipo de Publicação:
Artigo

Vol:

4

Pág.:

3122
-
3127

Ano:

1999

Fonte:
The 1999 IEEE International Conference on Robotics and
Automation

Palavras
-
Chave:
Manipulators
;
Adaptive control systems
;
Linearization
;
Robustness (control systems)
;
Identification (control systems)
;
Errors

Informações Adicionais:

Neste trabalho desenvolve
-
se um Neuro
-
controlador
para manipuladores do robô. Uma rede neural din
âmica simples é usada
estimar os manipuladores desconhecidos do robô, o controlador direto do
linearização é derivada então através deste Neuro
-
identificador.



Autores:

A A Peligrad; E Zhou; D Morton; L Li

Titulo:
System identification and predictive cont
rol of laser marking of
ceramic materials using artificial neural networks

Tipo de Publicação:
Artigo

Vol:

216
Pág.:

181


190
Ano:

2002

Fonte:
Proceedings of the I MECH E Part I Journal of Systems & Control
Engineering

DOI:

10.1243/0959651021541543

Palavras
-
Chave:
NEURAL NETWORK; CONTROL SYSTEM; LASER MARKING; CLAY TILES;
SYSTEM IDENTIFICATION; NON
-
LINEAR DYNAMIC SYSTEMS

Informações Adici
onais:
O marking do laser de materiais cerâmicos é um
processo non
-
linear multivariable. O controle on
-
line do processo requer a
compreensão da dinâmica do sistema e da interação do parâmetro. Neste
trabalho, o controle inverso direto (DIC) e o controle pr
edictive non
-
linear (NPC)
foram aplicados baseado em redes neural artificiais.


Autores:

M. Lazar; O. Pastravanu

Titulo:
A neural predictive controller for non
-
linear systems

Tipo de Publicação:
Artigo

Vol:

60
Nro:

3
Pág:

315


324
Ano:
2002

Fonte:

Mathematics and Computers in Simulation

Palavras
-
Chave:
Control architectures; Predictive control; Neural control;
Non
-
linear system identification;
Neural network models; Neural predictors

Informações Adicionais:

O Desenho e a implementação são estudados para
um controle preditivo baseado em redes neural significado governar a
dinâmica de processos não linear.



4.

Comparações com técnicas de Redes neur
ais na Identificação e
controle.



Autores:

Erives, Hector
;
Thompson, Wiley

Titulo:
A comparative analysis of two evolved neural ne
tworks used for the
identification and control of a nonlinear plant

Tipo de Publicação:
Artigo

Vol/Num/Pág/Ano:
(SPIE Proceedings.
Vol. 3068), 1997, p. 366
-
373

Fonte:

Signal processing, sensor fusion, and target recognition VI; Proceedings of the
Conferenc
e, Orlando, FL, Apr. 21
-
24, 1997 (A97
-
39676 10
-
63), Bellingham, WA,
Society of Photo
-
Optical Instrumentation Engineers

Palavras
-
Chave:

*NEURAL NETS
;
*PLANTS (CONTROL THEORY)
;
*SYSTEM IDENTIFICATION
;
*CONTROL
SYSTEMS DESIGN
;
FEEDFORWARD CONTROL
;
GENETIC ALGORITHMS

Informações Adicionais:

Este trabalho apresenta uma análise comparativa de duas redes
neural evolu
ídas para o controle. A aproximação apresentou em usos deste trabalho um
algoritmo genético (GA) evoluir a estrutura e um algoritmo da descida da gradiente
para ajustar os pesos na rede. Uma análise da evolução de RBFNs e de MFNs por meio
de um GA é examin
ada em detalhe.


Autores:

José Augusto Dantas de Rezende
1

Titulo:

Um Estudo Comparativo Entre Diferentes Técnicas de Otimização do
Treinamento de Neurocontroladores

Tipo de Publicação: Artigo

Vol/Num/Pág/Ano:

pp. 209
-
214, July 20
-
22, 1999
-

ITA, São José
dos Campos
-

SP
-

Brazil

Fonte:

IV Congresso Brasileiro de Redes Neurais

http://www.ele.ita.br/cnrn/artigos
-
4cbrn/4cbrn_044.pdf




5.

Aplicações

Não somente a utilização das Redes neurais

vem sendo exclusividade nas áreas de
engenharia, existe outras áreas como a Biologia por exemplo, esta implementando
Redes Neurais para a Identificação e Controle de sistemas dinâmicos propios.


5.1.

Bio
-
engenharia e Farmacologia.


Autores:
Boddy, Lynne
;
Wilkins, Malcolm F
;
Morris, Colin W

Titulo:
Effects of missing data on ne
ural network identification of biological taxa:
RBF network discrimination of phytoplankton from flow cytometry data

Tipo de Publicação:
Artigo

Conferencia:
The 1998 Artificial Networks in Engineering Conference, ANNIE,
St.Louis, MO, USA, 11/01
-
04/98

Vol:

8

Pág:

655
-
660

Ano:

1998

Fonte:

INTELL ENG SYST ARTIF NEURAL NETWORKS.

Palavras
-
Chave:

Identification (control systems)
;
Functions
;
Algae
;
Parameter
estimation
;
Learning systems
;
Maximum likelihood estimation
;
Data structures


Autores:
Mo
rris, Colin W
;
Boddy, Lynne

Titulo:
Partitioned RBF networks for identification of biological taxa:
discrimination of phytoplankton from flow cytometry data

Tipo de Publicação:
Artigo

Vol:

8

Pág:

637
-
642

Ano:

1998

Fonte:

The 1998 Artificial Networks in Engineering Conference, ANNIE, St.Louis,
MO, USA, 11/01
-
04/98

Palavras
-
Chave:

Functions
;
Identification (control systems)
;
Algae
;
Learning
systems

Informações Adicionais:
Neste artigo apresenta uma

técnica para fortemente dividir
o problema em redes pequenas da identificação cada um da identificação
responsável para uma única espécie. As saídas destes podem ser combinadas ou por
meio de uma rede mais adicional ou em casos simples ' por um vencedor f
az exame
de toda as estratégias


Autores:

Peter Lada

Titulo:

Neural Network Dynamic System Identification and its Applications in
Pharmacology.

Tipo de Publicação:
proposta de dissertação de tese.

Mês/Ano:
October / 2000.

Fonte:
http://ci.uofl.edu/pbox/


Palavras
-
Chave:

Neural Network Dynamic, System Identification.

Informações Adicionais:

Nesta dissertação de doutorado, aplica Perceptron de
Múltiplas Camadas para a identificação de sistemas e Redes Neurais Recurre
ntes
para aproximação de efeito de uma droga na área de pharmaco
-
dinâmica.



5.2.


Engenharia Elétrica e Comunicações.


Autores:

Lu, Baiquan
;
Hirasawa, Kotaro
;
Murata, Junichi
;
Hu, Jinglu

Titulo:
New learning method using prior information of neural networks

Tipo de Public
ação:
Artigo

Vol:

4,
Nro:

1,
Pág:

29
-
35

Ano:

1999

Fonte:

Research Reports on Information Science and Electrical Engineering of
Kyushu University

Palavras
-
Chave:

Learning systems
;
Identification (control systems)
;
Computational
methods
;
Computer simulation

Informações Adicionais:

Neste artigo, apresenta
-
se um método de aprendizagem novo
usando a informação prévia para redes neural da três
-
camada.


Autores:

Chen, Zengqiang
;
He, Jiangfeng
;
Yuan, Zhuzhi

Titulo:
Adaptive identification and control scheme using radial basis function
networks

Tipo de Publicaç
ão:
Artigo

Vol:

10

Nro:

1

Pág:

54
-
61

Ano:

1999

Fonte:

JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS, BEIJING, (CHINA)

Palavras
-
Chave:
Radial basis function networks; Recursive least squares algorithms;
Adaptive fuzzy generalized learning vector quantizati
on (AFGLVQ)

Informações Adicionais:

Neste de papel, a identificação e o controle adaptativo de
sistemas dinâmicos não
-
lineares são investigados usando as redes radiais da função
da base (RBF).


Autores:

Kenneth Hunt
,
George Irwin
,
Kevin Warwick

Titulo:
Neural Network Engineering in Dynamic Control Systems (Advances in
Industrial Control)

Tipo de Publicação:
Livro

Nro. Pág
inas:
278
Mês/Ano:
June 1995.

Fonte:
Springer Verlag

Palavras
-
Chave:
Dynamic Control Systems, Neural Network.

Informações Adicionais:

Este estudo avalia o último modelo na área de redes neural
da engenharia. As contribuições examinam maneiras de melhorar a

engenharia
envolvida na rede neural que modela e controlam
-
nas, de modo que o poder teórico
de sistemas de aprendizagem possa ser aproveitado para aplicações práticas.


Autores:

D. Xu ; F.F. Yap ; X. Han ; G.L. Wen

Titulo:
Identification of Spring
-
Force F
actors of Suspension Systems Using
Progressive Neural Network on a Validated Computer Model.

Tipo de Publicação:
Artigo.

Vol:

11
Nro.:

1
Pág.:

55


74

.

Fonte:
Inverse Problems in Engineering

Palavras
-
Chave:
Neural Network, Systems Dymanics.

Informações Adicionais:

Neste artigo, uma técnica progressiva da rede neural da novela
(NN) é sugerida para determinar os fatores da suspensão baseados na
resposta dinâmica
(deslocamento) das estrada
-
rodas.


Autores:

Fernando Mendes, Lourdes Mattos

Titulo:
Redes Neurais
-

Aplicações em Controle

Tipo de Publicação
: Livro

Vol/Num/Pág/Ano
: 400 pag

Editora
:

Visual Books

ISBN
:

8575020056


Nível
:

Básico

Palavras
-
Chave:
Identificação de Sistemas Dinâmicos por RNA

Informações Adicionais:


Apresenta
-
se na quinta parte, aplicações em Identificação e Controle bem como em
Sistemas Especialistas


Autores:

Jés de Jesus Fiais Cerqueira.

Titulo:

Identificação de Sistemas Di
nâmicos Usando Redes Neurais Artificiais: Uma
Aplicação a Manipuladores Robóticos
.

Tipo de Publicação:
XIV CEDYA/IV Congresso de Matemática Aplicada, 18
-
22
Septiembre 1995

Vol/Num/Pág/Ano:
10.

Fonte:
ftp://ftp
-
ma1.upc.es/pub/cedya/comunicaciones/zufiria.ps


Palavras
-
Chave:

Informações Adicionais:

Trabalho que modela o aprendizagem em redes neurais
artificiais


Autores:

Altamiro V. Da Silveira Jr. Elder M. Hemerly

Titulo:
Controle de
Robôs Moveis em coordenadas retangulares via Rede Neural.

Tipo de Publicação:
Artigo.

Pág.:
1266
-
1272
.

Fonte:
XIV Congresso Brasileiro de Automática.

http://www.dsee.fee.un
icamp.br/local/cba2002/data/trabalhos/584.pdf


Palavras
-
Chave:
Nonlinear system; RNA; robot navigation; tracking
.

Informações Adicionais:

Neste trabalho é proposta a utilização de uma Rede Neural
Artificial (RNA) para controle de robôs móveis com acioname
nto diferencial e
cinemática descrita em coordenadas retangulares. É considerado o modelo dinâmico
de Yamamoto e usado o segundo método de Lyapunov na obtenção de leis de
adaptação para os pesos da rede. A prova de estabilidade do sistema de controle é
apr
esentada e resultados de simulação são discutidos.


5.3.

Engenharia Mecânica.


Autores:

Billings, SA
;
Zheng, GL

Titulo:
Qualitative validation o
f radial basis function networks

Tipo de Publicação:
Artigo

Vol:

13
Nro:

2

Pág:

335
-
349

Ano:

1999.

Fonte:

MECH SYST SIGNAL PROCESS

Palavras
-
Chave:

Identification (control systems
)
;
Nonlinear control systems
;
Control
system analysis
;
Algorithms
;
State space methods
;
Least squares approximations

Informações Adicionais:

O algoritmo least
-
sq
uares orthogonal (OLS) é usado para
treinar uma rede radial da função da base e a rede treinada é analisado usando a
pilha que traça a estrutura. Nesta maneira, as propriedades dinâmicas da rede
treinada podem qualitativamente ser comparadas com as aquelas

do sistema original


Autores:

Song, Dongwoo
;
Li, CJames

Titulo:
Modeling of piezo actuator's nonlinear and frequency dependent dynamics

Tipo de Publicação:
Artigo

Vol:

9

Nro:

4

Pág:

391
-
410

Ano:

1999.

Fonte:

Mechatronics

Palavras
-
Chave:

Piezoelectric devices
;
Mathematical models
;
Identification (control
systems)
;
Machining
;
Neural networks
;
Calibration
;
Natural frequencies

Informações Adicionais:

Este artigo descreve um modelo híbrid
o da histerese que
integrado clássico o modelo de Preisach e uma rede neural.


5.4.

Engenharia Ambiental


Autores:

Belanche, Lluis A
;
Valdes, Julio J
;
Comas, Joaquim
;
Roda, Ignasi R
;
Poch,
Manel

Titulo:
To
wards a model of input
-
output behaviour of wastewater treatment plants
using soft computing techniques

Tipo de Publicação:
Artigo

Vol:

14

Nro:

5

Pág:

409
-
419

Ano:

1999.

Fonte:

ENVIR MODELL SOFTWARE

Palavras
-
Chave:

Mathematical models
;
Process control
;
Industrial plants
;
Computer
aided engineering
;
Neural networks
;
Environmental engineering
;
Identification
(control systems)
;
Fuzzy sets
;
Decision making
;
Problem solving

Informações Adicionais:

Neste trabalho, uma aproximação através das técnicas
computando macias é procurada, no detalhe, experimentando com as redes neural
retraso no tempo heterogên
eas fuzzy para caracterizar a variação do tempo de
variáveis que parte.


5.5.

Aeroespacial.


Autores:

Amin, S M
;
Gerhart, Volker
;
Rodin, Ervin Y

Titulo:
System identification via artificial neural networks
-

Applications to on
-
line
aircraft parameter estimation

Tipo de Publicação:
Artigo

Numero Relatorio :
AIAA Paper 97
-
5612; SAE Pap
er 975612

Fonte:

AIAA and SAE, 1997 World Aviation Congress, Anaheim, CA, Oct. 13
-
16,
1997

Palavras
-
Chave:
*SYSTEM
IDENTIFICATION
;
*
NEURAL

NETS
;
*PARAMETER
IDENTIFICATION
;
*STATE ESTIMATION
;
*AIRCRAFT STABILITY
;
*ON
-
LINE
SYSTEMS
;
FLIGHT
CONTROL
;
DYNAMICAL
SYSTEMS
;
OPTIMIZATION
;
MACHINE LEARNING


Autores:

Ko
ttapalli, Sesi

Titulo:

Identification and control of rotorcraft hub loads using neural networks

Tipo de Publicação:
Artigo

Vol/Num/Pág/Ano:
Vol. 2 (A97
-
29247 07
-
01), Alexandria, VA, American Helicopter
Society, 1997, p. 1387
-
1406

Fonte:

American Helicopte
r Society, Annual Forum, 53rd, Virginia Beach, VA,
Apr. 29
-
May 1, 1997, Proceedings.

Palavras
-
Chave:

*ROTORCRAFT AIRCRAFT
;
*
AIRCRAFT CONTROL
;
*HUBS
;
*NEURAL NETS
;
*SYSTEM
IDENTIFICATION
;
SISO (CONTROL SYSTEMS)
;
SENSITIVITY
;
TRANSFER FUNCTIONS

Informações A
dicionais:
O objetivo do estudo foi desenvolver um controlador
baseado robusto da rede neural para minimizar cargas vibratórias do cubo. Duas
redes neurais foram usadas no procedimento que requer um modelo da planta
(usando Redes neurais de tipo RBF) e red
e neural invertido para um modelo do
controle (usando Redes Neurais de BackPropagation)