Contribución a la identificación de sistemas dinámicos mediate métodos conexionistas

dc.contributor
Universitat Politècnica de Catalunya. Institut d'Organització i Control de Sistemes Industrials
dc.contributor.author
Griñó Cubero, Robert
dc.date.accessioned
2011-04-12T15:02:08Z
dc.date.available
2009-10-26
dc.date.issued
1997-10-24
dc.date.submitted
2009-02-20
dc.identifier.isbn
9788469273418
dc.identifier.uri
http://www.tdx.cat/TDX-0220109-094343
dc.identifier.uri
http://hdl.handle.net/10803/5955
dc.description.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.
dc.format.mimetype
application/pdf
dc.language.iso
spa
dc.publisher
Universitat Politècnica de Catalunya
dc.rights.license
ADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject
identificació de sistemes
dc.subject
enginyeria de control
dc.subject
models neuronals
dc.subject
automàtica
dc.title
Contribución a la identificación de sistemas dinámicos mediate métodos conexionistas
dc.type
info:eu-repo/semantics/doctoralThesis
dc.type
info:eu-repo/semantics/publishedVersion
dc.contributor.director
Torras, Carme
dc.contributor.codirector
Cembrano Gennari, Gabriela
dc.rights.accessLevel
info:eu-repo/semantics/openAccess
dc.identifier.dl
B.45900-2009


Documents

TRGC1de1.pdf

7.528Mb PDF

Aquest element apareix en la col·lecció o col·leccions següent(s)