Algoritmo de entrenamiento óptimo para diseñar una memoria asociativa de diagnóstico de fallas

Abstract

[ES] En este artículo, los autores presentan un nuevo enfoque de síntesis para entrenar memorias asociativas implementadas con redes neuronales recurrentes. Los pesos de la red recurrente se determinan como la solución óptima de la combinación lineal de vectores soporte. El algoritmo de entrenamiento propuesto maximiza el margen entre los patrones de entrenamiento y la superficie de decisión. El problema de diseño considera: 1) la obtención de los pesos por medio del algoritmo de hiperplano óptimo utilizado para máquinas de vector soporte y 2) la obtención de las condiciones para reducir el número total de memorias espurias. El nuevo algoritmo desarrollado se utiliza para diseñar una memoria asociativa que diagnostique fallas en centrales termoeléctricas.

[EN] In this paper, the authors propose a new synthesis approach to train associative memories implemented by recurrent neural networks. The weights of the recurrent neural network are determined as the optimal solution of a linear combination of support patterns. The proposed training algorithm maximizes the margin between the training patterns and the decision boundary. The design problem considers: 1) obtaining of weights via an optimal hyperplane algorithm for support vector machines and 2) obtaining conditions to reduce the total number of spurious memories. This new algorithm is used to design an associative memory for fault diagnosis in fossil electric power plants.