Identificación de Sistemas Dinámicos Utilizando Redes Neuronales RBF

Abstract

[EN] The identification of complex and non-linear plants plays an important role in the overall architecture of neurocontrol techniques as for example inverse control, direct and indirect neural adaptive control, etc. It is common within those approaches to use a Feedforward Neural Network (FNN) with Tapped Delay Line (TDL) or recurrent networks (Elman o Jordan) trained off-line to capture the system’s dynamics (direct or inverse) and use it in the control loop. In this paper, we present an identification schema based on Radial Basis Function (RBF) neural networks that is trained on-line and dynamically modify his number of nodes in the hidden layer, allowing a real-time implementation of the identifier in the control loop.

[ES] La identificación de sistemas complejos y no-lineales ocupa un lugar importante en las arquitecturas de neurocontrol, como por ejemplo el control inverso, control adaptativo directo e indirecto, etc. Es habitual en esos enfoques utilizar redes neuronales “feedforward” con memoria en la entrada (Tapped Delay) o bien redes recurrentes (modelos de Elman o Jordan) entrenadas off-line para capturar la dinámica del sistema (directa o inversa) y utilizarla en el lazo de control. En este artículo presentamos un esquema de identificación basado en redes del tipo RBF (Radial Basis Function) que se entrena on-line y que dinámicamente modifica su estructura (número de nodos o elementos en la capa oculta) permitiendo una implementación en tiempo real del identificador en el lazo de control.