Controle inteligente - Intelligent control
Controle inteligente é uma classe de técnicas de controle que usa várias abordagens de computação de inteligência artificial , como redes neurais , probabilidade Bayesiana , lógica fuzzy , aprendizado de máquina , aprendizado por reforço , computação evolutiva e algoritmos genéticos .
Visão geral
O controle inteligente pode ser dividido nos seguintes subdomínios principais:
- Controle de rede neural
- Controle de aprendizado de máquina
- Aprendizagem por reforço
- Controle bayesiano
- Controle difuso
- Controle neuro-difuso
- Sistemas especializados
- Controle genético
Novas técnicas de controle são criadas continuamente, à medida que novos modelos de comportamento inteligente são criados e métodos computacionais são desenvolvidos para apoiá-los.
Controlador de rede neural
As redes neurais têm sido usadas para resolver problemas em quase todas as esferas da ciência e da tecnologia. O controle da rede neural envolve basicamente duas etapas:
- Identificação do sistema
- Ao controle
Foi demonstrado que uma rede feedforward com funções de ativação não lineares, contínuas e diferenciáveis tem capacidade de aproximação universal . Redes recorrentes também têm sido usadas para identificação do sistema. Dado um conjunto de pares de dados de entrada-saída, a identificação do sistema visa formar um mapeamento entre esses pares de dados. Essa rede deve capturar a dinâmica de um sistema. Para a parte de controle, o aprendizado por reforço profundo mostrou sua capacidade de controlar sistemas complexos.
Controladores bayesianos
A probabilidade bayesiana produziu vários algoritmos que são de uso comum em muitos sistemas de controle avançados, servindo como estimadores de espaço de estado de algumas variáveis que são usadas no controlador.
O filtro de Kalman e o filtro de partículas são dois exemplos de componentes de controle bayesianos populares. A abordagem bayesiana para o projeto do controlador freqüentemente requer um esforço importante na derivação do chamado modelo de sistema e modelo de medição, que são as relações matemáticas que ligam as variáveis de estado às medições do sensor disponíveis no sistema controlado. Nesse sentido, está intimamente ligado à abordagem teórica do sistema para o projeto de controle .
Veja também
- Listas
Referências
- Antsaklis, PJ (1993). Passino, KM (ed.). Uma introdução ao controle inteligente e autônomo . Kluwer Academic Publishers. ISBN 0-7923-9267-1. Arquivado do original em 10 de abril de 2009.
- Liu, J .; Wang, W .; Golnaraghi, F .; Kubica, E. (2010). "A Novel Fuzzy Framework for Nonlinear System Control". Conjuntos e sistemas difusos . 161 (21): 2746–2759. doi : 10.1016 / j.fss.2010.04.009 .
Leitura adicional
- Jeffrey T. Spooner, Manfredi Maggiore, Raul Ord onez e Kevin M. Passino, Stable Adaptive Control and Estimation for Nonlinear Systems: Neural and Fuzzy Approximator Techniques , John Wiley & Sons, NY;
- Farrell, JA, Polycarpou, MM (2006). Controle Adaptativo Baseado em Aproximação: Unificando Abordagens Neurais, Fuzzy e Tradicionais de Aproximação Adaptativa . Wiley. ISBN 978-0-471-72788-0.CS1 maint: vários nomes: lista de autores ( link )
- Schramm, G. (1998). Controle Inteligente de Voo - Uma Abordagem de Lógica Fuzzy . TU Delft Press. ISBN 90-901192-4-8.