Control inteligente - Enciclopedia

El control inteligente es una clase de técnicas de control que utiliza varios enfoques de computación de inteligencia artificial como redes neuronales, probabilidad bayesiana, lógica borrosa, aprendizaje automático, aprendizaje por refuerzo, cómputo evolutivo y algoritmos genéticos.

Resumen
El control inteligente puede dividirse en los siguientes subdominios principales:

Control de redes neuronales
Control de aprendizaje automático
Aprendizaje por refuerzo
Control bayesiano
Control borroso
Control neuro-borroso
Sistemas expertos
Control genético
Se crean continuamente nuevas técnicas de control a medida que se crean nuevos modelos de comportamiento inteligente y se desarrollan métodos computacionales para apoyarlos.

= Controlador de red neuronal =
Las redes neuronales se han utilizado para resolver problemas en prácticamente todas las esferas de la ciencia y la tecnología. El control de redes neuronales implica básicamente dos pasos:

Identificación del sistema
Control
Se ha demostrado que una red de propagación hacia adelante con funciones de activación no lineales, continuas y diferenciables tiene capacidad de aproximación universal. Las redes recurrentes también se han utilizado para la identificación del sistema. Dado un conjunto de pares de datos de entrada-salida, la identificación del sistema tiene como objetivo formar un mapeo entre estos pares de datos. Se supone que dicha red captura la dinámica de un sistema. Para la parte de control, el aprendizaje por refuerzo profundo ha demostrado su capacidad para controlar sistemas complejos.

= Controladores bayesianos =
La probabilidad bayesiana ha producido varios algoritmos que se utilizan comúnmente en muchos sistemas de control avanzados, sirviendo como estimadores de espacio de estado de algunas variables que se utilizan en el controlador. El filtro de Kalman y el filtro de partículas son dos ejemplos de componentes de control bayesiano populares. El enfoque bayesiano en el diseño del controlador a menudo requiere un esfuerzo importante en la derivación de lo que se denomina modelo del sistema y modelo de medición, que son las relaciones matemáticas que vinculan las variables de estado a las mediciones de sensores disponibles en el sistema controlado. En este aspecto, está muy estrechamente relacionado con el enfoque teórico del diseño del control.

Ver también
Selección de acciones
Efecto de la inteligencia artificial
Aplicaciones de la inteligencia artificial
Integración de sistemas de inteligencia artificial
Aproximación de funciones
Sistema híbrido inteligente
Listas
Lista de tecnologías emergentes
Estructura de la inteligencia artificial

Referencias

Antsaklis, P.J. (1993). Passino, K.M. (ed.). An Introduction to Intelligent and Autonomous Control. Kluwer Academic Publishers. ISBN 0-7923-9267-1. Archivado desde el original el 10 de abril de 2009.
Liu, J.; Wang, W.; Golnaraghi, F.; Kubica, E. (2010). "A Novel Fuzzy Framework for Nonlinear System Control". Fuzzy Sets and Systems. 161 (21): 2746–2759. doi:10.1016/j.fss.2010.04.009.

Leer más
Jeffrey T. Spooner, Manfredi Maggiore, Raul Ordóñez y Kevin M. Passino, Stable Adaptive Control and Estimation for Nonlinear Systems: Neural and Fuzzy Approximator Techniques, John Wiley & Sons, NY;
Farrell, J.A., Polycarpou, M.M. (2006). Adaptive Approximation Based Control: Unifying Neural, Fuzzy and Traditional Adaptive Approximation Approaches. Wiley. ISBN 978-0-471-72788-0.{{cite book}}: CS1 maint: multiple names: authors list (link)
Schramm, G. (1998). Intelligent Flight Control - A Fuzzy Logic Approach. TU Delft Press. ISBN 90-901192-4-8.