Escolar Documentos
Profissional Documentos
Cultura Documentos
E por conseguinte tem-se a atualizao dos raios, consideramos que os trs parmetros so
atualizados. A adaptao do raio, da matriz i1 ,
E (n) 1 2
= e (n)
1
i (n) i (n) 2
1
= wi (n)e(n) 1 G ku(n) ci (n)k2ri (n) 1 G ku(n) ci (n)k2ri (n)
i (n) i (n)
= G ku(n) ci (n)k2ri (n) 1 ku(n) ci (n)k2ri (n) (3.46)
i (n)
para,
E (n)
ku(n) c i (n)k2
ri (n) = (u(n) ci (n)) (u(n) ci (n))T = Qi (n), (3.47)
i1 (n)
E (n)
1 = wi (k)e(n)G ku(n) ci (n)k2ri (n) Qi (k)
i (n)
E (n)
i1 (n + 1) = i1 (n) . (3.48)
i1 (n)
< r < w .
Desta forma, o passo de interao da descida dos pesos maior do que os centros, e
este ltimo passo maior do que o raio. A adaptao de pesos ajuda a minimizar o erro
entre a sada da rede e a sada desejada. Adaptar os centros assegura o agrupamento das
informaes de entrada. Os raios so adaptados para atingir um certo grau de sobreposio
entre as funes de base radial.
3.4 Comentrios
Apresentou os conceitos e formulao matemtica das abordagens de controle
adaptativo associados com otimalidade e redes neurais. Especificamente, tratou-se das
redes RBF e a metodologia do sistema de controle MPC.
51
discreto e{} denota o conjunto de valores, sendo comumente obtido por amostragem de
alguma medida analgica. Tais sinais aleatrios em tempo discreto tm estatsticas que
variam no tempo, mas em curto prazo, elas podem ser assumidas como sendo invariantes
no tempo.O princpio da previso de um sinal em tempo discreto representado na Fig. 13.
o valor do sinal y(k) predito com base na soma dos valores de p passado, isto , y(k 1),
y(k 2), ,y(k p), ponderado pelos coeficientes ai , com i = 1, 2, ..., p para formar uma
previso, y(k). O erro de previso, ep (K), torna-se,
p
ep (k) = y(k) y(k) = y(k) a1 y(k 1). (4.1)
X
i=1
As medidas reais s podem ser assumidas como sendo localmente de sentido amplo
e, portanto na prtica, os valores da funo de autocorrelao devem ser estimados a partir
da medida de comprimento finito para empregar Eq. (4.3), aplicando a uma medida N de
comprimento finito, {y(G), y(l), ....y(N 1)},
N
X1
1
ryy ( ) = y(k)y(k + ) (4.5)
N k=0
em que = 0, 1, 2, ..., p.
A estimativa dos parmetros de peso so refinadas em cada nmero de amostras,
k, com base na nova amostra y(k), com erro de previso ep (k). A atualizao dos pesos,
Figura 14 Blocos para construo de preditores: (a) deformador, (b) adicionador, (c)
multiplicador
Otimizao Realimentao
da da
Dinmica Sada
Entrada/Sada
MPC Entrada/Sada
Varivel Manipulada Leitura VM e VC
y(k + 1) = f (y(k), ..., y(k n + 1), u(k), ..., u(k m + 1)) , (4.7)
y(k + 1) = f (y(k), ..., y(k n + 1), u(k d), ..., u(k d m + 1)) . (4.8)
y(k + 1) = fAN N (y(k), ..., y(k n + 1), u(k d), ..., u(k d m + 1)) (4.9)
Esta RNA recursiva por sucessiva utilizada na estrutura MPC, para obter a predio do
modelo, de maneira que se possa usar a previso de vrias maneiras.
Descreve-se dois tipos de preditores com estrutura d-step frente para compensar
a influncia do tempo de atraso.
Captulo 4. Sintonia RNA-Preditiva de Controladores PID 56
y(k + d + 1) = fAN N (y(k + d), ..., y(k + d n + 1), u(k d), ..., u(k d m + 1))
(4.10)
Esse preditor depende das previses nas etapas anteriores, dentro do horizonte de
previso. A propriedade recursiva do preditor habilita a extenso para previso de longo
alcance. Suponha que o horizonte de previso P , o preditor de longo alcance pode ser
descrito como,
y(k + i|k) = fAN N (y(k + i 1), ..., y(k + i min(i, n)), y(k), ...
..., y(k max(n i, 0)), u(k + i d), ..., u(k + i d m + 1)) , (4.11)
em que y(k + i|k) o valor de predio y para o momento k + i obtido no em k com base
nas informaes disponveis at k.
y(k + d + 1) = gAN N (y(k), ..., y(k n + 1), u(k), ..., u(k d m + 1)) . (4.12)
y(k + i) = gAN
id
N (y(k), ..., y(k n + 1), u(k + i d), ..., u(k d m + 1)) . (4.13)
Em que I(k+i) = {y(k), ..., y(k + 1 n), u(k + i d), ..., u(k + 1 d m)}. Deve-
se notar que, em contraste com o preditor neural recursivo, para os diferentes passos de
Captulo 4. Sintonia RNA-Preditiva de Controladores PID 57
predio dentro do horizonte de previso, os valores dos pesos dos preditores neurais no
recursivos so diferentes.
Usando as predies obtidas dos procedimentos descritos acima, o movimento de
controle determinado solucionando o seguinte problema de otimizao,
(P M
)
2 2
min = k Qi (r(k + i) y(k + i) k + k Ri u(k + i 1) k . (4.15)
X X
u(k)...u(k+M 1)
i=1 i=1
y(k + 1) = f (y(k), ..., y(k n + 1)..., u(k), ..., u(k m + 1)), (4.16)
yp (k + 1) = f (y(k), y(k 1), y(k 2), u(k), u(k 1) + u(k 2)). (4.18)
em que cij o centro que ligam j (j = 1, 2...8) neurnio na camada oculta (i = 1, 2, 3, ..., 6),
as unidades sensoriais da camada de entrada. Onde fRBF uma funo gaussiana dada
por
fRBFhj = exp ||Xc
2b2
jn ||
, (4.21)
j
IO1 = w11 fRBF (Ih1 ) + w21 fRBF (Ih2 ) + ...... + w81 fRBF (Ih8 ). (4.23)
yp (k + 1) = fO (IO1 ). (4.24)
em que a predio da sada atrasada. A atualizao dos pesos wij e centros cjn da
rede neural RBF, realizada conforme,
= yp (k + 1) q 1 . (4.26)
wj (k) = w
E
j
= (y(k) yp (k + 1) q 1 ) (4.27)
wj (k) = w
E
j
= (y(k) ) (4.28)
bj (k) = b
E
j
(4.30)
2
bj (k) = (y(k) )wj fRBF ( kxcb3jn k ). (4.31)
j
cj (k) = c
E
ji
(4.33)
2
cji (k) = (y(k) )wj ( kxcb2jn k ) (4.34)
j
cji (k) = cji (k 1) + cji (k) + .... + (cji (k 1) cji (k 2)) (4.35)
A RNA composta por trs unidades sensoriais nas entradas, oito neurnios na
camada oculta e um neurnio na camada de sada,(3-5-1). Onde a entrada da rede X,
x1 = e(k)
k
x2 = T e(k) (4.36)
P
i=0
e(k)
x3 = T
.
O mtodo da descida mas ngreme usado para os ajustes dos pesos da rede para atingir
o objetivo de J. Em que o erro dado por,
e(k) = yd y, (4.38)
sendo que o critrio da Eq. (5.8), a sada do controlador u(k) j definido o vetor de entrada
da rede neural RBF, tem-se a entrada da camada oculta, que dado por,
Captulo 4. Sintonia RNA-Preditiva de Controladores PID 62
k
e(k)
em que x1 = e(k), x2 = T e(k) e x3 = . Definindo em Ihu5 seu ndice e u refere-se
P
T
i=0
ao sistema de controle, diferente da Eq. (4.19), que se relacionado com rede neural RBF
preditiva. A sada de cada neurnio da camada oculta dada por,
em que fRBF e b foram definidos pela Eq. (4.21) e 4.22. O vetor b e w possui uma dimenso
oito. A entrada do neurnio da camada de sada dado por,
IOu 1 = w11 fRBF (Ihu1 ) + w21 fRBF (Ihu2 ) + ... + w51 fRBF (Ihu5 ). (4.41)
E(k) = 1
2
[(yd (k) y(k))]2 . (4.43)
cij (k) = cij (k 1) + cij (k) + ... + (cij (k 1) cij (k 2)) (4.48)
y(k)
em que u(k) o valor jacobiano expressando a sensibilidade da sada e entrada do sistema.
y(k)
Este valor pode ser obtido pelo sinal de u(k) .
4.5 Comentrios
Apresentou-se as arquiteturas de predio em sistemas discretos baseados em RNAs.
Para a sada futura do sistema foi considerado d-step a frente, com atualizao dos pesos
da rede neural preditiva. Abordou-se o mecanismo de sintonia do controlador PID baseado
numa rede neural estruturada por funes de base radiais e levando em considerao os
ajustes timos dos pesos da rede RBF.