Dinámica Estocástica o Compleja con Información Incompleta: Una Revisión desde el Control

• Published in: Iteckne Vol. 10; no. 1; pp. 113 - 127
• Main Authors: Dávila Gómez, Amalia, Peña Palacio, Alejandro, Ortiz Valencia, Paula Andrea, Delgado Trejos, Edilson
• Format: Journal Article
• Language: English; Portuguese; Spanish
• Published: Universidad Santo Tomás 01.06.2013
• Subjects: Control adaptativo; control adaptativo, sistemas estocás- ticos, redes neuronales, lógica difusa, modelos neuro- difusos, información incompleta; difusos; ENGINEERING, MULTIDISCIPLINARY; información incompleta; lógica difusa; modelos neuro; redes neuronales; sistemas estocás; ticos; incomplete system data; neuro-fuzzy models; sistemas estocásticos; fuzzy Logic; Control adaptativo; neural networks; información incompleta; stochastic systems; redes neuronales; Adaptive control; lógica difusa; modelos neurodifusos
• ISSN: 1692-1798; 2339-3483; 2339-3483
• DOI: 10.15332/iteckne.v10i1.186

El control de procesos con dinámica estocástica o compleja es exitoso siempre y cuando se pueda estimar un modelo que se ajuste bien al comportamiento, sin embargo, esta suposición pierde validez en aplicaciones donde la información del sistema es reducida o incompleta, muy comunes en ambientes reales de la industria. La literatura presenta diferentes esquemas de control, siendo los modelos neuro-difusos los que reportan mejor desempeño. Estos modelos conjugan la capacidad de adaptación que tienen las redes neuronales con la robustez de los motores de inferencia que tiene la lógica difusa, para modelar el conocimiento de expertos mediante reglas de aprendizaje, identificar dinámicas complejas y aumentar la adaptabilidad del sistema a perturbaciones que en la práctica tienden a ser de naturaleza estocástica sumado, a veces, que la información del sistema sea restringida. Este artículo presenta una revisión sobre dificultades y soluciones derivadas del control de sistemas estocásticos o complejos con información incompleta. Se revisan las estructuras de control cuando la dinámica del sistema presenta vaguedad en los datos, la evolución hacia técnicas adaptativas, y el desempeño de las redes neuro-difusas ante procesos estocásticos o complejos con incertidumbre en los datos. De forma preliminar se establece que el control de este tipo de sistemas debe estar compuesto por modelos híbridos soportados en rutinas de optimización y análisis probabilístico que garanticen el tratamiento de las incertidumbres sin afectar el desempeño de las estructuras de control y la consistencia en la precisión.