Algoritmos de Agrupamiento en la Identificación de Modelos Borrosos

J. L. Díez, J. L. Navarro, A. Sala

Resumen

La aplicación de las técnicas de agrupamiento borroso para la identificación de modelos borrosos se está extendiendo cada vez más. Sin embargo, y dado que su origen es bien distinto a la ingeniería de control, aparecen numerosos problemas en su aplicación en la identificación de modelos locales de sistemas no lineales para control. En este trabajo se revisan las principales técnicas de agrupamiento para la identificación de modelos borrosos, incluyendo propuestas propias que permiten desarrollar modelos que mejoran (respecto a algoritmos previamente existentes) la interpretabilidad y el descubrimiento de estructuras afines locales en los modelos borrosos obtenidos.

Palabras clave

identificación; agrupamiento borroso; sistemas borrosos; sistemas no lineales; técnicas de control inteligente

Texto completo:

PDF

Referencias

Ahvenlampi T., Díez J. L., Navarro J. L. (2003). New methods for validation of local models in fuzzy clustering identification. Proc. of IFAC Conference on Intelligent Control and Signal Processing, pp. 9-12.

Babuska R. (1996). Fuzzy Modeling and Identification, PhD. dissertation. Delft University of Technology, Delft, The Netherlands.

Bezdek J. C. (1987). Pattern recognition with Fuzzy Objective Function Algorithms. Ed. Plenum Press.

Carbonell P., Díez J. L., Navarro J. L. (2000). Aplicaciones de técnicas de modelos locales en sistemas complejos. Revista de la Asociación Española para la Inteligencia Artificial, vol. 10, pp. 111-118.

Díez J. L., Navarro J. L. (1999). Fuzzy Models of Complex Systems by means of Clustering Techniques. Proc. 2nd Intelligent Systems in Control and Measurement, pp.147-153.

Díez J. L., Navarro J. L., Sala A. (2002). Fuzzy Clustering Algorithm for Local Model Control. Proc. IFAC 15th. World Congress, pp. 60-66.

Díez J. L., Navarro J. L., Sala A. (2004). Control por Planificación de Ganancia con Modelos Borrosos. Revista Iberoamericana de Automática e Informática Industrial, vol. 1, nº1, pp. 32-43.

Duda, R. O., Hart, P. E., StorkD. G. (2000). Pattern Classification. John Wiley & Sons, New York.

Emami M. R., Türksen I. B., Goldenberg A. A. (1998). Developement of a Systematic Methodology of Fuzzy Logic Modeling. Transactions on Fuzzy Systems, vol. 6, nº3, pp. 346-36.

Gustafson E. E., Kessel W. C. (1979). Fuzzy Clustering with a Fuzzy Covariance Matrix. IEEE CDC, San Diego, California, pp. 761-766.

Hathaway R. J., Bezdek J. C. (1991). Grouped Coordinate Minimization Using Newton's Method for Inexact Minimization in One Vector Coordinate. Journal of Optimization Theory and Applications, vol. 71, nº 3, pp. 503-516.

Hathaway R. J., Bezdek J. C. (1993). Switching Regression Models and Fuzzy Clustering. Transactions on Fuzzy Systems, vol. 1, nº3, pp. 195-204.

Johansen, T.A., Murray-Smith, R. (1997). The operating regime approach to nonlinear modelling and control. Multiple Model Approaches to Modelling and Control (Eds. R. Murray-Smith and T.A. Johansen). Taylor & Francis, London.

Johansson, R. (1993). System modeling and identification. Information and Systems Science series. Prentice-Hall, New Jersey.

Kim E., Park M., Ji S., Park M. (1997). A New Approach to Fuzzy Modeling. Transactions on Fuzzy Systems, vol. 5, nº3, pp. 328-337.

Klawonn F., Kruse R., Timm H. (1997). Fuzzy Shell Cluster Analysis. Learning, Networks and Statistics (Eds. G. Della Riccia, H.-J. Lenz and R. Kruse). Springer, New York.

Nelles, O. (1999). Nonlinear system identification with local linear neuro-fuzzy models. PhD dissertation. Darmstadt University of Tech., Darmstadt, Germany.

Ryoke M., Nakamori Y. (1996). Simultaneous Analysis of Classification and Regression by Adaptive Fuzzy Clustering. Japanese Journal of Fuzzy Theory and Systems, vol. 8, nº1, pp. 99-113.

Sala A., Díez J. L., Navarro J. L. (2002). A Fuzzy Clustering Algorithm Enhancing Membership Functions Interpretability. Proc. Controlo'02,

th Portuguese Control Conference, pp. 200-206.

Sugeno M., Yasukawa T. (1993). A Fuzzy-Logic-Based Approach to Qualitative Modeling. Transactions on Fuzzy Systems, vol. 1, nº1, pp. 7-31.

Abstract Views

1213
Metrics Loading ...

Metrics powered by PLOS ALM




Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912