Resumen

Se desarrolla el diseño del controlador de la Red Neural de Contrapropagación Difusa (FCPN), para una clase de sistemas dinámicos no lineales. En este proceso, el peso que conecta el instar y el outstar, es decir, la capa de entrada-oculta y la capa oculta-salida, respectivamente, se ajusta mediante el uso de Fuzzy Competitive Learning (FCL). El paradigma FCL adopta el principio de aprendizaje, que se utiliza para calcular el Best Matched Node (BMN) que se propone. Esta estrategia ofrece un control robusto de los sistemas dinámicos no lineales. La FCPN se compara con las redes existentes, como la Red Dinámica (DN) y la Red de Propagación Trasera (BPN), sobre la base del Error Medio Absoluto (MAE), el Error Medio Cuadrado (MSE), la Tasa de Mejor Ajuste (BFR), etc. Se prevé que la FCPN propuesta dé mejores resultados que la DN y la BPN. La eficacia de los algoritmos FCPN propuestos se demuestra mediante simulaciones de cuatro sistemas dinámicos no lineales y de datos de series temporales Box-Jenkins de entrada múltiple y salida única (MISO) y de entrada única y salida única (SISO) de hornos de gas.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:sistema dinámico no lineal, salida única, error absoluto de las medias, caja del horno de gas, nodo mejor ajustado, tasa de mejor ajuste, datos de series temporales, base de las medias, red neuronal de propagación, red de retropropagación
• Keywords:nonlinear dynamical system, single output, means absolute error, gas furnace box, best matched node, best fit rate, time series data, basis of means, propagation neural network, back propagation network