Resumen

Consideramos los procedimientos basados en la agrupación para la identificación de sistemas híbridos de tiempo discreto en la forma afín a trozos (PWA). Estos métodos explotan tres técnicas principales que son la agrupación, la identificación lineal y el reconocimiento de patrones. En este trabajo se trata el método de clustering basado en el algoritmo k-means. Consiste en estimar tanto el vector de parámetros de cada submodelo como los coeficientes de cada partición conociendo los órdenes de modelo na y nb y el número de submodelos s. El rendimiento de este enfoque puede verse amenazado por la presencia de valores atípicos y de inicializaciones deficientes. Para superar estos problemas, proponemos nuevas técnicas de clasificación de datos. Las técnicas propuestas explotan la técnica de agrupación de Chiu y el enfoque de red neuronal autoartificial de Kohonen para mejorar el rendimiento tanto de la agrupación como del procedimiento de regresión lineal final. Se presentan resultados de simulación para ilustrar el rendimiento del método propuesto.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:rendimiento, procedimiento de regresión lineal final, enfoque de red neuronal, sistemas híbridos temporales, agrupación, método, resultados de simulación, kohonen artificial, clasificación de datos, identificación lineal
• Keywords:performance, final linear regression procedure, neural network approach, time hybrid systems, clustering, method, simulation results, artificial kohonen, data classification, linear identification