Aportes al modelado de sistemas dinámicos no lineales usando modelos generativos
En este trabajo de tesis se presenta un aporte al modelado de sistemas dinámicos usando modelos generativos de aprendizaje profundo, específicamente Autocodificadores y Autocodificadores Variacionales. En primer lugar, se realiza una revisión acerca de la intersección entre las temáticas de identifi...
- Autores:
-
Paniagua Jaramillo, José Luis
- Tipo de recurso:
- Doctoral thesis
- Fecha de publicación:
- 2022
- Institución:
- Universidad Autónoma de Occidente
- Repositorio:
- RED: Repositorio Educativo Digital UAO
- Idioma:
- spa
- OAI Identifier:
- oai:red.uao.edu.co:10614/15466
- Acceso en línea:
- https://hdl.handle.net/10614/15466
https://red.uao.edu.co/
- Palabra clave:
- Doctorado en Ingeniería
Identificacion de sistemas
Aprendizaje profundo
Modelos generativos
Sistemas dinámicos no lineales
System identification
Deep learning
Generative modeling
Nonlinear dynamic system
- Rights
- openAccess
- License
- Derechos reservados - Universidad Autónoma de Occidente, 2022
| Summary: | En este trabajo de tesis se presenta un aporte al modelado de sistemas dinámicos usando modelos generativos de aprendizaje profundo, específicamente Autocodificadores y Autocodificadores Variacionales. En primer lugar, se realiza una revisión acerca de la intersección entre las temáticas de identificación de sistemas y el aprendizaje profundo. Esto con el fin de proponer métodos y arquitecturas actuales de modelado de sistemas usando redes neuronales profundas. Se propone una arquitectura de Autocodificador basada en redes neuronales MLP para el modelado de sistemas lineales y no lineales. Además, se introduce el concepto de reducción de dimensionalidad para lograr una representación compacta de la respuesta temporal del sistema, lo cual ayuda a la predicción ante señales afectadas por ruido. Por otra parte, se plantea una arquitectura de Autocodificador Variacional modificada para el modelado de sistemas no lineales exclusivamente. La parte del codificador consiste en una red MLP, mientras que el decodificador se basa en una estructura NARX neuronal. Las arquitecturas propuestas son validadas con sistemas dinámicos de referencia seleccionados a partir de una revisión de literatura. Además, los resultados son contrastados con los obtenidos con arquitecturas clásicas de modelado con redes neuronales artificiales |
|---|