laminación
métodos de aprendizaje híbrido para los sistemas
Tipo-1 NSFLS, BP-RLS y BP-REFIL, y comparados
con el BP. Tan sólo fueron usados tan solo diez pares
de datos entrada-salida para el entrenamiento de los
tres modelos, demostrando en esta aplicación que los
modelos aprendieron, se adaptaron, y presentaron la
capacidad de predecir las temperaturas a la entrada
del DS con un mínimo de error.
Referencias
[1]
M. Méndez, A. Cavazos, L. Leduc, R. Soto, Hot Strip Mill
Temperature Prediction Using Hybrid Learning Interval Singleton
Type-2 FLS, Proceedings of the IASTED International Conference
on Modelling and Simulation, Feb. 2003, Palm Springs, CA, ACTA
Press 380-059, 380-385
[2] D.Y. Lee, H.S. Cho, A Neural Network Approach to the Control of
the Plate Width in Hot Plate Mill, International Joint Conference on
Neural Networks, 1999,Vol. 5, 3391-3396.
[3] GE, Users Reference Vol. I, Roanoke, V.A. January, 1994.
[4] J.M. Mendel, Fuzzy Logic Systems, Uncertain Rule-Based Fuzzy
Logic Systems: Introduction and New Directions (Upper Saddle
River, NJ: Prentice Hall, 2001), 422
[5] G.C. Mouzouris, Non-Parametric Modeling of Nonlinear Processes
Using a Fuzzy Set Theoretic Approach, USC-SIPI Report No 300,
May 1996.
[6] J.M. Mendel, Uncertain Rule-Based Fuzzy Logic Systems:
Introduction and New Directions (Upper Saddle River, NJ:
Prentice Hall, 2001).
[7] George C. Mouzouris, Jerry M. Mendel, Nonlinear Time-Series
Analysis with Non-Singleton Fuzzy Logic Systems, 7803-21456/9, IEEE-1995).
[8] Li-Xing Wang, A Course in Fuzzy Systems and Control (Upper
Saddle River, NJ: Prentice Hall, 1997).
Agradecimientos
Este trabajo fue apoyado parcialmente por el ITNL, CIDESI, PROMEP y MAHM. Los autores agradecen las
facilidades proporcionadas por el Departamento de Ingeniería de Procesos de HYLSA, S.A. de C.V.
23 HIERRO y ACERO/AIST MÉXICO