English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Tools annual

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Presents the access of premium content as premium feature

Premium Content

Global: Zendy Plus annual

Global: Zendy Free Plan

El control de procesos con dinamica es- tocastica o compleja es exitoso siempre y cuando se pueda estimar un modelo que se ajuste bien al compor- tamiento, sin embargo, esta suposicion pierde validez en aplicaciones donde la informacion del sistema es reducida o incompleta, muy comunes en ambientes reales de la industria. La literatura presenta diferentes esquemas de control, siendo los modelos neuro-difusos los que reportan mejor desempeno. Estos modelos con- jugan la capacidad de adaptacion que tienen las redes neuronales con la robustez de los motores de inferencia que tiene la logica difusa, para modelar el conocimien- to de expertos mediante reglas de aprendizaje, identifi- car dinamicas complejas y aumentar la adaptabilidad del sistema a perturbaciones que en la practica tien- den a ser de naturaleza estocastica sumado, a veces, que la informacion del sistema sea restringida. Este articulo presenta una revision sobre dificultades y solu- ciones derivadas del control de sistemas estocasticos o complejos con informacion incompleta. Se revisan las estructuras de control cuando la dinamica del sis- tema presenta vaguedad en los datos, la evolucion ha- cia tecnicas adaptativas, y el desempeno de las redes neuro-difusas ante procesos estocasticos o complejos con incertidumbre en los datos. De forma preliminar se establece que el control de este tipo de sistemas debe estar compuesto por modelos hibridos soportados en rutinas de optimizacion y analisis probabilistico que garanticen el tratamiento de las incertidumbres sin afectar el desempeno de las estructuras de control y la consistencia en la precision. Abstract Control theory for processes with stochastic or complex dynamics has a successful performance as long as a model can be adjusted to the system beha- vior, although for real applications in the industry, whe- re data can be reduced or incomplete, this statement may not be true. Different control schemes have been proposed and the literature reports promising results with neural fuzzy models. These models combine the adaptability of neural networks with the robust inferen- ce of fuzzy logic, in order to model expert knowledge by learning rules, identify complex dynamics and enhance the control adaptability when stochastic disturbances are present, which sometimes cause incomplete sys- tem data. This paper presents a review on the difficul- ties and solutions related to the control of stochastic or complex systems with incomplete data. This study, ini- tially, discusses the control structures when the system data present notable uncertainty levels. Next, different adaptive control schemes are presented, and finally, nonlinear and stochastic control approaches based on neural fuzzy systems are reviewed. Thereby, in a preli- minary way, this review establishes that a system under the conditions mentioned above should be controlled by hybrid models supported on probabilistic routines and optimization procedures in order to appropriately con- sider the stochastic disturbances and the uncertainty levels without reducing the control performance and yielding consistent accuracy.

Dinámica Estocástica o Compleja con Información Incompleta: Una Revisión desde el Control