POWER POINT YUCRAElabore una PRESENTACIÓN CORTA sobre el video película: La C...
Cognitive control aplicacion a la agricultura
1. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
1
COGNITIVE CONTROL:
NUEVAS PERSPECTIVAS PARA APLICACIONES EN AGRICULTURA
Disertante: Cristian Rodríguez Rivero
Workshop Internacional
WESIS 2014
11 de Agosto
2. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
2
Cristian Rodríguez Rivero
*Departamento de Ingeniería Electrónica,
Laboratorio de Investigación en Matemáticas Aplicadas a Control (LIMAC)
Universidad Nacional de Córdoba
en colaboración con Simon Haykin y Mehdi Fatemi del
Cognitive Systems Laboratory - Communications Research Lab
(CRL) Building of the McMaster University,
Ontario, Canadá.
en colaboracion con Daniel Patiño del
Instituto de Automatica
Universidad Nacional de San Juan
4. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
4
McCulloch and Pitts
McCulloch, neuropsicólogo, y Pitts, matemático, contribuyeron a el desarrollo temprano de la
cibernética en sus propios caminos pioneros. en su clásico artículo 1943 titulado "Un cálculo
lógico de las ideas inmanentes en actividad nerviosa, "hicieron cinco supuestos sobre el
funcionamiento de las neuronas en el cerebro: los supuestos llevaron a la formulación de un
modelo neuronal ampliamente conocida como la neurona McCulloch-Pitts, que es un
dispositivo binario con un umbral fijo.
Vernon Mountcastle
Su trabajo sobre la caracterización de la organización columnar de la cerebral corteza ha
influido en la investigación llevada a cabo en este campo desde 1950. Me señaló que
minicolumnas corticales son las unidades funcionales básicas de corteza. Basándose en la
apariencia uniforme de la corteza, se propone que todas las regiones de la corteza pueden
utilizar un algoritmo de procesamiento de información básica para realizar sus tareas.
Notas Históricas
5. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
5
Joaquin Fuster
Él propuso el concepto de “COGNIT" para la representación del conocimiento en el corteza
cerebral. También propuso un modelo abstracto para la cognición basada en cinco bloques
de construcción fundamentales, a saber, la percepción, la memoria, la atención, la
inteligencia y el lenguaje.
1) Ciclo de percepción-acción, que es la primera etapa en la cognición.
2) Memoria, que se construye en el ciclo perception-accion .
3) la atención basado en memoria, que es impulsado por el ciclo de percepción-acción.
4) Inteligencia, que es accionado por la atención, la memoria y el ciclo de la percepción-
acción.
5) El lenguaje.
Notas Históricas
6. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
6
La cognición es una característica distintiva del cerebro humano, que se distingue de todas
las demás especies de mamíferos.
El control cognitivo reside en la parte ejecutiva del cerebro, recíprocamente acoplado a su
persona parte conceptual a través de la memoria de trabajo.
Desde hace varios años se interactuo con los Principios básicos de Fuster de la cognición, es
decir, percepción-ciclo de acción, la memoria, la atención y la inteligencia.
Durante los últimos años, el control cognitivo fue visto desde un perspectiva de la ingeniería:
1)el controlador no tiene la disposición para percibir la medio ambiente de una manera directa.
2)el algoritmo de programación dinámica con ninguna disposición que mira en el futuro; por lo
tanto el nombre de optimización dinámica
Introducción y Notas Históricas
7. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
7
Cognitive Radio: Brain-empowered Wireless Communications''
``Cognitive Radar: A Way of the Future''
El modelo de dos estados, proporciona la noción más eficaz para evitar el problema de la
información estado imperfecto.
Aprendizaje Q- que representa una forma aproximada de programación dinámica.
el nuevo controlador cognitiva sigue una ley lineal de complejidad computacional medido en
términos de las medidas adoptadas sobre el medio ambiente
Introducción y Notas Históricas
8. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
8
Desde una perspectiva de la neurociencia cognitiva, control cognitivo desempeña un papel
clave en la corteza prefrontal en el cerebro; lo más importante, el control cognitivo implica dos
procesos importantes:
el aprendizaje, y la planificación.
Ambos procesos son dependientes del modelo de DOS-ESTADOS, así como la información
cíclico dirigido en el diagrama bloques de CPA.
LIBRO: Cognitive Dynamic Systems” por Simon Haykin, donde se encara el estudio de
cognitive radar y cognitive radio.
Nos centramos en el ciclo de percepción-acción, la memoria, la atención y la inteligencia,
como los fundamentos básicos de cómo un sistema de control cognitivo se puede
implementar; el lenguaje no se considera en este documento, ya que está fuera del alcance
de este documento.
COGNITIVE CONTROL
9. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
9
¿Qué podemos aprender del cerebro humano?
Las Ideas neuropsicológicos se han convertido directamente relacionada con la probabilística
vista del sistema físico.
Este punto de vista es de vital importancia para definir un terreno común para ambas
neurociencias y la ingeniería, cerrando estas ideas en sistemas y conceptos de control.
Por ejemplo, como Feldman y Friston explican, a través de la ATENCION, el cerebro optimiza
su representación probabilística del medio ambiente. Es decir, en la terminología de teoría de
la información, una representación probabilística con entropía mínima.
Tanto en el cerebro humano y en sistemas dinámicos cognitivas, el proceso de percepción se
realiza en las mediciones sensoriales. El papel de la PERCEPCION es extraer la información
disponible de las mediciones sensoriales, que son ruidoso.
CONSIDERACIONES PREVIAS DE COGNITIVE
CONTROL
10. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
10
¿Qué podemos aprender del cerebro humano?
nuestro cerebro disminuye el nivel de incertidumbre mediante la optimización (con respecto a
la entropía) su punto de vista probabilístico del medio ambiente no sólo en el tiempo, sino
también transcurrido el tiempo.
CONSIDERACIONES PREVIAS DE COGNITIVE
CONTROL
11. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
11
¿Qué podemos aprender del cerebro humano?
El cerebro humano lleva a cabo acciones con el fin de "aumentar" la información privilegiada
en las mediciones sensoriales en pasos de tiempo posteriores.
Todas estas acciones están basadas en nuestros conocimientos procedentes de la corriente
y mediciones sensoriales anteriores (de los oídos / ojos) con el fin de mitigar la incertidumbre
en las mediciones subsiguientes, pero no con el objetivo de cambiar el comportamiento físico
del medio ambiente.
Llamaremos a estas acciones “ACCIONES COGNITIVAS” y el proceso de búsqueda de
acciones cognitivas óptimas “CONTROL COGNITIVO”.
CONSIDERACIONES PREVIAS DE CONTROL
COGNITIVO
12. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
12
El modelo de dos estados es un elemento esencial para derivar el algoritmo de control
cognitivo.
Se basa en dos estados distintos:
El primero se llama el estado de destino, perteneciente a un objetivo de interés en el medio
ambiente.
La segunda se llama el estado entrópico del perceptor, la fuente de la que es atribuido a la
presencia inevitable de las incertidumbres en el medio ambiente, así como las
imperfecciones en el propio perceptor.
MODELO DE 2-ESTADOS
13. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
13
El aprendizaje y la planificación como los dos procesos importantes en la ejecución del
control cognitivo.
Los objetivos de los procesos de aprendizaje y de planificación son la mejora de una entidad
llamada política cognitiva
La política cognitiva es la distribución de probabilidad de las acciones cognitivas en el ciclo
de percepción-acción k + 1, que incluye la influencia de las medidas adoptadas en el ciclo k
FORMALISMO DEL PROCESO DE APRENDIZAJE
EN COGNITIVE CONTROL
15. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
15
El PAC es iniciada por el perceptor, donde la percepción de la Bayesiano se realiza medio
ambiente.
1) La información de realimentación es el estado entrópico, que se pasa a la controlador por
el perceptor.
2) Con el fin de tener una recompensa entrópico correcta, el estado entrópico es también
almacenado en una memoria a corto plazo para el siguiente ciclo. Esto a corto plazo memoria
se sobrescribe de un ciclo al siguiente.
3) Entonces, el aprendizaje y la planificación están preformados en el controlador.
4) Por otra parte, Exploit / explore estrategia se lleva a cabo en dos lugares: la planificación y
la formulación de políticas.
Descripción del Ciclo Percepción-Acción CPA
16. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
16
5) Por último, se selecciona la acción de la política y luego se aplican a la medio ambiente; y
con ella PAC se repite.
6) El perceptor percibe el medio ambiente, por lo tanto, el uso de modelo de espacio de
estado.
7) La parte ejecutiva del sistema observa la entorno indirectamente mediante el
procesamiento de las votaciones información proporcionada por el perceptor.
8) La Programación dinámica de Bellman para un control óptimo requiere acceso directo al
medio ambiente con el fin de satisfacer la suposición de Markov. Sin embargo, tal proposición
es no es posible en sistemas dinámicos cognitivas.
Descripción del Ciclo Percepción-Acción CPA
18. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
18
Diagrama de Bloque – Sistema de Control
Cognitivo
BLOQUE PERCEPCION
La función del PERCEPTOR es detectar el medio ambiente que separa desde el controlador y
extraer información de las mediciones sobre el medio ambiente.
miramos a la inferencia bayesiana para la estimación de la sate oculto del medio ambiente;
utilizando un modelo de espacio de estado que consta de un par de ecuaciones.
La solución óptima del problema de estimación de estado está dada por el conocido Filtro
Bayesiano, al menos en términos conceptuales. En el caso especial de un modelo de espacio-
estado lineal, en la que el ruido del sistema al igual que el ruido como la medición son Gaussiana
distribuido, el filtro bayesiano se reduce al filtro de Kalman célebre.
Filtro bayesiano es el filtro conocido Extended Kalman (EKF) utilizando un desarrollo en serie de
Taylor.
19. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
19
Diagrama de Bloque – Sistema de Control
Cognitivo
BLOQUE CONTROLLER
El estado está oculta para el perceptor y y el único acceso que el controlador tiene que
el estado del medio ambiente es a través de la información de realimentación desde el
perceptor.
Se plantea una difícil situación en términos matemáticos, que se conoce como el problema
de la información de estado imperfecto.
Se aproxima con un algoritmo de programación dinámica.
20. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
20
Diagrama de Bloque – Sistema de Control
Cognitivo
BLOQUE PERCEPTUAL MEMORY
La memoria perceptual es una parte integral de como el perceptor percibe el medio ambiente.
La Memoria perceptual es la experiencia el conocimiento que se obtiene por el receptor a través de
un proceso de aprendizaje a partir de la medioambiente, de tal manera que el contenido de memoria
cambia continuamente con el tiempo de acuerdo con los cambios en el medio ambiente; el
conocimiento experiencial de manera adquirida mediante el aprendizaje se convierte en una
inextricable parte de la memoria perceptual.
La memoria perceptual se suministra con una biblioteca interna, cada elemento representa un
elemento de conocimiento sobre el medio ambiente o cognit, utilizando la terminología de Fuster.
La percepción en el perceptor consiste en la coincidencia de adaptación de un particular modelo
ambiental recuperado de la biblioteca interna a los estímulos entrantes en cada ciclo.
21. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
21
Diagrama de Bloque – Sistema de Control
Cognitivo
BLOQUE ATENCIÓN PERCEPTUAL E INTELIGENCIA
La atención como un mecanismo tiene por objeto dar prioridad a la asignación de recursos en
términos de importancia práctica.
Desde la perspectiva del perceptor en un sistema dinámico cognitiva, la atención perceptiva
consiste en enfocar el poder de procesamiento computacional del perceptor en un objetivo
específico que es de interés especial para la aplicación.
22. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
22
1) Esquemas tecnológicos
Métodos para la modelización y simulación de la dinámica de los procesos agrícolas.
Optimización en el control.
Modelización de la incertidumbre, la aleatoriedad, el tiempo de la variabilidad,
perturbaciones externas.
2) Conceptos de control
Estructura de control basada en la teoría del control óptimo y automático.
Algoritmos de optimización basados en bio-sistemas. Neuro programación dinámica,
programación dinámica o sus variantes como la dinámica iterativa.
3) Desafíos tecnológicos
El diseño y análisis de las nuevas tendencias de la agricultura de precisión a nivel
regional y mundial para que los productos resulten atractivos y sean aprovechados
por el sector agropecuario.
Identificación del problema general en estudio
24. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
24
Guiado de cultivo en climas protegidos
Objetivo de control
– Generar las condiciones adecuadas para que el cultivo se
desarrolle de acuerdo a un criterio.
0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platín [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Número de hojas
Tiempo [Hs.]
25. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
25
Predicción en cultivos extensivos
A campo abierto, normalmente en grandes extensiones de terreno,
donde las estaciones de siembra están cuasi-determinadas.
El riesgo productivo se debe a la disponibilidad de diferentes
recursos:
– Disponibilidad de agua, la evolución de temperatura, humedad,
radiación solar, etc. durante el futuro desarrollo vegetal.
26. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
26
Aplicaciones de inteligencia computacional para
Control ej: guiado de cultivos
Motivación del guiado
– Planificación de la producción en la agricultura
• Decidir las características de producción.
• Aumentar el volumen de producción.
• Disponer del producto en una fecha predefinida.
– Introducir tecnología con el fin de disminuir los costos, y maximizar
los beneficios.
Objetivos
– Obtener una solución al problema del guiado del desarrollo de cultivos en
invernaderos y extensivos usando la teoría de control óptimo.
– Que la solución sea atractiva de implementar.
27. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
27
El CONCEPTO DEL PROBLEMA DE CONTROL consiste en Generar
una secuencia de acciones de control u a partir del estado actual y
el tiempo de proceso para obtener un valor deseado de las variables
de estado en el tiempo tf (tiempo final) predefinido minimizando los
costos operativos asociados a las acciones de control u y cumpliendo
las restricciones en la temperatura que se encuentre entre 8 y 36
grados a lo largo de la evolución.
28. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
28
Control Basado en Aprendizaje Automatico
Realimentación del estado del cultivo mediante estimación basada en modelo,
con muestreo de 1Hs
Observación mediante las variables de entorno, donde se estima el modelo en
función del número de hojas, que a su vez es dependiente de la temperatura
mediante una función lineal a tramos.
Observación utilizando imágenes del cultivo.
29. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
29
La Agromática, es la aplicación de los principios y técnicas de la informática y
la computación a las teorías y leyes del funcionamiento y manejo de los
sistemas agropecuarios.
Como tecnología de avanzada en lo referido al tratamiento de datos del sector
agropecuario, no está sola, está integrada con la electrónica y las
telecomunicaciones.
La Agromática considera a los subsistemas biológicos mediante los modelos
de simulación del crecimiento y desarrollo de cultivos. Estos modelos de
simulación representan matemáticamente el comportamiento productivo de los
sistemas biológicos: cuantificando las variables de suelo, clima, vegetales. Los
modelos nos permiten calcular cuál será el resultado de un cultivo. Y así
podemos evaluar el impacto de distintas alternativas de manejo bajo diversas
condiciones climáticas, proyectando los posibles rendimientos y los costos
asociados.
30. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
30
Se presenta la PREDICCIÓN DE FENÓMENOS NATURALES como un tópico
desafiante útil para los problemas de control dentro de la actividad agrícola.
En la actualidad, se enfrenta la problemática del pronostico de lluvia para la disponibilidad de
agua en el guiado de crecimiento de cultivo abierto usando inteligencia computacional.
El esquema de control a lazo cerrado considera las condiciones futuras para el diseño de la ley
de control.
Este controlador contempla el estado actual x(k) del cultivo por un observador de estado así
como las variables meteorológicas Ro
33. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
Metodología: Ciencias básicas y Tecnologías Aplicadas.
33
¿Cómo se hace?
Caso,
Problema o
Proyecto
matemático
Solución
matemática
Problema del
mundo real
Matemática
Abstracción
Constatación
Interpretación
0 200 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platín [gr]
Tiempo [Hs.]
0 200 400
0
1
2
3
4
Número de hojas
Tiempo [Hs.]
Observada
Esperada
Medida
34. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
34
Identificación y Control de Sistemas usando RNs
En la teoría de sistemas tanto la caracterización como la identificación son dos
problemas fundamentales.
El problema de caracterización está relacionado a la representación
matemática del sistema.
El problema de identificación se está relacionada a la obtención de un modelo
matemático que caracterice su dinámica, a partir del conocimiento a priori y del
análisis de pares de datos entrada-salida obtenidos mediante experimentación o
simulación.
Dos partes principales de la identificación lo constituyen: la elección del
modelo de identificación, es decir su parametrización y estructura, y el
método de ajuste de sus parámetros basado en el error de identificación.
38. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
38
Formulación del problema de control
La Presentación esquemática del problema de guiado se define según
las acciones de control que van a utilizarse, que en éste caso son a(t)
(Humedad y Ventilación) y CO2(t).
Para poder controlar el desarrollo del cultivo con estas variables, se
deben establecer condiciones adecuadas en las Variables
complementarias, que son por ejemplo, el suministro de agua y
nutrientes, el manejo de plagas, hongos, malezas, niveles
adecuados de humedad relativa ambiente (HR) y radiación solar
PAR. E
El manejo de estas variables es de vital importancia para poder llevar
a cabo el control del desarrollo del cultivo mediante las ya citadas
variables a(t) y CO2(t).
39. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
39
Dificultad de la realimentación del estado del cultivo
– La medición directa del vector de estado: número de hojas y
medición del peso seco.
– Evitar el efecto borde.
– Perturbación y daño irreversible en el cultivo.
40. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
40
Supervisado.
• Pares entrada salida.
No supervisado
• Auto organizado, basado en competencia.
• Reforzado, a desarrollar ahora.
Aprendizaje reforzado
41. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
41
Problema de aprendizaje de comportamiento.
Hay una interacción entre el sistema que aprende y su
entorno.
El sistema busca alcanzar un objetivo específico a pesar de
incertidumbres en el entorno.
Hay dos líneas para estudiar al aprendizaje reforzado:
Clásica: el aprendizaje consiste en el proceso premio-castigo.
Moderna: programación dinámica.
Aprendizaje reforzado
42. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
42
Programación dinámica (NPD)
Técnica para toma de decisiones en etapas.
No se toman en forma aislada, se ponderan según el bajo costo en el presente
contra un alto costo en el futuro.
Pondera el desempeño a largo plazo aunque se sacrifique buen desempeño a corto
plazo.
Neuro-programación dinámica:
– La programación dinámica provee los fundamentos teóricos.
– Las redes neuronales provee la capacidad de aprendizaje.
– La NPD permite a un sistema a aprender cómo tener buenas decisiones
observando su propio comportamiento, y mejorando estas acciones utilizando
un mecanismo incorporado a través del refuerzo.
43. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
Solución propuesta
Programación dinámica (Bellman, 1962).
– Resuelve el problema numéricamente.
– Las restricciones son inherentes al cálculo.
– Problema de dimensionalidad. (35 × 35 × 100=122500;11 ×11).
Disminuir los valores de la tabla (Luus, 2000).
PD Aproximada (Bertsekas, 1996). (400; 11).
43
44. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
44
Neurocontrolador
Se aproxima a J y a µ.
Se obtiene una expresión
compacta del controlador.
( )( )∑
∈
−=
S
~
i
2
i .C,iJ
~
minarg rr
r
( )
( )
( ) ( )( ) i.,jJ
~
,iIminargi
iUu
∀+=µ
∈
ru
( ) ( )( )∑
∈
µ−µ=
Sˆi
2
i,i~minarg ss
s
45. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
5 10 15
-30
-20
-10
0
10
W1a
T Evolución de parámetros
Iteraciones
5 10 15
-10
-5
0
5
10
15
Evolución de parámetros
Iteraciones
W1aC
0 500 1000 1500
0
500
1000
1500
2000
Aproximada
Deseada
Salidas aproximada vs. deseada
Obtenida
Ideal
0 5 10 15 20
0
500
1000
1500
2000
Valores de Jµ
(0)
Iteraciones
45
46. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
0 100 200 300 400
-100
-50
0
50
100
a(t)
0 100 200 300 400
0
5
10
15
20
25
Temperatura externa [°C]
0 100 200 300 400
300
350
400
450
500
Concentración de CO
2
[ppm]
0 100 200 300 400
5
10
15
20
25
30
35
Temperatura interna [°C]
0 100 200 300 400
-100
-50
0
50
100
a(t)
Tiempo [Hs.]
0 100 200 300 400
0
5
0 100 200 300 400
300
350
0 100 200 300 400
5
10
15
20
25
30
35
Temperatura interna [°C]
Tiempo [Hs.]
0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por plantín [gr]
Tiempo [Hs.]
0 100 200 300 400
0
0.5
1
1.5
2
2.5
3
Número de hojas
Tiempo [Hs.]
46
47. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
Experimentación: variables de control
0 100 200 300 400
15
20
25
30
Temperatura externa [°C]
0 100 200 300 400
250
300
350
400
450
500
Concentración de CO
2
[ppm]
0 100 200 300 400
24
26
28
30
32
34
36
Temperatura interna [°C]
Tiempo [Hs.]
0 100 200 300 400
-100
-80
-60
-40
-20
Acción de control a(t)
Tiempo [Hs.]
0 100 200 300 400
15
20
25
30
Temperatura externa [°C]
0 100 200 300 400
250
300
350
400
450
500
Concentración de CO
2
[ppm]
0 100 200 300 400
24
26
28
30
32
34
36
Temperatura interna [°C]
Tiempo [Hs.]
0 100 200 300 400
-100
-80
-60
-40
-20
Acción de control a(t)
Tiempo [Hs.]
47
48. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platín [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Número de hojas
Tiempo [Hs.]
Observada
Esperada
Medida
0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platín [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Número de hojas
Tiempo [Hs.]
0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platín [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Número de hojas
Tiempo [Hs.]
Evolución de las variables de estado
Variables calculadas (Esperada).
Estimadas durante la experimentación (Observadas).
Medidas al finalizar el proceso.
48
51. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
51
Los drones pueden usarse también para realizar relevamientos
topográficos, confeccionar mapas detallados de labores agrícolas,
identificar zonas del terreno susceptibles de erosión y hasta detectar
plagas.
En el 21º edición de AGRISHOW Brasil 2014, la muestra de tecnología
agrícola más importante de Latinoamérica. Allí se exhibieron dos modelos
de “drones” (abejorro, en inglés), como se los conoce popularmente en todo
el mundo, equipados con cámaras y dotados de diferentes softwares
desarrollados por la empresa para brindar servicios agrícolas.
USO DE DRONES EN AGRICULTURA
52. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
VENTAJAS DE DRONES
52
Este punto de vista de baja altitud (desde unos pocos metros por
encima de las plantas a unos 120 metros.
En comparación con las imágenes de satélite, que es mucho más
barato y ofrece una resolución más alta. Debido a que se adoptará en
las nubes, es sin obstrucciones y disponible en cualquier momento.
También es mucho más barato que las imágenes de los cultivos con
una aeronave tripulada, que puede costar $ 1.000 la hora. Los
agricultores pueden comprar los drones de plano por menos de $
1,000 cada uno.
53. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
VENTAJAS DE DRONES
53
El advenimiento de drones este pequeño, barato y fácil de usar se
debe en gran parte a los avances notables en la tecnología: sensores
MEMS (acelerómetros diminutos, giroscopios, magnetómetros,
sensores de presión y con frecuencia), pequeños módulos GPS,
procesadores increíblemente poderosas, y una gama de radios
digitales.
Más y mejores datos pueden reducir el uso de agua y reducir la carga
química en nuestro entorno y nuestra comida.
54. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
VENTAJAS DE DRONES
54
Los Drones puede proporcionar a los agricultores, con tres tipos de vistas
detalladas.
1) ver a un cultivo del aire puede revelar patrones que exponen todo, desde
los problemas de riego a la variación del suelo y las infestaciones de
plagas y hongos incluso que no son evidentes al nivel del ojo.
2) las cámaras de aire pueden tomar imágenes multiespectrales, la captura
de datos desde el infrarrojo, así como el espectro visual, que se puede
combinar para crear una vista de la cosecha que pone de relieve las
diferencias entre plantas sanas y en dificultades en una manera que no se
puede ver con el ojo desnudo.
3) un avión no tripulado puede vigilar una cosecha cada semana, cada día,
o incluso cada hora. Combinado para crear una animación de series de
tiempo, que las imágenes puede mostrar cambios en la cosecha, dejando al
descubierto los puntos conflictivos o las oportunidades para un mejor
manejo de los cultivos.
55. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
55
Se presento una introducción a los sistemas dinámicos cognitivos con futura
aplicación a la agricultura.
Se puede aplicar en todas las áreas en las que el nivel de incertidumbre es
controlable.
Incluye los sistemas con sensores ajustables, sistema de sistemas con periferia
(red de) los sensores, los problemas en los que las características
probabilística del medio ambiente es controlable.
Conclusiones
56. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
56
LIBROS
Pucheta, J., Sauchelli, V. “Control Óptimo y Sistemas Estocásticos”, Número 13997 e ISBN 978-3-659-03577-7,
Editorial Académica Española es una marca comercial de LAP LAMBERT Academic Publishing GmbH& Co. KG
Heinrich-Böcking-Str. 6-8 66121, Saarbrücken, Germany. www.eae-publishing.com.
Julián Pucheta, C. Rodríguez Rivero, Martín Herrera, Carlos Salas, Víctor Sauchelli, H. Daniel Patiño,
Departments of Electrical and Electronic Engineering, Mathematics Research Laboratory Applied to Control
(LIMAC), at Faculty of Exact, Physical and Natural Sciences – National University of Córdoba, Córdoba,
Argentina, and others, Capítulo titulado , “Non-parametric methods for forecasting time series from cumulative
monthly rainfall” del libro Rainfall: Behavior, Forecasting and Distribution Editors: Olga E. Martín and Tricia M.
Roberts, Nova Science Publishers, Inc. ISBN: 978-1-62081-551-9.
https://www.novapublishers.com/catalog/product_info.php?products_id=30548.
Pucheta, J., Patino, D. and Kuchen, B. “A Statistically Dependent Approach For The Monthly Rainfall Forecast
from One Point Observations”. In IFIP International Federation for Information Processing Volume 294, Computer
and Computing Technologies in Agriculture II, Volume 2, eds. D. Li, Z. Chunjiang, (Boston: Springer), pp. 787–
798. (2009). http://www.springerlink.com/content/v4651015hn60t7g8/?p=c2668d5d24fc41ef914d439a9ec86142
Referencias
57. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
57
R. W. Gardner, P. S. Holzman, G. S. Klein, H. P. Linton, and D. P. Spence, “Cognitive control: A study of individual
consistencies in cognitive behavior,” Psychological Issues, vol. 1, no. 4, pp. 1–186, 1959.
M. Buss, S. Hirche, and T. Samad, “Cognitive control,” in The Impact of Control Technology, T. Samad and A.
Annaswamy, Eds. IEEE Control Systems Society, 2011.
Gazzaniga, Ed., Handbook of Cognitive Neuroscience. New York, Plenum Press, 1984.
M. Fuster, Cortex And Mind, Unifying Cognition. Oxford University Press, 2003.
S. Haykin, Cognitive Dynamic Systems. Cambridge University Press, December 2011.
Feldman and K. Friston, “Attention, uncertainty, and free-energy,” Frontiers in Human Neuroscience, vol. 4, no.215,
2010.
R. Rao and D. Ballard, “Dynamic model of visual recognition predicts neural response properties in the visual
cortex,” Neural Computation, pp. 721–763, 1997.
A. No¨e, Action in Perception. MIT Press, 2004.
Y. Bar-Shalom, X. R. Li, and T. Kirubarajan, Estimation with Applications to Tracking and Navigation. John Wiley
& Sons, Inc., 2001.
M. Fatemi, “Cognitive control in cognitive dynamic systems,” August 2011, technical report, Cognitive Systems
Lab, McMaster Univeristy.
Y. Niv, “Reinforcement learning in the brain,” Journal of Mathematical Psychology, vol. 53, no. 3, pp. 139 – 154,
2009, special issue: Dynamic Decision Making.
R. S. Sutton and A. G. Barto, Reinforcement Learning MIT Press, 1998.
Referencias
58. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
58
Pucheta, J., Patiño, H., Schugurensky, C., Fullana, R., Kuchen, B. “Optimal Control Based-Neurocontroller to
Guide the Crop Growth under Perturbations”. Dynamics Of Continuous, Discrete And Impulsive Systems Special
Volume Advances in Neural Networks-Theory and Applications. DCDIS A Supplement, Advances in Neural
Networks, Vol. 14(S1) 618—623 Watam Press. (2007). Disponible en http://bbcr.uwaterloo.ca/~journal/Book2-
Neural.pdf.
J.A. Pucheta, C. Schugurensky, R. Fullana, H. Patiño and B. Kuchen. “Optimal greenhouse control of tomato-
seedling crops”. Computers and Electronics in Agriculture, Volume 50, Issue 1, January 2006, Pages 70-82.
J.A. Pucheta, C. Schugurensky, R. Fullana, H. Patiño and B. Kuchen. “A Neuro-Dynamic Programming-Based
Optimal Controller for Tomato Seedling Growth in Greenhouse Systems”. Neural Processing letters. Editorial
Springer Verlag (Springer Netherlands). ISSN 1370-4621 1370-4621 (Print) 1573-773X (Online) DOI
10.1007/s11063-006-9022-9, Volume 24, Number 3 / December, 2006, Pages 241-260.
Pucheta, J., Sauchelli, V. “Control Óptimo y Sistemas Estocásticos”, Nº 13997, ISBN 978-3-659-03577-7,
Editorial Académica Española, marca comercial de LAP LAMBERT Academic Publishing GmbH & Co. KG
Heinrich-Böcking-Str. 6-8 66121, Saarbrücken, Germany. www.eae-publishing.com.
Bertsekas D. and J. Tsitsiklis, 1996. “Neuro-dynamic programming”. Athena Scientific.
Øksendal, B. 2000. Stochastic Differential Equations An Introduction with Applications. Fifth Edition, Corrected
Printing. Springer-Verlag HeidelbergNew York.
Durrett, R. 2004. “Probability: Theory and Examples (Probability: Theory & Examples)”. Duxbury Press; 3 edition.
Ogata, K., 1997. “Modern Control Engineering”. Prentice Hall, Upper Saddle River, New Jersey.
Referencias
59. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
59
Neural Network Based Irrigation Control for Precision Agriculture. Capraro F., Patiño H. D., Tosetti S.,‐
Schugurensky C. IEEE International Conference on Networking, Sensing and Control, 2009.
Intelligent irrigation control in agricultural soils: an application to grapevines", F. Capraro, C. Shugurensky, F. Vita,
S. Tosetti, A. Lage, J. Pucheta. 2008 IEEE International Conference on Networking, Sensing and Control, China,
April 6 8, 2008.‐
Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006, ISBN: 0387310738.
Ethem Alpaydın (2004) Introduction to Machine Learning (Adaptive Computation and Machine Learning), MIT
Press, ISBN 0-262-01211-1
Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012). Foundations of Machine Learning, The MIT
Press. ISBN 9780262018258.
Inteligencia Artificial Un Enfoque Moderno Segunda edición, Stuart J. Russell y Peter Norvig, 2004.
Ajoy K. Palit, Dobrivoje Popovic Computational Intelligence in Time Series Forecasting: Theory and Engineering
Applications (Advances in Industrial Control) (Kindle Edition), Springer, 2005.
Bertsekas D. and J. Tsitsiklis, 1996. “Neuro-dynamic programming”. Athena Scientific.
Referencias
60. Laboratorio de
Investigación Matemática
Aplicada a Control
LIMAC
60
MUCHAS GRACIAS POR SU ATENCIÓN
¿PREGUNTAS?
LIMAC – Laboratorio de Investigación en
Matemática aplicada a Control
www.inv.limac.efn.uncor.edu
Notas del editor
El problema de control óptimo con restricciones e índice no cuadrático se va a encarar mediante la técnica de programación dinámica que da la solución numérica como una tabla de valores.
Esta técnica es una herramienta potente, ya que puede aplicarse para resolver el problema de control óptimo de procesos no lineales con restricciones, determinístico e invariante; con un índice, en general no cuadrático.
Tiene la falencia de que aparecen inconvenientes para llevar a cabo los cálculos conforme la dimensionalidad del problema aumente, la que está estrechamente relacionada a la exactitud requerida de la solución. Comienza a tener limitaciones en su aplicación en problemas de ingeniería, porque para realizar la implementación del controlador requiere memoria suficiente como para almacenar el valor de la acción de control para cada estado potencialmente alcanzable por el sistema. Esto genera el problema de la dimensionalidad (Bellman, 1962).
Varias Modificaciones se han realizado para solucionar el problema de la dimensionalidad. Por ejemplo tratando de disminuir la cantidad de valores de la tabla (Luus, 2000).
O generando una expresión compacta de la tabla mediante una función que aproxime los valores de la tabla, metodología formalizada por Bertsekas (1996), que aproxima el índice de desempeño y la ley de control, para evaluar el desempeño y controlar el sistema respectivamente.
La evolución de los parámetros del proceso de cómputo para éste controlador basado en aproximación de J y µ, es el siguiente, donde en la parte superior se encuentra la evolución de los parámetros correspondientes a la función que aproxima a la ley de control, son parámetros que corresponden al vector s.
En las dos gráficas de abajo se observa el desempeño obtenido mediante la función de aproximación de µ y el costo asociado a la política actual cuando se hace evolucionar al proceso desde el estado inicial nulo hasta el estado correspondiente al tiempo tf.
La evolución de las variables de control es similar al caso anterior, salvo que son mas suaves, teniendo en cuenta que la acción de control es generada por una red neuronal.
La evolución de las variables de estado es la adecuada. El peso seco es .21 y el número de hojas es prácticamente 3.
El neurocontrolador usado en las experimentaciones está basado en aproximar J y µ.
El procedimiento de cómputo se llevó a cabo para calcular la ley de control, donde las acciones de control se muestran en la siguiente gráfica. En el modelo del sistema intervienen las variables de temperatura y radiación exteriores al invernadero de laboratorio.
En la experimentación, las mediciones de las condiciones de entorno se muestran en negro, donde se produjo un corte de la energía eléctrica durante 8Hs, desde la hora 80.
Nótese que las condiciones climáticas son algo diferentes, a las esperadas. Sin embargo, el neurocontrolador logra guiar el desarrollo del cultivo cuando las acciones de control son similares a las esperadas desde 200Hs hasta el final.
En consecuencia, la evolución de las variables de estado es la que sigue, para el caso de simulación, que es calculado, en la experimentación será la evolución esperada de las variables de estado.
Durante el guiado del desarrollo del cultivo, se utilizó el observador que considera el procesamiento de imágenes de la canopia del cultivo, y la evolución se denomina observada.
Por último, las variables medidas, cuyo proceso es realizado al terminar el guiado del cultivo, está mostrado por los círculos celestes.
Durante el experimento se provocó ex profeso un corte energético a partir de la hora 80 durante 8 horas. Luego se continuó con el guiado y no existieron cortes relevantes. En rojo se señala la evolución de las variables, donde el observador consideró constantes las condiciones desde la hora 88 hasta la 80 para estimar W y N.
En consecuencia, la evolución de las variables de estado es la que sigue, para el caso de simulación, que es calculado, en la experimentación será la evolución esperada de las variables de estado.
Durante el guiado del desarrollo del cultivo, se utilizó el observador que considera el procesamiento de imágenes de la canopia del cultivo, y la evolución se denomina observada.
Por último, las variables medidas, cuyo proceso es realizado al terminar el guiado del cultivo, está mostrado por los círculos celestes.
Durante el experimento se provocó ex profeso un corte energético a partir de la hora 80 durante 8 horas. Luego se continuó con el guiado y no existieron cortes relevantes. En rojo se señala la evolución de las variables, donde el observador consideró constantes las condiciones desde la hora 88 hasta la 80 para estimar W y N.
En consecuencia, la evolución de las variables de estado es la que sigue, para el caso de simulación, que es calculado, en la experimentación será la evolución esperada de las variables de estado.
Durante el guiado del desarrollo del cultivo, se utilizó el observador que considera el procesamiento de imágenes de la canopia del cultivo, y la evolución se denomina observada.
Por último, las variables medidas, cuyo proceso es realizado al terminar el guiado del cultivo, está mostrado por los círculos celestes.
Durante el experimento se provocó ex profeso un corte energético a partir de la hora 80 durante 8 horas. Luego se continuó con el guiado y no existieron cortes relevantes. En rojo se señala la evolución de las variables, donde el observador consideró constantes las condiciones desde la hora 88 hasta la 80 para estimar W y N.
En consecuencia, la evolución de las variables de estado es la que sigue, para el caso de simulación, que es calculado, en la experimentación será la evolución esperada de las variables de estado.
Durante el guiado del desarrollo del cultivo, se utilizó el observador que considera el procesamiento de imágenes de la canopia del cultivo, y la evolución se denomina observada.
Por último, las variables medidas, cuyo proceso es realizado al terminar el guiado del cultivo, está mostrado por los círculos celestes.
Durante el experimento se provocó ex profeso un corte energético a partir de la hora 80 durante 8 horas. Luego se continuó con el guiado y no existieron cortes relevantes. En rojo se señala la evolución de las variables, donde el observador consideró constantes las condiciones desde la hora 88 hasta la 80 para estimar W y N.
En consecuencia, la evolución de las variables de estado es la que sigue, para el caso de simulación, que es calculado, en la experimentación será la evolución esperada de las variables de estado.
Durante el guiado del desarrollo del cultivo, se utilizó el observador que considera el procesamiento de imágenes de la canopia del cultivo, y la evolución se denomina observada.
Por último, las variables medidas, cuyo proceso es realizado al terminar el guiado del cultivo, está mostrado por los círculos celestes.
Durante el experimento se provocó ex profeso un corte energético a partir de la hora 80 durante 8 horas. Luego se continuó con el guiado y no existieron cortes relevantes. En rojo se señala la evolución de las variables, donde el observador consideró constantes las condiciones desde la hora 88 hasta la 80 para estimar W y N.
En consecuencia, la evolución de las variables de estado es la que sigue, para el caso de simulación, que es calculado, en la experimentación será la evolución esperada de las variables de estado.
Durante el guiado del desarrollo del cultivo, se utilizó el observador que considera el procesamiento de imágenes de la canopia del cultivo, y la evolución se denomina observada.
Por último, las variables medidas, cuyo proceso es realizado al terminar el guiado del cultivo, está mostrado por los círculos celestes.
Durante el experimento se provocó ex profeso un corte energético a partir de la hora 80 durante 8 horas. Luego se continuó con el guiado y no existieron cortes relevantes. En rojo se señala la evolución de las variables, donde el observador consideró constantes las condiciones desde la hora 88 hasta la 80 para estimar W y N.
En consecuencia, la evolución de las variables de estado es la que sigue, para el caso de simulación, que es calculado, en la experimentación será la evolución esperada de las variables de estado.
Durante el guiado del desarrollo del cultivo, se utilizó el observador que considera el procesamiento de imágenes de la canopia del cultivo, y la evolución se denomina observada.
Por último, las variables medidas, cuyo proceso es realizado al terminar el guiado del cultivo, está mostrado por los círculos celestes.
Durante el experimento se provocó ex profeso un corte energético a partir de la hora 80 durante 8 horas. Luego se continuó con el guiado y no existieron cortes relevantes. En rojo se señala la evolución de las variables, donde el observador consideró constantes las condiciones desde la hora 88 hasta la 80 para estimar W y N.