Resumen de Nuevos modelos de redes de neuronas artificiales para simulación y control de sistemas dinámicos
Inés María Galván León 
Esta tesis se desarrolla entorno a dos objetivos fundamentales, El primero de ellos es la contruccion de modelos NARMA neuronales capaces de actuar como simulador del proceso dinámico. Los modelos en paralelo poseen dicha propiedad; sin embargo, en este trabajo se muestra que dichos modelos no siempre proporcionan aproximaciones adecuadas. Esto es debido a que sus parámetros se estiman utilizando el perceptron multicapas. La solución propuesta en esta tesis consiste en utilizar una red parcialmente recurrente para realizar dicha estimación.
El segundo objetivo perseguido es el desarrollo de sistemas de control inverso y predictivo no lineales utilizando redes de neuronas. Ambos esquemas han sido ya estudiados por diferentes autores, aunque siguen presentado en la actualidad una serie de limitaciones e inconvenientes, generalmente, en lo referente a aplicaciones en tiempo real. El controlador inverso propuesto se entrena utilizando el aprendizaje generalizado y especializado, de modo que se pueda obtener un conjunto de pesos para inicializar el controlador que actúa en tiempo real. El sistema de control predictivo que se propone incluye una red de neuronas para calcular la red de control. Esto permite resolver los problemas que poseen las estrategias de control predictivo disponibles en la actualidad, ya que se reduce, considerablemente, el esfuerzo computacional.
Las técnicas desarrolladas se han aplicado a un proceso dinámico real, concretamente un reactor químico.
