El término “modelo libre” significa “no contener un modelo explícito del sistema a partir de los primeros principios”. El controlador PID que presenta Ryan Carlyle es un buen ejemplo. Una analogía útil es cómo puede manejar un automóvil a lo largo de una carretera sinuosa sin comprender cómo funciona un automóvil. En cambio, confía en la retroalimentación visual para girar el volante de cualquier manera que lo mantenga en el camino.
“Modelo libre” es sin embargo un nombre inapropiado. Según el padre de la cibernética, W. Ross Ashbye: ” Todo buen regulador de un sistema debe ser un modelo de ese sistema ” [1,4,5]. La diferencia es simplemente que los sistemas ‘sin modelo’ construyen sus modelos a partir de series de tiempo históricas o datos en tiempo real del sistema en estudio, en lugar de las ecuaciones y diagramas de flujo habituales. Para el control del proceso y la optimización centrada en el control de calidad, el control estadístico del proceso es un buen sinónimo [2]. Para la optimización en general, también podría hablar de la optimización de caja negra, mientras que el aprendizaje automático , que realiza predicciones basadas en datos pasados, tiene aplicaciones tanto en control de procesos como en optimización.
En cualquier caso, los métodos tienden a producir ‘algo’ que predice la respuesta del sistema dado un conjunto de entradas. Ese ‘algo’, por lo tanto, se comporta de manera similar al sistema, tal como lo haría un modelo, aunque las entrañas del ‘algo’, ya sean redes neuronales, matrices o un conjunto de vectores, se parezcan poco al sistema real.
Si está tratando de optimizar un proceso o una máquina donde se le permite experimentar y probar diferentes configuraciones, un buen comienzo sería leer sobre el análisis de componentes principales (PCA). Este es un método sencillo que se implementa en muchos paquetes de software diferentes. (por ejemplo, Matlab y Weka) y software dedicado (por ejemplo, Sirius de Pattern Reconition Systems). No es necesario que comprenda PCA para usarlo , pero es preferible comprender el diseño experimental [3], de modo que sepa qué datos alimentar PCA . (Por ejemplo, ¿cómo se configura un diseño factorial completo?) La identificación del sistema [6] mencionada por Saurav Talukdar utiliza los mismos principios del diseño experimental y está estrechamente relacionada con el control estadístico del proceso.
- Cómo preprocesar el conjunto de datos de correo electrónico de Enron
- ¿Cuándo se lanzará sklearn 0.18?
- ¿Cuál es la diferencia entre embolsado y bootstrapping en ML / estadísticas?
- ¿Cuáles son los conceptos básicos de los campos aleatorios condicionales?
- ¿Cómo utilizan los RNN estándar la información de los pasos de tiempo anteriores?
[1] http://en.wikipedia.org/wiki/Goo…
[2] http://en.wikipedia.org/wiki/Sta…
[3] http://en.wikipedia.org/wiki/Des…
[4] http://pespmc1.vub.ac.be/Books/C…
[5] http: //www.goodregulatorproject….
[6] http://en.wikipedia.org/wiki/Sys…