Estructuras y modelos de identificación         

El modelo de identificación es un modelo matemático general (definido por ecuaciones lineales o no lineales) que se utiliza para representar la conducta de entrada-salida de un proceso dado. Los parámetros del modelo se determinan fundamentalmente minimizando el error entre la salida del proceso y la salida de la estructura analítica que pretende representar al proceso (modelo), siendo este un método de aprendizaje supervisado.

Existen dos estructuras de identificación básicas: modelo paralelo y el modelo serie-paralelo. La selección de cualquiera de estas estructuras determina la definición de las entradas y las salidas.

Se ha demostrado que el modelo serie-paralelo (que utiliza como referencia la salida real del sistema en vez del valor devuelto por la función que representa al modelo) es mejor identificador que el modelo paralelo. Lo anterior no es de difícil de suponer dado que en el modelo paralelo el valor estimado por el identificador es realimentado como variable de entrada, lo cual provoca una fuerte inestabilidad adicional debido al error implícito en la estimación anterior. Es por ello que se recomienda la utilización del modelo serie-paralelo siempre que sea posible.

A pesar de lo anterior, existen aplicaciones donde la utilización del modelo paralelo es fundamental, sobre todo en estructuras de entrada-salida donde se pretende predecir la evolución de sistemas en el futuro.

No obstante, una vez que el modelo serie-paralelo logra la identificación del sistema, se puede sustituir por el modelo paralelo si se garantiza que en el aprendizaje se ha utilizado suficiente información, las variables están disponibles y el modelo obtenido es lo suficientemente fiable.

Referencia:

[1] Narendra, K.; Parthasarathy.: "Identification and Control of Dynamical Systems Using Neural Networks". IEEE Trans. on Neural Networks, vol. 1, No. 1. 1990.