Modelos, Control y Sistema de Visión
Central     Modelos     Control     Visión     Aplicaciones     Mapa del sitio     Publicaciones     Sobre el autor      
Concepto     Tipos     Estructuras     Pasos     Núcleo estimador     Jerarquía     Clustering      
Dependiente de las características del sistema
 
Modelo mental:

Son intuitivos y su carácter es difícil de formalizar. Como ejemplo se puede presentar a los cazadores primitivos, cuya supervivencia estaba determinada por su habilidad en evitar a predadores letales. El cazador aprendió a distinguir entre los animales mortales y los que no lo eran, cazar y defenderse de los primeros. Cuando se enfrentaba a una nueva especie no vista antes, utilizaba su experiencia para clasificar y predecir su conducta. Se puede decir que el modelo utilizado por un cazador para describir la conducta de los animales (su interpretación del sistema real, desarrollado a través de la educación, práctica y experiencia) se crea a partir de los experimentos realizados. 

 

Modelo verbal:

Es cualitativo por naturaleza, las palabras se usan para describir las reacciones del sistema frente a un estímulo. La regla “Si un individuo es alto, entonces puede ser buen jugador de baloncesto” es parte de un modelo. El conjunto de reglas borrosas (como uno de los varios tipos de sistemas basados en el conocimiento que existen) es un ejemplo de modelo verbal.

 

Modelo físico:

Generalmente son modelos a pequeña escala de barcos, plantas de destilación, etc. que se desarrollan para investigar el comportamiento del sistema real. En general es costoso de construir y resulta difícil modelar todos los fenómenos involucrados.

 

Modelo matemático:

Es aquel donde la relación entre las diferentes variables en un sistema se formaliza a través de relaciones matemáticas (normalmente ecuaciones). Los modelos matemáticos son generalmente muy informativos, pero en una forma más limitada que los modelos mentales o verbales, puesto que son sólo interpretables desde un punto de vista matemático. Los modelos borrosos, por ejemplo, son usualmente descritos por reglas borrosas; estos poseen un significado más preciso una vez que han sido trasladados al contexto matemático.

Tipos de modelos matemáticos


Modelado por caja blanca:
Los modelos de caja blanca reflejan todas las propiedades del sistema real. Para su construcción se utiliza el conocimiento previo y los principios físicos involucrados. Todas las variables y constantes pueden interpretarse como términos físicos que son conocidos a priori. Por razones obvias, a este tipo de modelo se le conoce también como modelo físico. 

Modelado por caja negra:
Los modelos por caja negra se diseñan enteramente a partir de datos, sin tener en cuenta la interpretación de los parámetros que lo definen. La base del modelo se selecciona a partir de núcleos estimadores cuya estructura se conoce que es muy flexible y que ha dado resultados en aplicaciones pasadas; los parámetros de estos modelos por lo general no tienen significado físico y se ajustan para reproducir los datos observados tan bien como sea posible. El origen físico e interpretación de las variables medidas no es importante, y de hecho tal información puede perderse; por ejemplo, a través de la manipulación de los datos observados.

Cuando se trata de obtener un modelo por caja negra, pero ajustando algún parámetro al que se le puede dar una interpretación física; entonces al método de identificación de sistema utilizado se le llama modelado físicamente parametrizado. El modelo físicamente parametrizado es normalmente más realista que el modelado por caja negra cuando se dispone de algún conocimiento sobre las leyes que rigen el comportamiento del parámetro que se adapta. Esta terminología implica que los métodos de identificación pueden clasificarse en un rango entre el modelo de caja negra y el modelo por caja blanca, a esta “zona media” se le denomina modelado por caja gris (o modelo físicamente parametrizado).
Desde el punto de vista de una aplicación, el modelado por caja gris es el más importante, pues permite el cumplimiento de dos aspectos fundamentales a tener en consideración cuando se realiza un modelo:

  • El esfuerzo de modelado debe reflejar el uso que se le pretende dar al modelo
    • No debe estimarse lo que ya se conoce

    Referencia:

     

    [1] Lindskog, P: "Methods, Algorithms and Tools for System Identification Based on Prior Knowledge". Linkoping Studies in Series and Technology. Dissertation No. 436. Linkoping University. 1996. Sweden.