Laboratorio de

Investigacin Matemtica
Aplicada a Control

LIMAC
1

COGNITIVE CONTROL:
NUEVAS PERSPECTIVAS PARA
APLICACIONES EN AGRICULTURA
Disertante: Cristian Rodrguez Rivero

Workshop Internacional
WESIS 2014
11 de Agosto


Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
2
Cristian Rodrguez Rivero


*Departamento de Ingeniera Electrnica,
Laboratorio de Investigacin en Matemticas Aplicadas a Control (LIMAC)
Universidad Nacional de Crdoba

en colaboracin con Simon Haykin y Mehdi Fatemi del
Cognitive Systems Laboratory - Communications Research
Lab (CRL) Building of the McMaster University,
Ontario, Canad.
en colaboracion con Daniel Patio del
Instituto de Automatica
Universidad Nacional de San Juan
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
3
Cristian Rodrguez Rivero - Simon Haykin



Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
4
McCulloch and Pitts

McCulloch, neuropsiclogo, y Pitts, matemtico, contribuyeron a el desarrollo temprano de la
ciberntica en sus propios caminos pioneros. en su clsico artculo 1943 titulado "Un clculo
lgico de las ideas inmanentes en actividad nerviosa, "hicieron cinco supuestos sobre el
funcionamiento de las neuronas en el cerebro: los supuestos llevaron a la formulacin 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 caracterizacin de la organizacin columnar de la cerebral corteza ha
influido en la investigacin llevada a cabo en este campo desde 1950. Me seal que
minicolumnas corticales son las unidades funcionales bsicas de corteza. Basndose en la
apariencia uniforme de la corteza, se propone que todas las regiones de la corteza pueden
utilizar un algoritmo de procesamiento de informacin bsica para realizar sus tareas.
Notas Histricas
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
5
Joaquin Fuster

l propuso el concepto de COGNIT" para la representacin del conocimiento en el corteza
cerebral. Tambin propuso un modelo abstracto para la cognicin basada en cinco bloques
de construccin fundamentales, a saber, la percepcin, la memoria, la atencin, la
inteligencia y el lenguaje.

1) Ciclo de percepcin-accin, que es la primera etapa en la cognicin.
2) Memoria, que se construye en el ciclo perception-accion .
3) la atencin basado en memoria, que es impulsado por el ciclo de percepcin-accin.
4) Inteligencia, que es accionado por la atencin, la memoria y el ciclo de la percepcin-
accin.
5) El lenguaje.
Notas Histricas
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
6
La cognicin es una caracterstica distintiva del cerebro humano, que se distingue de todas
las dems especies de mamferos.

El control cognitivo reside en la parte ejecutiva del cerebro, recprocamente acoplado a su
persona parte conceptual a travs de la memoria de trabajo.

Desde hace varios aos se interactuo con los Principios bsicos de Fuster de la cognicin, es
decir, percepcin-ciclo de accin, la memoria, la atencin y la inteligencia.

Durante los ltimos aos, el control cognitivo fue visto desde un perspectiva de la ingeniera:
1) el controlador no tiene la disposicin para percibir la medio ambiente de una manera
directa.
2) el algoritmo de programacin dinmica con ninguna disposicin que mira en el futuro; por
lo tanto el nombre de optimizacin dinmica

Introduccin y Notas Histricas
Laboratorio de
Investigacin Matemtica
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 nocin ms eficaz para evitar el problema de la
informacin estado imperfecto.

Aprendizaje Q- que representa una forma aproximada de programacin dinmica.

el nuevo controlador cognitiva sigue una ley lineal de complejidad computacional medido en
trminos de las medidas adoptadas sobre el medio ambiente
Introduccin y Notas Histricas
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
8
Desde una perspectiva de la neurociencia cognitiva, control cognitivo desempea un papel
clave en la corteza prefrontal en el cerebro; lo ms importante, el control cognitivo implica dos
procesos importantes:
el aprendizaje, y la planificacin.

Ambos procesos son dependientes del modelo de DOS-ESTADOS, as como la informacin
cclico 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 percepcin-accin, la memoria, la atencin y la inteligencia,
como los fundamentos bsicos de cmo un sistema de control cognitivo se puede
implementar; el lenguaje no se considera en este documento, ya que est fuera del alcance
de este documento.
COGNITIVE CONTROL
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
9
Qu podemos aprender del cerebro humano?

Las Ideas neuropsicolgicos se han convertido directamente relacionada con la probabilstica
vista del sistema fsico.

Este punto de vista es de vital importancia para definir un terreno comn para ambas
neurociencias y la ingeniera, cerrando estas ideas en sistemas y conceptos de control.

Por ejemplo, como Feldman y Friston explican, a travs de la ATENCION, el cerebro optimiza
su representacin probabilstica del medio ambiente. Es decir, en la terminologa de teora de
la informacin, una representacin probabilstica con entropa mnima.

Tanto en el cerebro humano y en sistemas dinmicos cognitivas, el proceso de percepcin se
realiza en las mediciones sensoriales. El papel de la PERCEPCION es extraer la informacin
disponible de las mediciones sensoriales, que son ruidoso.
CONSIDERACIONES PREVIAS DE COGNITIVE
CONTROL
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
10
Qu podemos aprender del cerebro humano?

nuestro cerebro disminuye el nivel de incertidumbre mediante la optimizacin (con respecto a
la entropa) su punto de vista probabilstico del medio ambiente no slo en el tiempo, sino
tambin transcurrido el tiempo.
CONSIDERACIONES PREVIAS DE COGNITIVE
CONTROL
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
11
Qu podemos aprender del cerebro humano?

El cerebro humano lleva a cabo acciones con el fin de "aumentar" la informacin privilegiada
en las mediciones sensoriales en pasos de tiempo posteriores.

Todas estas acciones estn basadas en nuestros conocimientos procedentes de la corriente
y mediciones sensoriales anteriores (de los odos / ojos) con el fin de mitigar la incertidumbre
en las mediciones subsiguientes, pero no con el objetivo de cambiar el comportamiento fsico
del medio ambiente.

Llamaremos a estas acciones ACCIONES COGNITIVAS y el proceso de bsqueda de
acciones cognitivas ptimas CONTROL COGNITIVO.
CONSIDERACIONES PREVIAS DE CONTROL
COGNITIVO
Laboratorio de
Investigacin Matemtica
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 inters en el medio
ambiente.

La segunda se llama el estado entrpico del perceptor, la fuente de la que es atribuido a la
presencia inevitable de las incertidumbres en el medio ambiente, as como las imperfecciones
en el propio perceptor.
MODELO DE 2-ESTADOS
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
13

El aprendizaje y la planificacin como los dos procesos importantes en la ejecucin del
control cognitivo.

Los objetivos de los procesos de aprendizaje y de planificacin son la mejora de una entidad
llamada poltica cognitiva

La poltica cognitiva es la distribucin de probabilidad de las acciones cognitivas en el ciclo de
percepcin-accin k + 1, que incluye la influencia de las medidas adoptadas en el ciclo k
FORMALISMO DEL PROCESO DE APRENDIZAJE
EN COGNITIVE CONTROL
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
14
Diagrama de Bloque Ciclo Percepcion-Accion CPA
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
15
El PAC es iniciada por el perceptor, donde la percepcin de la Bayesiano se realiza medio
ambiente.

1) La informacin de realimentacin es el estado entrpico, que se pasa a la controlador por
el perceptor.

2) Con el fin de tener una recompensa entrpico correcta, el estado entrpico es tambin
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 planificacin estn preformados en el controlador.

4) Por otra parte, Exploit / explore estrategia se lleva a cabo en dos lugares: la planificacin y
la formulacin de polticas.

Descripcin del Ciclo Percepcin-Accin CPA
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
16
5) Por ltimo, se selecciona la accin de la poltica 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 informacin proporcionada por el perceptor.

8) La Programacin dinmica de Bellman para un control ptimo requiere acceso directo al
medio ambiente con el fin de satisfacer la suposicin de Markov. Sin embargo, tal proposicin
es no es posible en sistemas dinmicos cognitivas.
Descripcin del Ciclo Percepcin-Accin CPA
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
17
Diagrama de Bloque Sistema de Control Cognitivo
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
18
Diagrama de Bloque Sistema de Control Cognitivo
BLOQUE PERCEPCION

La funcin del PERCEPTOR es detectar el medio ambiente que separa desde el controlador
y extraer informacin de las mediciones sobre el medio ambiente.

miramos a la inferencia bayesiana para la estimacin de la sate oculto del medio ambiente;
utilizando un modelo de espacio de estado que consta de un par de ecuaciones.

La solucin ptima del problema de estimacin de estado est dada por el conocido Filtro
Bayesiano, al menos en trminos 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 medicin
son Gaussiana distribuido, el filtro bayesiano se reduce al filtro de Kalman clebre.

Filtro bayesiano es el filtro conocido Extended Kalman (EKF) utilizando un desarrollo en serie
de Taylor.



Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
19
Diagrama de Bloque Sistema de Control Cognitivo

BLOQUE CONTROLLER

El estado est oculta para el perceptor y y el nico acceso que el controlador tiene que
el estado del medio ambiente es a travs de la informacin de realimentacin desde el
perceptor.

Se plantea una difcil situacin en trminos matemticos, que se conoce como el problema
de la informacin de estado imperfecto.

Se aproxima con un algoritmo de programacin dinmica.


Laboratorio de
Investigacin Matemtica
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
travs 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 terminologa de
Fuster.

La percepcin en el perceptor consiste en la coincidencia de adaptacin de un particular
modelo ambiental recuperado de la biblioteca interna a los estmulos entrantes en cada ciclo.


Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
21
Diagrama de Bloque Sistema de Control Cognitivo
BLOQUE ATENCIN PERCEPTUAL E INTELIGENCIA

La atencin como un mecanismo tiene por objeto dar prioridad a la asignacin de recursos en
trminos de importancia prctica.

Desde la perspectiva del perceptor en un sistema dinmico cognitiva, la atencin perceptiva
consiste en enfocar el poder de procesamiento computacional del perceptor en un objetivo
especfico que es de inters especial para la aplicacin.


Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
22
1) Esquemas tecnolgicos
Mtodos para la modelizacin y simulacin de la dinmica de los procesos agrcolas.
Optimizacin en el control.
Modelizacin de la incertidumbre, la aleatoriedad, el tiempo de la variabilidad,
perturbaciones externas.

2) Conceptos de control
Estructura de control basada en la teora del control ptimo y automtico.
Algoritmos de optimizacin basados en bio-sistemas. Neuro programacin dinmica,
programacin dinmica o sus variantes como la dinmica iterativa.

3) Desafos tecnolgicos
El diseo y anlisis de las nuevas tendencias de la agricultura de precisin a nivel
regional y mundial para que los productos resulten atractivos y sean aprovechados
por el sector agropecuario.



Identificacin del problema general en estudio
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
23
Aplicacin al Control automtico para procesos agrcolas

Controlador

u

x


Sistema

Laboratorio de
Investigacin Matemtica
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 platn [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Nmero de hojas
Tiempo [Hs.]



SISTEMA
CONTROLADOR

CULTIVO
u(x,k,{Ro})
x(k)
OBSERVADOR
DE
ESTADO
O
CARACTERISTICAS
Ro

MODELADO DE
VARIABLES

Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
25
Prediccin en cultivos extensivos
A campo abierto, normalmente en grandes extensiones de terreno,
donde las estaciones de siembra estn cuasi-determinadas.
El riesgo productivo se debe a la disponibilidad de diferentes
recursos:
Disponibilidad de agua, la evolucin de temperatura, humedad,
radiacin solar, etc. durante el futuro desarrollo vegetal.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
26
Aplicaciones de inteligencia computacional para
Control ej: guiado de cultivos
Motivacin del guiado
Planificacin de la produccin en la agricultura
Decidir las caractersticas de produccin.
Aumentar el volumen de produccin.
Disponer del producto en una fecha predefinida.
Introducir tecnologa con el fin de disminuir los costos, y maximizar
los beneficios.
Objetivos
Obtener una solucin al problema del guiado del desarrollo de cultivos en
invernaderos y extensivos usando la teora de control ptimo.
Que la solucin sea atractiva de implementar.
Laboratorio de
Investigacin Matemtica
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 evolucin.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
28
Control Basado en Aprendizaje Automatico
Realimentacin del estado del cultivo mediante estimacin basada en modelo,
con muestreo de 1Hs
Observacin mediante las variables de entorno, donde se estima el modelo en
funcin del nmero de hojas, que a su vez es dependiente de la temperatura
mediante una funcin lineal a tramos.
Observacin utilizando imgenes del cultivo.

L

ADQUISICIN DE
IMGENES Y
PROCESAMIENTO

OBSERVADOR DE ESTADOS
SISTEMA CULTIVO-INVERNADERO

INVERNADERO
u
T
,
CO
2

x

MODELO DEL
CULTIVO

T, CO
2
, S
PAR

CONTROLADOR

CULTIVO
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
29
La Agromtica, es la aplicacin de los principios y tcnicas de la informtica y
la computacin a las teoras y leyes del funcionamiento y manejo de los
sistemas agropecuarios.

Como tecnologa de avanzada en lo referido al tratamiento de datos del sector
agropecuario, no est sola, est integrada con la electrnica y las
telecomunicaciones.

La Agromtica considera a los subsistemas biolgicos mediante los modelos
de simulacin del crecimiento y desarrollo de cultivos. Estos modelos de
simulacin representan matemticamente el comportamiento productivo de los
sistemas biolgicos: cuantificando las variables de suelo, clima, vegetales. Los
modelos nos permiten calcular cul ser el resultado de un cultivo. Y as
podemos evaluar el impacto de distintas alternativas de manejo bajo diversas
condiciones climticas, proyectando los posibles rendimientos y los costos
asociados.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
30




SISTEMA
CONTROLADOR

CULTIVO
u(x,k,{Ro})
x(k)
OBSERVADOR
DE
ESTADO
O
CARACTERISTICAS
Ro

MODELADO DE
VARIABLES

Se presenta la PREDICCIN DE FENMENOS NATURALES como un tpico
desafiante til para los problemas de control dentro de la actividad agrcola.
En la actualidad, se enfrenta la problemtica 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
diseo de la ley de control.
Este controlador contempla el estado actual x(k) del cultivo por un observador
de estado as como las variables meteorolgicas Ro
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
31
Problemticas de entorno
Manejo ptimo del recurso hdrico.
Combatir heladas.
Cantidad y calidad de luz solar.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
32
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
Metodologa: Ciencias bsicas y Tecnologas Aplicadas.
33
Cmo se hace?

Caso,
Problema o
Proyecto
matemtico
Solucin
matemtica
Problema del
mundo real
Matemtica
Abstraccin
Constatacin
Interpretacin
0 200 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platn [gr]
Tiempo [Hs.]
0 200 400
0
1
2
3
4
Nmero de hojas
Tiempo [Hs.]
Observada
Esperada
Medida
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
34
Identificacin y Control de Sistemas usando RNs

En la teora de sistemas tanto la caracterizacin como la identificacin son
dos problemas fundamentales.
El problema de caracterizacin est relacionado a la representacin
matemtica del sistema.
El problema de identificacin se est relacionada a la obtencin de un
modelo matemtico que caracterice su dinmica, a partir del conocimiento a
priori y del anlisis de pares de datos entrada-salida obtenidos mediante
experimentacin o simulacin.
Dos partes principales de la identificacin lo constituyen: la eleccin del
modelo de identificacin, es decir su parametrizacin y estructura, y el
mtodo de ajuste de sus parmetros basado en el error de identificacin.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
35
Algunas estructura bsica de identificacin basadas en Redes
Neuronales para Control
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
36
Relacin entre Control Automtico y Redes Neuronales
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
37
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
38
Formulacin del problema de control
La Presentacin esquemtica del problema de guiado se define segn
las acciones de control que van a utilizarse, que en ste caso son a(t)
(Humedad y Ventilacin) 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 radiacin 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).
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
39
Dificultad de la realimentacin del estado del cultivo
La medicin directa del vector de estado: nmero de hojas y
medicin del peso seco.
Evitar el efecto borde.
Perturbacin y dao irreversible en el cultivo.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
40
Supervisado.
Pares entrada salida.
No supervisado
Auto organizado, basado en competencia.
Reforzado, a desarrollar ahora.
Aprendizaje reforzado
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
41
Problema de aprendizaje de comportamiento.
Hay una interaccin entre el sistema que aprende y
su entorno.
El sistema busca alcanzar un objetivo especfico a
pesar de incertidumbres en el entorno.
Hay dos lneas para estudiar al aprendizaje
reforzado:
Clsica: el aprendizaje consiste en el proceso
premio-castigo.
Moderna: programacin dinmica.
Aprendizaje reforzado
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
42
Programacin dinmica (NPD)
Tcnica para toma de decisiones en etapas.
No se toman en forma aislada, se ponderan segn el bajo costo en el presente
contra un alto costo en el futuro.
Pondera el desempeo a largo plazo aunque se sacrifique buen desempeo a
corto plazo.
Neuro-programacin dinmica:
La programacin dinmica provee los fundamentos tericos.
Las redes neuronales provee la capacidad de aprendizaje.
La NPD permite a un sistema a aprender cmo tener buenas decisiones
observando su propio comportamiento, y mejorando estas acciones utilizando
un mecanismo incorporado a travs del refuerzo.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC

SISTEMA DE CONTROL

MEMORIA

CONTROLADOR

SISTEMA
x, k u
(x,k)


u
(x,k)

x
(k)


OBSERVADOR
DE ESTADOS

CARACTERSTICAS
Solucin propuesta
Programacin dinmica (Bellman, 1962).
Resuelve el problema numricamente.
Las restricciones son inherentes al clculo.
Problema de dimensionalidad. (35 35 100=122500;11 11).
Disminuir los valores de la tabla (Luus, 2000).
PD Aproximada (Bertsekas, 1996). (400; 11).
43
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
44
Neurocontrolador

Generador de decisiones
( ) s ,
~


Actor
Actualizacin de poltica
Aproximacin de
los valores C
i

Modelo del
Sistema
Aproximador del J(j)
Crtico
Estados
r
j
Decisiones
j
u =
( ) s , i
~

( ) r , j J
~

Evaluacin
del costo
C
i

Aproximacin de
poltica
s

( ) i

Se aproxima a J y a .
Se obtiene una expresin
compacta del controlador.
( ) ( )

e
=
S
~
i
2
i
. C , i J
~
min arg r r
r
( )
( )
( ) ( ) ( ) i. , j J
~
, i I min arg i
i U u
+ =
e
r u
( ) ( ) ( )

e
=
S

i
2
i , i
~
min arg s s
s
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
5 10 15
-30
-20
-10
0
10
W
1
a
T
Evolucin de parmetros
Iteraciones
5 10 15
-10
-5
0
5
10
15
Evolucin de parmetros
Iteraciones
W
1
a
C
0 500 1000 1500
0
500
1000
1500
2000
Aproximada
D
e
s
e
a
d
a
Salidas aproximada vs. deseada
Obtenida
Ideal
0 5 10 15 20
0
500
1000
1500
2000
Valores de J

(0)
Iteraciones
45
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
0 100 200 300 400
-100
-50
0
50
100
a(t)
Tiempo [Hs.]
0 100 200 300 400
0
5
10
15
20
25
Temperatura externa [C]
0 100 200 300 400
300
350
400
450
500
Concentracin de CO
2
[ppm]
0 100 200 300 400
5
10
15
20
25
30
35
Temperatura interna [C]
Tiempo [Hs.]
0 100 200 300 400
-100
-50
0
50
100
a(t)
Tiempo [Hs.]
0 100 200 300 400
0
5
10
15
20
25
Temperatura externa [C]
0 100 200 300 400
300
350
400
450
500
Concentracin de CO
2
[ppm]
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 plantn [gr]
Tiempo [Hs.]
0 100 200 300 400
0
0.5
1
1.5
2
2.5
3
Nmero de hojas
Tiempo [Hs.]
0 100 200 300 400
0
20
40
60
80
100
120
Acumulacin de costo
Tiempo [Hs.]
0 0.05 0.1 0.15 0.2 0.25
0
0.5
1
1.5
2
2.5
3
Espacio de estados
Peso seco
N

m
e
r
o

d
e

h
o
j
a
s
46
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
Experimentacin: 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
Concentracin 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
Accin 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
Concentracin 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
Accin de control a(t)
Tiempo [Hs.]
47
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platn [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Nmero 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 platn [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Nmero de hojas
Tiempo [Hs.]
0 100 200 300 400
0
0.05
0.1
0.15
0.2
0.25
Peso seco por platn [gr]
Tiempo [Hs.]
0 100 200 300 400
0
1
2
3
4
5
Nmero de hojas
Tiempo [Hs.]
Evolucin de las variables de estado
Variables calculadas (Esperada).
Estimadas durante la experimentacin (Observadas).
Medidas al finalizar el proceso.
48
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
Control Cognitivo con Reinforcement Learning
49
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
USO DE DRONES EN AGRICULTURA
50
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
51

Los drones pueden usarse tambin para realizar relevamientos
topogrficos, confeccionar mapas detallados de labores agrcolas,
identificar zonas del terreno susceptibles de erosin y hasta detectar
plagas.

En el 21 edicin de AGRISHOW Brasil 2014, la muestra de tecnologa
agrcola ms importante de Latinoamrica. All se exhibieron dos modelos
de drones (abejorro, en ingls), como se los conoce popularmente en todo
el mundo, equipados con cmaras y dotados de diferentes softwares
desarrollados por la empresa para brindar servicios agrcolas.
USO DE DRONES EN AGRICULTURA
Laboratorio de
Investigacin Matemtica
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 comparacin con las imgenes de satlite, que es mucho ms
barato y ofrece una resolucin ms alta. Debido a que se adoptar en
las nubes, es sin obstrucciones y disponible en cualquier momento.

Tambin es mucho ms barato que las imgenes 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.

Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
VENTAJAS DE DRONES
53
El advenimiento de drones este pequeo, barato y fcil de usar se
debe en gran parte a los avances notables en la tecnologa: sensores
MEMS (acelermetros diminutos, giroscopios, magnetmetros,
sensores de presin y con frecuencia), pequeos mdulos GPS,
procesadores increblemente poderosas, y una gama de radios
digitales.

Ms y mejores datos pueden reducir el uso de agua y reducir la carga
qumica en nuestro entorno y nuestra comida.
Laboratorio de
Investigacin Matemtica
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 variacin del suelo y las
infestaciones de plagas y hongos incluso que no son evidentes al
nivel del ojo.
2) las cmaras de aire pueden tomar imgenes multiespectrales, la
captura de datos desde el infrarrojo, as 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 avin no tripulado puede vigilar una cosecha cada semana, cada
da, o incluso cada hora. Combinado para crear una animacin de
series de tiempo, que las imgenes puede mostrar cambios en la
cosecha, dejando al descubierto los puntos conflictivos o las
oportunidades para un mejor manejo de los cultivos.
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
55
Se presento una introduccin a los sistemas dinmicos cognitivos con futura
aplicacin a la agricultura.

Se puede aplicar en todas las reas 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 caractersticas
probabilstica del medio ambiente es controlable.



Conclusiones
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
56
LIBROS

Pucheta, J., Sauchelli, V. Control ptimo y Sistemas Estocsticos, Nmero 13997 e ISBN 978-3-659-03577-7,
Editorial Acadmica Espaola es una marca comercial de LAP LAMBERT Academic Publishing GmbH& Co. KG
Heinrich-Bcking-Str. 6-8 66121, Saarbrcken, Germany. www.eae-publishing.com.

Julin Pucheta, C. Rodrguez Rivero, Martn Herrera, Carlos Salas, Vctor Sauchelli, H. Daniel Patio,
Departments of Electrical and Electronic Engineering, Mathematics Research Laboratory Applied to Control
(LIMAC), at Faculty of Exact, Physical and Natural Sciences National University of Crdoba, Crdoba,
Argentina, and others, Captulo titulado , Non-parametric methods for forecasting time series from cumulative
monthly rainfall del libro Rainfall: Behavior, Forecasting and Distribution Editors: Olga E. Martn 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. 787798.
(2009). http://www.springerlink.com/content/v4651015hn60t7g8/?p=c2668d5d24fc41ef914d439a9ec86142


Referencias
Laboratorio de
Investigacin Matemtica
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. 1186, 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. 721763, 1997.
A. Noe, 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
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
58
Pucheta, J., Patio, 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) 618623 Watam Press. (2007). Disponible en http://bbcr.uwaterloo.ca/~journal/Book2-
Neural.pdf.
J.A. Pucheta, C. Schugurensky, R. Fullana, H. Patio 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. Patio 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 ptimo y Sistemas Estocsticos, N 13997, ISBN 978-3-659-03577-7, Editorial
Acadmica Espaola, marca comercial de LAP LAMBERT Academic Publishing GmbH & Co. KG Heinrich-
Bcking-Str. 6-8 66121, Saarbrcken, Germany. www.eae-publishing.com.
Bertsekas D. and J. Tsitsiklis, 1996. Neuro-dynamic programming. Athena Scientific.
ksendal, 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
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
59
Neural NetworkBased Irrigation Control for Precision Agriculture. Capraro F., Patio 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 68, 2008.
Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006, ISBN: 0387310738.
Ethem Alpaydn (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 edicin, 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
Laboratorio de
Investigacin Matemtica
Aplicada a Control

LIMAC
60

MUCHAS GRACIAS POR SU ATENCIN

PREGUNTAS?

LIMAC Laboratorio de Investigacin en
Matemtica aplicada a Control
www.inv.limac.efn.uncor.edu