Últimamente se ha incrementado considerablemente la utilización de la inteligencia artificial en los campos de la electrónica de potencia y de los sistemas de control de la velocidad y del posicionamiento. Estos métodos, basados en sistemas expertos, la lógica difusa y las redes neuronales artificiales, necesitan una gran base de datos o conocimientos que describan el funcionamiento del sistema junto a un análisis lógico, en lugar del análisis matemático, para controlar el sistema y facilitar la toma de decisiones. Uno de estos métodos corresponde a las redes neuronales artificiales.En esta tesis doctoral se presenta la aplicación de redes neuronales artificiales en los sistemas de control vectorial y control directo del par para una máquina de inducción. Esta tecnología, relativamente nueva, sirve para poder reemplazar eficientemente algunos equipos analógicos ya existentes. Los datos necesarios para entrenar las redes neuronales artificiales se obtienen, en primer lugar, de los resultados de las simulaciones del sistema formado por el motor y su control, y en segundo lugar, a partir de los resultados experimentales. A tal fin se implementa un modelo del motor de inducción que se prueba con motores de diferentes valores nominales y se controla con diferentes sistema de control: control vectorial por el método indirecto con y sin realimentación de velocidad, control vectorial por el método directo con realimentación de velocidad y control directo del par. Para el caso de los sistemas del control vectorial por el método indirecto, con y sin realimentación de velocidad se han utilizado redes neuronales artificiales de respuesta a impulso finito (FIRANN) para emular algunos bloques de los sistemas del control vectorial tales como la estimación de referencia de corriente estator. Cada red neuronal artificial se ha diseñado, entrenado y probado como una parte del conjunto del sistema de control. Con respecto al control vectorial por el método directo y con realimentación de velocidad, se estima la referencia de la corriente del estator y también se realiza la mayor parte del control vectorial con redes neuronales artificiales FIRANN. Cada red neuronal artificial se ha diseñado, entrenado y probado como una parte del conjunto del sistema de control.Para el sistema de control directo del par se han utilizado redes neuronales artificiales de propagación hacia adelante (MFANN) que emulan la tabla de conmutación del ondulador, la transformación de las tensiones en el sistema de referencia "abc" al sistema de referencia fijado al estator "dq", la transformación de las corrientes de estator en el sistema de referencia "abc" al sistema de referencia fijado al estator "dq" y por último, un estimador de par. Estas cuatro redes neuronales se probaron en línea tanto de forma independiente como conjuntamente. Su comportamiento ha sido bueno en comparación con el sistema sin redes neuronales. Además, se realizó la implementación física del equipo para el control en tiempo real de un motor de inducción por el método directo clásico, y usando redes neuronales mediante una tarjeta dSPACE "DS1103". Este montaje ha permitido hacer las medidas necesarias para poder comparar el comportamiento del sistema bajo las alternativas propuestas. / Recently, the use of artificial intelligence has been increased in the fields of power electronics, and position and speed control systems. These methods, based on expert systems, fuzzy logic and artificial neural networks, require a large data base or knowledge to describe the operation of the system, besides to the logic analysis instead of the mathematical analysis in order to control the system and facilitate the decision tasks. One of these methods are the artificial neural networks.This doctoral thesis shows the aplication of artificial neural networks to the vector control systems and direct torque control of induction machines. This technology is useful to replace some existing analogical equipment in an efficient way. The data needed to train the artificial neural networks is obtained in the first place from the simulation results of the system, and in the second place from the experimental results. For that purpose, it was implemented an induction motor model which is tested with different machine characteristics, and it is controlled with different control systems: indirect method vector control with and without speed feedback, direct method vector control with speed feedback and direct torque control.For indirect method vector control with and without speed feedback, it has been used finite impulse response artificial neural networks (FIRANN) to emulate some blocks of the vector control systems such as the estimation of the stator current. Each artificial neural network has been designed, trained and tested as a part of the control system set.For the case of direct method vector control with speed feedback, the stator current reference and the majority of the vector control is realized also with artificial neural networks FIRANN. Each artificial neural network has been designed, trained and tested as a part of the control system set.In the direct torque control, it has been used feed-forward artificial neural networks (MFANN) to emulate the commutation table of the inverter, to develop the transformation of the voltages from the "abc" reference frame to the "dq" reference frame, and the transformation of the stator currents from the "abc" reference frame to the "dq" reference frame, and finally, to estimate the torque. These four neural networks have been tested online in an independent way and also as a whole. Its performance has been good in comparison with the system without neural networks.Finally, it was realized a physical implementation of the equipment for real time control of an induction motor by the classical method and by artificial neural networks using a dSPACE "DS1103" card. This implementation has allowed realize the measurements to be able to compare the performance of the system under the different proposed alternatives.

La memòria, dins del context financer, és un concepte ambigu que requereix la distinció entre diverses accepcions. La primera noció sorgeix en el marc economètric com a crítica de la hipòtesi d'independència entre observacions d'una variable en una sèrie temporal de naturalesa financera i es defineix com una relació funcional entre retards d'una mateixa variable. Nosaltres l'anomenem "memòria-dependència".De l'anàlisi tècnica obtenim una segona accepció a la que ens hi referim com "memòria-patró". La tercera hipòtesi postulada a la teoria de Dow és la de que els preus dels actius financers, i generalitzant els mercats financers, tenen memòria. En aquest sentit, s'interpreta com una repetició de les mateixes figures o patrons en l'evolució de les cotitzacions d'un actiu, conseqüència del manteniment d'unes mateixes pautes d'actuació per part dels inversors d'un mercat.La insuficiència d'aquestes dues nocions per recollir la totalitat de les influències del passat sobre el comportament dels mercats financers, duu a ampliar el marc teòric amb una tercera definició, la Memòria Col·lectiva. L'expressió prové de l'àmbit sociològic i destaca la naturalesa social dels records. L'entenem com el conjunt de coneixements, regles i patrons de comportament que són compartits pels membres d'un col·lectiu, un mercat financer per exemple, homogeneïtzant les representacions del passat per a obtenir avantatges en el futur. L'econometria ha desenvolupat models d'ajust a sèries temporals amb memòria-dependència, i l'anàlisi tècnica posseeix un instrumental per detectar la repetició de patrons gràfics. Cal, doncs, una metodologia per tractar de forma qualitativa, però també quantitativa, la memòria col·lectiva en el món financer. La nostra proposta són les xarxes neurals artificials. D'una banda, la seva estructura inspirada en el sistema neural biològic les fa adequades per a la modelització de la memòria. Per un altre costat, la seva flexibilitat i multifuncionalitat permet dissenyar xarxes específiques que s'adapten a gran quantitat d'entorns, circumstàncies i problemes. Així, les xarxes neurals artificials esdevenen una metodologia capaç de recollir els efectes de la memòria col·lectiva, però també poden aplicar-se per a la detecció i anàlisi de la memòria-dependència i memòria-patró, homogeneïtzant l'estudi de la influència del passat en un mercat financer i facilitant la comparació entre les diferents accepcions de memòria.En concret, hem aplicat les xarxes multiperceptró amb algorisme d'aprenentatge back-propagation a l'anàlisi de la memòria-dependència i la seva comparació amb la memòria col·lectiva en l'evolució de l´índex Dow Jones Industrial Average als mesos d'octubre. Hem optat per les xarxes ART (Adaptive Resonance Theory), per la seva capacitat en el reconeixement de patrons i adaptació a entorns oberts, com a instrument per al tractament de la memòria-patró, també en l'evolució del Dow Jones. Finalment, l'arquitectura dels mapes auto-organitzatius de Kohonen els fa adequats per l'anàlisi de la memòria col·lectiva, mitjançant l'ordenació espacial d'un conjunt de patrons en funció de la similitud entre llur característiques en un mapa bidimensional. La trajectòria dels patrons en el mapa informa de la seva evolució històrica i per tant, de l'aprenentatge, i la seva situació relativa permet la comparació entre ells. Hem aplicat els mapes de Kohonen a l'estudi de l'"efecte octubre" als mercats espanyol, francès i nord-americà, i al cas de l'"efecte eleccions generals" en l'evolució de les cotitzacions d'algunes accions de l'Ibex-35. Els resultats obtinguts són que no existeix efecte octubre ni des de la perspectiva de la memòria-dependència ni tampoc considerant la memòria col·lectiva; que sí és possible detectar patrons o climes mitjançant les xarxes ART; i que l''efecte eleccions generals' juntament amb l'aprenentatge dels inversors són fenòmens que es posen de relleu quan considerem la memòria col·lectiva en els mercats financers. / "Memory in Financial Markets: An analysis through Artificial Neural Networks" distinguishes between three different kinds of memory in the financial environment. The first concept, that is named dependence-memory, comes from the econometric context and it is understood as the functional relationship between past and present observations in a time series. A second concept of memory, the pattern-memory, is obtained from technical analysis. It can be seen when the evolution of the asset price follows a repeated graphical pattern. Finally, we propose the introduction of a third notion, the Collective Memory, in order to take into account the influences from the past not captured by the previous definitions of dependence and pattern memories. Econometrics analysis has developed complex models to study time series with long memory. Also technical analysis has its own tools to detect different patterns and take profit of the past knowledge. For the quantitative, as well as qualitative, analysis of collective memory we propose to use artificial neural networks. Moreover, this methodology allows homogenizing the study of the three types of memory in financial markets.We have applied back-propagation neural networks to analyse the behaviour of the Dow Jones Industrial Average during the Octobers. The same index has been studied using ART ("Adaptive Resonance Theory") networks, in order to find patterns and improve future decisions. The effect that is produced for the proximity of an October and the influence of the results in a political election have been analyzed using Self-Organizing Maps of Kohonen.As empirical conclusions, we have obtained that there is no evidence of the "October effect" from the point of view of collective memory and neither dependence-memory is detected. Contrary, using Kohonen maps it is possible to find factors of learning in the "general elections effect" in the Spanish capital asset market. Finally, ART networks can be used as a complementary tool in technical analysis to detect patterns of behaviour in financial markets.

de la memòriaEn aquest estudi es consideren aspectes teòrics i pràctics del modelatge de sistemes no lineals mitjançant xarxes neuronals modulars.A la vessant teòrica s'ha proposat un model que aprofita les avantatges de les xarxes neuronals i minimitza els seus inconvenients, permetent interpretar físicament els resultats i afegir coneixement previ per accelerar el procés de modelatge. Es tracta de les xarxes de mòduls neuronals.Un mòdul neuronal és una xarxa neuronal que aprofita l'ús de restriccions estructurals per forçar un tipus de comportament al model. Aquest concepte s'ha creat a propòsit en aquest estudi, recolzat per l'argument de que les restriccions topològiques constitueixen un mètode més versàtil i efectiu que el propi mecanisme d'aprenentatge per facilitar comportaments desitjats en una xarxa neuronal.D'aquesta forma, una vegada aplicat el procés de identificació, el model resultant és una xarxa neuronal composada per mòduls, cadascun dels quals representa un bloc funcional del sistema amb un significat fàcilment interpretable.Donat que els mòduls neuronals són paradigmes nous dins de l'àmbit de les xarxes neuronals, s'ha proposat una sèrie de pautes pel seu disseny i es descriu un conjunt de mòduls neuronals format per nou no linealitats dures i els sistemes lineals sense restricció d'ordre.També s'ha realitzat un estudi formal en el que s'han caracteritzat els sistemes que es poden aproximar mitjançant xarxes de mòduls neuronals, el conjunt ?NM, i s'ha establert una cota de l'error d'aquesta aproximació. Aquest resultat és fonamental perquè assenta una base sòlida per plantejar el modelatge de sistemes no lineals amb xarxes de mòduls neuronals. En ell es demostra que, com més precisa sigui l'aproximació de les diferents parts del sistema, més precisa serà l'aproximació del sistema global.Des del punt de vista pràctic, es consideren els aspectes de creació i optimització del model proposat.Primerament, i donat que es tracta d'una xarxa neuronal, es repassen els mecanismes existents a la literatura per adaptar els paràmetres del model al problema. En aquest sentit, s'ha dissenyat un algoritme d'aprenentatge específic per les xarxes neuronals modulars, el modular backpropagation, el cost computacional del qual comparat amb altres algoritmes clàssics, és menor en estructures modulars.Es descriu també una eina de modelització dissenyada a propòsit com mètode per crear i optimitzar, de forma automàtica, xarxes de mòduls neuronals. Aquesta eina combina la programació evolutiva, algoritmes clàssics d'aprenentatge neuronal i el gestor d'aprenentatge, modular backpropagation, amb la finalitat de resoldre problemes de modelització de sistemes no lineals mitjançant xarxes de mòduls neuronals.Finalment, es proposa un esquema del procés de modelització de sistemes no lineals utilitzant les eines desenvolupades en aquest estudi. S'ha creat una aplicació que permet sistematitzar aquest procés i s'ha obtingut els models de tres sistemes no lineals per comprovar la seva utilitat. Els problemes que s'han sotmès al procés de modelització amb xarxes neuronals són: un motor de corrent continu, un sistema no lineal amb histèresi i un element piezoelèctric. En els tres casos s'ha arribat a una solució satisfactòria que permet confirmar la utilitat de les eines desenvolupades en aquest estudi. / This work is concerned with theoretical and applied aspects of nonlinear system modelling with modular neural networks.From the theoretical viewpoint, a new model is proposed. This model attempts to combine the capabilities of neural networks for nonlinear function approximation with the structural organisation of classical block oriented techniques for system modelling and identification. This model is the Neural Module (NM).A neural module is a neural network that behaves inherently like a function or family of functions. The specified behaviour is forced with the use of topological restrictions in the network. The neural module is a new concept developed upon the argument that topological restrictions is a much more versatile and effective way of facilitating a specific behaviour in a neural network than the learning mechanism itself.Once the learning process finishes, the resulting model is a neural network composed by modules. Each module is supposed to model a functional element of the system, with an easy to understand meaning.As long as the neural module is a new paradigm in the neural network domain, rules and guidelines are given for their design. A set of neural modules with nine hard nonlinearities and the linear systems is also described.The set of dynamic systems that can be approximated using neural modules, called SNM, is formally described. The approximation error between en element of SNM and its neural model is calculated and found bounded. This is a basic result that sets up a firm base from which neural module modelling could be considered as a useful type of model.From the practical viewpoint, creation and optimisation aspects of the proposed model are considered.First of all, some of the classical rules of parameter adaptation in neural networks are reviewed. In order to allow modular networks to learn more efficiently, a specific learning algorithm is introduced. This is the modular backpropagation (MBP) algorithm. The computational cost of MPB is less than the cost of classical algorithms when they are applied to modular structures.A modelling tool, specially designed for the automatic creation and optimisation of modular neural networks, is also described. This tool combines Evolutionary Programming, classical neural learning algorithms and the learning manager, MBP. This tool is aimed at solving nonlinear modelling problems with the use of modular neural networks.Finally, an outline of the modelling process with the tools developed in this work is given. This process is applied to the modelling and identification of three nonlinear systems, which are: a dc motor, a nonlinear system with hysteresis, and a piezoelectric element. The three cases are modelled satisfactorily and the usefulness of the framework presented is confirmed.

This thesis is structured in four parts for a total of ten chapters. The first part, introduction and review (Chapters 1 to 4), presents an extensive state-of-the-art review of both symbolic and connectionist GI methods, that serves also to state most of the basic material needed to describe later the contributions of the thesis. These contributions constitute the contents of the rest of parts (Chapters 5 to 10). The second part, contributions on symbolic and connectionist techniques for regular grammatical inference (Chapters 5 to 7), describes the contributions related to the theory and methods for regular GI, which include other lateral subjects such as the representation oí. finite-state machines (FSMs) in recurrent neural networks (RNNs).The third part of the thesis, augmented regular expressions and their inductive inference, comprises Chapters 8 and 9. The augmented regular expressions (or AREs) are defined and proposed as a new representation for a subclass of CSLs that does not contain all the context-free languages but a large class of languages capable of describing patterns with symmetries and other (context-sensitive) structures of interest in pattern recognition problems.The fourth part of the thesis just includes Chapter 10: conclusions and future research. Chapter 10 summarizes the main results obtained and points out the lines of further research that should be followed both to deepen in some of the theoretical aspects raised and to facilitate the application of the developed GI tools to real-world problems in the area of computer vision.