Sistemas Inteligentes

SUBSECRETARIA DE EDUCACION SUPERIOR DIRECCION GENERAL DE EDUCACION SUPERIOR TECNOLOGICA INSTITUTO TECNOLOGICO DE MAZATLAN
INGENIERIA ELECTRONICA

MANUAL DE PRCTICAS DE LA MATERIA
SISTEMAS INTELIGENTES
CLAVE DE LA ASIGNATURA: CDE-0805
1 INGENIERIAELECTRONICA|http://electronica.itmazatlan.edu.mx/
PRCTICA # 1
PNDULO INVERTIDO ROTATORIO o PNDULO DE FURUTA
OBJETIVO
Implementar el control de un pndulo invertido usando Lgica Difusa
INTRODUCCIN
Los controladores con Lgica Difusa realizan la misma funcin que los controladores convencionales, pero son capaces de manejar problemas complejos de control usando conocimiento experto y modelos matemticos con Lgica Difusa en lugar de modelos matemticos con ecuaciones diferenciales. Esta caracterstica es til para controlar sistemas cuyos modelos matemticos son no lineales o para los cuales no est disponible un modelo matemtico. La implementacin de control difuso es, hasta cierto sentido, una imitacin de las leyes de control que los humanos usamos. El crear mquinas que emulen la habilidad humana en control nos da una nueva forma de disear controladores para plantas complejas cuyos modelos matemticos no son fciles de especificar.
INGENIERIAELECTRONICA|http://electronica.itmazatlan.edu.mx/
El Pndulo Invertido
El modelo del pndulo invertido es un ejemplo clsico en la literatura de control y tiene mltiples aplicaciones: desde el control de misiles hasta el anlisis de la biomecnica de la marcha, balance y postura humana. El sistema a considerar consiste en un carro sobre el cual se encuentra un pndulo invertido sujetado mediante un pivote sin friccin (vase Figura 1). El carro es movido por un motor que en el instante t ejerce una fuerza u(t) en sentido horizontal, que es la accin de control. Suponemos que todos los movimientos ocurren en un plano, es decir que el carro se mueve a lo largo de una recta. Mientras un pndulo normal es estable cuando cuelga hacia abajo, un pndulo invertido es inherentemente inestable, y debe ser balanceado para mantenerlo vertical, ya sea aplicando un torque en el punto de pivote o moviendo el punto de pivote horizontalmente como parte de un sistema realimentado. El objetivo es mover el carrito a lo largo de la direccin x para mantener el pndulo estable en posicin vertical aun cuando se apliquen perturbaciones externas. El carrito es empujado por un motor de corriente directa, el cual es controlado por un controlador Difuso. La posicin x y el ngulo del pndulo son sensadas y pueden servir de entradas al sistema de control, la salida del sistema de control es una seal que mover el carro a un lado o al otro. Figura1.PnduloInvertido
Es interesando notar que con prctica, los humanos pueden controlar un pndulo invertido basndose solamente en fsica bsica y sentido comn en lugar de modelos matemticos complicados. Balancear una escoba verticalmente en la mano involucra ms grados de libertad y es inherentemente ms complicado que controlar un pndulo invertido. Sin embargo cuando balanceamos una escoba no estamos realizando clculos con ecuaciones diferenciales ni mediciones exactas del ngulo de la escoba y la velocidad angular. Por lo tanto es posible disear un controlador para un pndulo invertido sin saber o usar la dinmica de la planta usando Lgica Difusa. Para balancear un pendulo invertido, sabemos por fsica bsica que la fuerza u(t) debe seleccionarse de acuerdo a las magnitudes de las variables de entrada Angulo () y Velocidad Angular (). La relacin entre estas variables es lingstica tal como lo procesa la mente humana de forma cualitativa. Los humanos escogen u(t) por sentido comn en la forma de reglas SI . ENTONCES . Por ejemplo: SI el Angulo es muy pequeo y la Velocidad Angular es muy pequea, entonces la Fuerza aplicada debe ser pequea, o SI el Pndulo est balanceado, entonces mantenerlo esttico, es decir no aplicar ninguna fuerza. PENDULO INVERTIDO ROTATORIO Los pndulos invertidos presentan el inconveniente de que la carrera del carro se encuentra acotada, lo que puede limitar las maniobras de control. Para salvar esta limitacin se gener una modificacin a dicho sistema el cual se suple la carrera lineal del carro por una trayectoria circular cerrada, creando as al denominado sistema Pndulo de Furuta. El sistema Pndulo de Furuta fue creado por el Dr. K. Furuta del Instituto de Tecnologa de Tokio, el cual es un sistema subactuado de dos grados de libertad ambos rotacionales llamados brazo y pndulo (vase Figura 2). El movimiento del brazo (primer grado de libertad) se realiza en un plano horizontal girando alrededor de un eje perpendicular al plano, mientras que el pndulo se encuentra colocado en un extremo del brazo y su eje de giro es colineal al eje axial del brazo y su movimiento se realiza en un plano perpendicular al de este ltimo.
Lo interesante desde el punto de vista del control del Pndulo de Furuta est provocado por la configuracin que tiene puesto que no se puede realizar una linealizacin exacta de su modelo por retroalimentacin de estados, lo cual limita la variedad de algoritmos de control que pueden serle aplicados. En este sentido, el uso de Lgica Difusa para el control resulta una buena opcin. El modelo simplificado del sistema se muestra en la Figura 2. En l se puede apreciar la posicin del brazo () y la posicin del pndulo (), siendo r y l las longitudes de los elementos, m la masa del pndulo y J la inercia del actuador.
Figura 2
PROCEDIMIENTO
Tomando en consideracin este tipo de reglas implemente un controlador con Lgica Difusa que permita controlar un pndulo Invertido. 1. Construya un mecanismo de Pndulo de Furuta. 2. Construya el circuito electrnico de control (Figura 4). 3. Disee un controlador con Lgica Difusa. Por ejemplo si tenemos 3 variables lingsticas: Entradas: ngulo, Velocidad angular Salida: Potencia.
Para cada variable lingstica cada trmino lingstico est definido por su funcin de membresa. Los trminos lingsticos podran ser Negative big (NB), Negative medium (NM), Negative small (NS), Positive small (PS), Positive medium (PM) y Positive Big (PB). En la Figura 3 se muestran unas posibles funciones de membresa de una de las variables lingsticas.
Figura 3 4. Implemente el control difuso al pndulo invertido usando el circuito de la Figura 4.
MATERIAL Y EQUIPO
1 Microcontrolador con su circuito mnimo (oscilador, reset, alimentacin). 1 Regulador de voltaje LM7805. 1 Potencimetros de bajo torque para usarse como sensor de ngulo. 1 Puente H o Driver de 2A (L298). 4 Diodos de alta velocidad de conmutacin, de 2 amperes. 1 Motor 1 Regulador de voltaje LM7805 con 2 capacitores a la salida (0.1uF y 1uF)
Fuente de alimentacin de 20 30 Volts. Multmetro. Computadora.
Figura 4
REPORTE
El reporte de la prctica deber contener: Portada con los datos pertinentes, incluyendo un resumen descriptivo de la prctica, entre 100 y 150 palabras. Objetivo de la prctica. Marco terico. Metodologa empleada (explicar algoritmos mediante diagramas de flujo o de bloques). Diagrama esquemtico del circuito. Listado de programas (se recomienda como apndice). Resultados experimentales obtenidos. Conclusiones.
Bibliografa.
REFERENCIAS
Constantin Von Altrock, Fuzzy Logic & NeuroFuzzy Applications Explained, Ed. Prentice Hall, 1995. Hung T. Nguyen, A first Course in Fuzzy and Neural Control, Ed. Chapman & Hall/CRC, 2003. Clarence W. de Silva. Intelligen Control Fuzzy Logic Applications. Ed. CRC Press, 1995. http://www.cea-ifac.es/actividades/jornadas/XXIV/documentos/ro/77.pdf
PRCTICA # 2
RECONOCIMIENTO DE COMANDOS DE VOZ
OBJETIVO
Implementar un sistema embebido de reconocimiento de comandos por voz usando Lgica Difusa
INTRODUCCIN
El reconocimiento de voz es una parte de la Inteligencia Artificial que tiene como objetivo permitir la comunicacin hablada entre seres humanos y computadoras electrnicas. Se ha conseguido la capacidad de reconocimiento del habla en ambientes sin ruido. El reconocimiento del habla en ambientes ruidosos est limitado a pocas palabras y comandos. Debido a que no existen modelos matemticos que representen fielmente el habla humana, los diseadores se basan en experiencia y experimentos para desarrollar este tipo de sistemas. La lgica difusa es comnmente usada en este tipo de sistemas debido a que permite integrar conocimiento experto a los sistemas. La primera aplicacin de lgica difusa en reconocimiento del habla fue hecha por la compaa Japonesa Ricoh. Experimentalmente result en un 93% de reconocimiento en ambientes ruidos de un conjunto reducido de 120 palabras.
10
La mayora de los sistemas de reconocimiento de voz (con o sin lgica difusa) usan la Transformada Rpida de Fourier para transformar el comando de voz en patrones de frecuencia como primer paso, luego, despus de normalizacin y filtrado, los algoritmos de reconocimiento de patrones determinan la similitud del comando de voz con patrones pregrabados. En algunas aplicaciones, la Lgica Difusa permite una solucin ms sencilla sin usar la Transformada de Fourier. En esta prctica se desarrollar un sistema de reconocimiento de comandos de Voz para controlar el encendido y apagado de 2 cargas: Luz y Motor. El objeto de este sistema es reconocer 4 palabras: Luz, Motor, On, Off, para controlar un motor y un foco; de tal manera que si se desea prender la luz se dirn las palabras Luz seguida de On.
PROCEDIMIENTO DE DISEO
1. Armar el circuito de la Figura 3. 2. Muestrear el comando de voz que se desea reconocer (luz, motor, on, off) al mantener pulsado un botn con una frecuencia de 8000 muestras por segundo, obteniendo un total de 2048 muestras. 3. Durante el muestreo del comando de voz, se llenarn 24 variables lingsticas (D1 hasta D24) en funcin de la amplitud de la seal muestreada. Las figuras 1 y 2 muestran grficas de la informacin que se obtendr, en donde las regiones con mayor densidad son regiones con mayor frecuencia. 4. Se deben analizar estas variables (se recomienda grficamente) para determinar las reglas de lgica difusa que representan las 4 palabras que se desean reconocer. Una vez analizada la informacin obtenida de las palabras que se desean reconocer se crean las reglas de inferencia. Por ejemplo: Si D20 es MEDIO DENSA y D21 es MEDIO DENSA Si D20 es MUY BAJA y D21 es MUY BAJA y y D9 es MUY BAJA y D9 es PROMEDIO y D10 es MUY BAJA D10 es PROMEDIO entonces la palabra es EQUAL entonces la palabra es FOUR
11
Figura 1. Intensidad de seal de la palabra equal
Figura 2. Intensidad de seal de la palabra four
12
FUNCIONAMIENTO
Una vez diseado el sistema de reconocimiento, se pone a prueba su funcionamiento. 1. Muestrear el comando de voz al mantener pulsado un botn, con una frecuencia de 8000 muestras por segundo, obteniendo un total de 2048 muestras. 2. Durante el muestreo del comando de voz, se llenarn 24 variables lingsticas (D1 hasta D24) en funcin de la amplitud de la seal muestreada. Esta informacin entra al sistema de reconocimiento basado en Lgica Difusa y se emite una seal de control en funcin de la palabra reconocida. Esta seal controlar 2 relevadores donde estn conectadas las cargas.
MATERIAL Y EQUIPO
1 Microcontrolador con mas de 2k de RAM (cristal y circuito de Reset) 1 Amplificador de audio LM386 2 Transistores 2N2222 3 Diodos rectificadores 1 Resistencia de 3.3k 1 Resistencia de 47k 3 Resistencias de 1k 1 Capacitores de 1uF 1 Capacitor de 10nF 1 Capacitor de 220nF 1 Capacitor de 100nF 2 Relevadores de 5V 1 Micrfono Electret 1 Motor de Corriente directa 1 Foco 1 Fuente de Voltaje de 5V para circuito digital 1 Fuente de Voltaje para Motor 1 Toma de corriente de 110V para foco
13
Figura 3. Diagrama
14
REPORTE
El reporte de la prctica deber contener: Portada con los datos pertinentes, incluyendo un resumen descriptivo de la prctica, entre 100 y 150 palabras. Objetivo de la prctica. Marco terico. Metodologa empleada (explicar algoritmos mediante diagramas de flujo o de bloques). Diagrama esquemtico del circuito. Listado de programas (se recomienda como apndice). Resultados experimentales obtenidos. Conclusiones.
Bibliografa.
REFERENCIAS
Constantin Von Altrock, Fuzzy Logic & NeuroFuzzy Applications Explained, Ed. Prentice Hall, 1995. Hung T. Nguyen, A first Course in Fuzzy and Neural Control, Ed. Chapman & Hall/CRC, 2003. Fujimoto, J., Nakatani, T., Yoneyama, M., Speaker-Independent Word Recognition Using Fuzzy Pattern Matching, Fuzzy Sets and Systems Vol. 32 (1989), pp. 181-191. Hale, C. and Nguyen, C. Q., Using Fuzzy Logic Based Digital Filters for Voice Command Recognition, Computer Design Fuzzy Logic 94 Conference in San Diego (1994), pp. 279-298.
15
PRCTICA # 3
INTRODUCCIN A LAS REDES NEURONALES
OBJETIVO
Implementar redes neuronales para resolver operaciones lgicas
INTRODUCCIN
Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls como: "ANN") son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas en una red que colabora para producir un estmulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales.
16
PROCEDIMIENTO
En esta prctica utilizaremos el Toolbox de redes neuronales que viene incorporado en la instalacin de MATLAB (Neural Network Toolbox). Para comprender mejor las redes neuronales vamos a ver un ejemplo que resuelve la funcin XOR: Necesitamos una red neuronal con dos neuronas de entrada y una de salida. Como la funcin XOR no es un problema separable linealmente, intentaremos resolver el problema con una capa oculta en la que colocaremos dos neuronas. El modelo de neurona que utiliza matlab, existen dos posibilidades con o sin bias:
Las funciones de activacin que maneja Matlab son las siguientes:
18
El modelo de red neuronal que utiliza Matlab es el siguiente:
Para crear la red utilizaremos la funcin newff (fed-forward). Es una red que se propaga hacia-adelante. >> net = newff([0 1; 0 1],[2 1],{'logsig','logsig'}) Como parmetros necesita el rango de valores de las neuronas de entrada([0 1; 0 1]), el nmero de celdas en la capa oculta y en la de salida([2 1])y la funcin de activacin de cada capa ({logsig,logsig}) Veamos cmo se comporta la red sin entrenar. Necesitamos una matriz con las entradas. Las entradas de la red son las columnas de la matriz. Si queremos una matriz con las entradas: 1 1, 1 0, 0 1 y 0 0 debemos escribir los vectores de entrada a la red en columna, por tanto hacemos una matriz con los 4 vectores de entrada:
>> input = [1 1 0 0; 1 0 1 0] output = 0.3394 0.0659 0.0769 0.1025
Para ver la salida de la red usamos la funcin sim:

>> output=sim(net,input)
La funcin sim se utiliza para simular la red y as calcular las salidas. La salida no es muy buena. Lo deseable era (0 1 1 0) y nos hemos
20
encontrado con (0.3394 0.0659 0.0769 0.1025). Esto es as porque los pesos se han inicializado aleatoriamente y la red no ha sido entrenada. El objetivo de esta red es ser capaz de producir:
>> target = [0 1 1 0]
Con el comando plot podemos ver el objetivo y lo que hemos conseguido hasta el momento:
>> plot(target, 'o') >> hold on >> plot(output, '+r')
El objetivo son los crculos en azul y solucin obtenida sin entrenar la red son los + en rojo. Con los pesos que tiene la red sin entrenar no se obtiene una buena solucin. Los pesos que hay entre la capa de entrada y la capa oculta se guardan en IW (input weights):
>> net.IW{1,1}
21
Se puede cambiar cualquier peso de la red, por ejemplo: >> net.IW{1,1}(1,2)=5; >> net.IW{1,1} ans = 7.7055 5.0000 -7.9089 -0.4123
Los pesos entre la capa oculta y la capa de salida se almacenan en LW (Layer Weight): >> net.LW{2,1}
22
Entonces la red con todos los pesos incluyendo el cambio realizado sera la siguiente:
Con el nuevo cambio podemos volver a evaluar la red: >> output=sim(net,input) output = 0.6645 0.0659 0.0846 0.1025 >> plot(output,'g*')
Podemos cambiar los pesos manualmente o podemos entrenar la red automticamente. Para entrenar la red se usa la funcin train >> net = train(net,input,target); Al ejecutar el comando, aparece un grfico en el que vemos la evolucin del entrenamiento. El objetivo a alcanzar es bajar de un gradiente de 1E-10 (valor predeterminado).
23
Veamos ahora si la red ya aprendi: >> output = sim(net,input) output = 0.0000 1.0000 1.0000 0.0000 Veamos los pesos que se han calculado en el entrenamiento: >> net.IW{1,1} ans = 9.2325 -11.5070 -12.0289 13.7543 >> net.LW{2,1} ans = 27.6393 30.3009
EJERCICIO
Disee una red neuronal que resuelva la funcin ((A OR B) AND (NOT(C) OR A)) Modifique la estructura de la red, y anote en una tabla comparativa los siguientes parmetros: -Estructura utilizada, objetivo, tiempo aproximado de entrenamiento de la red, tiempo de clculo de la salida, etc. (Las modificaciones a realizar incluirn al menos aumentar el nmero de capas ocultas, aumentar el nmero de neuronas en cada capa).
24
MATERIAL Y EQUIPO
Computadora con Matlab y Neural Network Toolbox
REPORTE
El reporte de la prctica deber contener: Portada con los datos pertinentes, incluyendo un resumen descriptivo de la prctica, entre 100 y 150 palabras. Objetivo de la prctica. Marco terico. Listado de programas (se recomienda como apndice). Resultados experimentales obtenidos. Conclusiones.
Bibliografa.
REFERENCIAS
B. Martin del Brio, Redes Neuronales y Sistemas Difusos, Ed. Alfaomega, 2002. Hung T. Nguyen, A first Course in Fuzzy and Neural Control, Ed. Chapman & Hall/CRC, 2003. Matlab Neural Network Toolbox, http://www.mathworks.com/access/helpdesk/help/toolbox/nnet/, 2009.
25
PRCTICA # 4
Reconocimiento de comandos de Voz
OBJETIVO
Implementar un sistema de reconocimiento de voz usando Redes Neuronales en Matlab
INTRODUCCIN
Los sistemas de reconocimiento de voz con el tiempo han tenido un gran auge en la sociedad moderna, ante la creciente necesidad de tener sistemas que se puedan controlar de manera no fsica, para un porcentaje creciente de personas discapacitadas en el mundo. Un reconocimiento de voz tiene la dificultad principal en la extraccin de caractersticas de la voz, debido a que cuenta con diversos problemas a solucionar, como lo es que una persona no puede pronunciar dos veces igual la misma palabra, debido entre otras cosas al estado de nimo, la salud, y la fuerza de pronunciacin, el tiempo, la entonacin, etc. Aun con estas dificultades, se han desarrollado algoritmos para poder determinar un nivel de coincidencia entre las pronunciaciones para poder realizar un reconocimiento eficaz. Entre estos mtodos usados se encuentran las redes neuronales artificiales.
26
MATERIAL Y EQUIPO
Computadora de escritorio o porttil con Matlab. Micrfono.
PROCEDIMIENTO
1. Crear un sistema de reconocimiento de comandos de voz usando Matlab. Para la entrada de voz puede usar un micrfono conectado a la computadora y por medio de Matlab leer la seal de la entrada auxiliar de la tarjeta de sonido.
2. Usando redes neuronales artificiales implemente un reconocedor de comandos de voz. El sistema debe ser capaz de reconocer 3 comandos de voz distintos.
27
REPORTE
El reporte de la prctica deber contener: Portada con los datos pertinentes, incluyendo un resumen descriptivo de la prctica, entre 100 y 150 palabras. Objetivo de la prctica. Marco terico. Listado de programas (se recomienda como apndice). Resultados experimentales obtenidos. Conclusiones. Bibliografa
REFERENCIAS
Matlab Neural Network Toolbox, http://www.mathworks.com/access/helpdesk/help/toolbox/nnet/, 2009. Jos R Hilera Martnez, Redes Neuronales Artificiales, Fundamentos, Modelos y Aplicaciones, Alfa Omega, Mxico, (2000) Bonifacio Martn del Rio, Alfredo Sanz Molina. "Redes Neuronales y Sistemas Borrosos", Ra-Ma, Madrid, (2001) Jose Luis Oropeza. Algorithms and Methods for the Automatic Speech Recognition in Spanish Languages using Syllables, Computacin y Sistemas, Vol.9, No. 3, pp.270-286, 2006. Merlo, G. Fernandez, Caram, F. Priegue, R. Reconocimiento de la voz mediante una red neuronal de Kohonen, Proceedings, Procesamiento Distribuido y paralelo. Tratamiento de Seales. Carlos A. De Luna, Julio Cesar Martinez R. Reconocimiento de voz con redes neuronales, DTW y Modelos Ocultos de Markov, Conciencia Tecnolgica, Instituto Tecnolgico de Aguascalientes. Luis A. Cruz, Marco A. Acevedo, Reconocimiento de voz usando redes neuronales artificiales, Backpropagation y coeficientes LPC, SEPITelecomunicaciones ESIME IPN Unidad Profesional.
28

Sistemas Inteligentes

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sistemas Inteligentes

Cargado por

Copyright:

Formatos disponibles

SUBSECRETARIA DE EDUCACION SUPERIOR DIRECCION GENERAL DE EDUCACION SUPERIOR TECNOLOGICA INSTITUTO TECNOLOGICO DE MAZATLAN

MANUAL DE PRCTICAS DE LA MATERIA

PNDULO INVERTIDO ROTATORIO o PNDULO DE FURUTA

Figura 3 4. Implemente el control difuso al pndulo invertido usando el circuito de la Figura 4.

Fuente de alimentacin de 20 30 Volts. Multmetro. Computadora.

RECONOCIMIENTO DE COMANDOS DE VOZ

Figura 1. Intensidad de seal de la palabra equal

Figura 2. Intensidad de seal de la palabra four

INTRODUCCIN A LAS REDES NEURONALES

El modelo de red neuronal que utiliza Matlab es el siguiente:

>> input = [1 1 0 0; 1 0 1 0] output = 0.3394 0.0659 0.0769 0.1025

Para ver la salida de la red usamos la funcin sim:

Reconocimiento de comandos de Voz

También podría gustarte