Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROCESAMIENTO DIGITAL DE
SEALES Y REDES NEURONALES
Mayo 2004
1
INDICE
Introduccin
El siglo XX se ha caracterizado por un notable desarrollo en la tecnologa del manejo de
informacin, esto es, recoleccin procesamiento y distribucin de informacin. Se han
instalado grandes redes telefnicas, se inventaron la radio y la televisin, se pusieron en
rbita satlites de comunicacin y el crecimiento sin precedentes de la industria de
comunicacin y procesamiento de seales por diferentes medios.
Conforme el tiempo y la tecnologa avanzan, observamos una mejor relacin entre estas
reas, tan es as, que en la actualidad no es posible hablar por separado de una o de otra.
Hoy en da grandes Organizaciones, con cientos de oficinas distribuidas en todo el mundo
tienen la necesidad de examinar de manera cotidiana el estado actual de las tecnologas de
procesamiento de datos con tan solo oprimir una tecla. Pero esto no termina aqu, cada vez
se requieren de sistemas cada vez ms sofisticados en el procesamiento de las seales
digitales, as como su interpretacin y manipulacin, todo esto con el fin de hacer la vida un
tanto mas sencilla y la fcil resolucin de problemas de manera inmediata.
Si bien es cierto que la industria de las computadoras es creciente, pero si la comparamos
con otras industrias como la automotriz o con la del transporte areo, esta ha mostrado ha
demostrado un crecimiento verdaderamente grandioso. En poco tiempo la industria ha
avanzado de tal manera que para la realizacin de tareas como el procesamiento de seales
digitales ha implementado desde los mas rsticos instrumentos mecnicos hasta las grandes
redes de transmisin, interpretacin y manipulacin de las seales. Para esto el Hombre ha
creado entre otras, redes que cuyo objetivo no es otro que realizar las funciones mas
avanzadas de la inteligencia humana como son la de realizar la interpretacin de los sucesos
cotidianos de la vida que para tomar una resolucin para resolver un problema es necesario
tomar una decisin inmediata partiendo del hecho que dicha decisin deba de ser lo mas
exacta y acertada posible.
Las computadoras y las redes informticas han producido un gran impacto en nuestra
sociedad un impacto de enormes consecuencias, estas herramientas revolucionarias han
multiplicado la productividad y eficiencia del trabajo, tanto como para las empresas y
usuarios independientes. Ahora las redes neuronales son la propuesta de una solucin a los
problemas de gran complejidad, los cuales requieren de una gran implementacin ya sea de
soluciones a gran escala o dificultad.
El propsito de esta tesis es el mostrar un estudio sobre la aplicacin y procesamiento de las
seales digitales en las redes neuronales. Esta tesis esta estructurada en seis captulos. En el
primer captulo se presentan los conceptos bsicos sobre los sistemas discretos como
Estabilidad, Respuesta en frecuencia as como la aplicacin de las propiedades de la
funcin de transferencia en Z y transformada Z, la aplicacin de la transformada de Fourier
en las seales digitales. As tambin el muestreo de seales. En el captulo dos se analizarn
los tipos, diseo e implementacin de filtros digitales En el capitulo 3 se introducir al
mundo de las redes neuronales su historia as como la definicin generalidades y conceptos
bsicos de las mismas. En el captulo cuatro se darn a conocer las capacidades de las redes
neuronales y sus topologas. En el captulo cinco se dar a conocer la aplicacin del
5
procesamiento de seales digitales usando las redes neuronales as como las aplicaciones
generales de las mismas. En el capitulo seis se hablara del software empleado por las redes
neuronales.
CAPITULO I
ANTECEDENTES
eficiente para el clculo de las transformadas de Fourier aceler el uso del computador
digital. Muchas aplicaciones desarrolladas requeran del anlisis espectral de la seal y con
las nuevas transformadas rpidas se redujo en varios rdenes de magnitud el tiempo de
cmputo. Adems, se dieron cuenta de que el nuevo algoritmo se podra implementar en
hardware digital especfico, por lo que muchos algoritmos de tratamiento digital de seales
que previamente eran impracticables comenzaron a verse como posibles.
Otro desarrollo importante en la historia del Procesamiento de Seales ocurri en el
terreno de la Microelectrnica. Aunque los primeros microprocesadores eran demasiado
lentos para implementar en tiempo real la mayora de los sistemas en tiempo discreto, a
mediados de los ochenta la tecnologa de los circuitos integrados haba avanzado hasta el
nivel de permitir la realizacin de microcomputadores en coma fijo y coma flotante con
arquitecturas especialmente diseadas para realizar algoritmos de procesamiento de seales
en tiempo discreto. A estos procesadores se les conoce por el acrnimo de DSP (Digital
Signal Processor). Con esta tecnologa lleg, por primera vez, la posibilidad de una amplia
aplicacin de las tcnicas de tratamiento de seales en tiempo discreto. Aun ms, hoy en da
los diseos de los microprocesadores genricos son ampliados en registros e instrucciones
para poder destinarlos a tareas de procesamiento de seales, sea el caso ms llamativo el
conjunto de instrucciones MMX insertdas en la familia INTEL a partir del mtico
PENTIUM.
De las diferentes materias que involucra el tratamiento digital de seales, en este tema
slo se va a versar sobre los filtros digitales lineales e invariantes en el tiempo, abreviados
por la sigla LTI (Linear Time Invariant). La eleccin por estos filtros viene dada por su gran
difusin actual, por ser un captulo inicitico al procesado digital de seales y por
corresponder con la evolucin natural del temario de Electrnica Industrial. No obstante, el
Procesamiento Digital es por si misma una propia asignatura, lo que indica el carcter
bsico de este captulo. Para profundizar ms sobre los filtros digitales y conocer en
amplitud esta disciplina,se puede empezar por elegir alguno de los libros recomendados en
el apartado de bibliografa.
Los filtros digitales LTI son, por ejemplo, usuales en el procesamiento del audio. Los
equipos de msica vienen dotados con filtros que le permite al oyente modificar las
cantidades relativas de energa de baja frecuencia (graves) y la energa de alta frecuencia
(agudos). Estos filtros varan sus respuestas en frecuencias mediante la manipulacin de los
controles de tono.
Otra clase comn de filtros LTI son aquellos en los que la salida del filtro es una
aproximacin de la derivada de su entrada. Los filtros diferenciadores son tiles para
acentuar las transiciones rpidas de una seal, y una aplicacin en la que se emplea a
menudo es en la intensificacin de los bordes. La figura 1.1 ilustra el efecto de un filtro
diferenciador en una imagen. La figura muestra dos imgenes, la original y el resultado del
procesamiento con un filtro que tiene una respuesta en frecuencia lineal. Como la derivada
en los bordes de la imagen es mayor que en las regiones donde la intensidad vara con
lentitud en el espacio, el efecto de los filtros diferenciadores es resaltar los bordes.
( 1.1 )
El ndice 0 es el origen de la secuencia. Aunque {xk} es una secuencia de nmeros,
sta se puede considerar como una seal muestreada de x(t) cuando el periodo de muestreo
T es de 1 segundo.
11
Ejemplo 1.1
Obtener la secuencia discreta de un armnico de 100 Hz, de amplitud 0.5 V que ha
sido muestreado con una frecuencia de 1kHz, sabiendo que el desfase en la adquisicin es
de 30 y el tiempo total de muestreo ha sido de 20 ms. No considere los efectos de
cuantificacin de la seal.
Una sinusoide de tiempo continuo viene dada por la frmula matemtica siguiente:
( 1.2 )
Si se obtiene una seal de tiempo discreto tomando regularmente muestras {xk} a la
frecuencia de muestreo
, se obtendr:
(1.3 )
Para los valores indicados del ejercicio, la secuencia muestreada tendr como
resultado:
12
(1.5 )
Los sistemas discretos que no verifiquen esta propiedad se denominan no causales. Si
la funcin que relaciona cada elemento de la secuencia de salida es lineal, el sistema se
denomina asimismo lineal. Centrados en los sistemas dinmicos causales, un sistema ser
lineal, si la funcin expresada en (1. 5) es lineal, es decir, de la forma:
13
( 1.6 )
Cuando ai y bi son constantes se dice que el sistema lineal es invariante en el tiempo.
A stos se les conoce por el acrnimo de LTI (Linear Time Invariant). Un sistema lineal
invariante verifica el principio de linealidad, es decir, que, en idnticas condiciones
iniciales, a entradas suma de entradas o producto por una constante, le corresponden
salidas sumas o productos de la misma constante. La figura 1.2 ilustra este principio.
( 1.7 )
Si el sistema es causal es igual a cero para k < 0.
Para obtener la secuencia de salida sobre un sistema lineal ante una secuencia de
entrada dada habr de aplicar el operador convolucin discreta; este operador se define
como:
14
( 1.8 )
donde {gk} representa la secuencia de ponderacin. En ellas cada elemento de la
secuencia de salida es calculada por la expresin:
Ejemplo 1.2
Dada la ecuacin en diferencia:
( 1.10 )
Obtener la secuencia de ponderacin y determinar la salida ante una entrada en
escaln.
Para obtener la secuencia de ponderacin habr de aplicarle una entrada impulsional,
de forma que la entrada ser del tipo .
La evolucin de la salida puede ser
realizada a travs de una tabla, en las que se van obtenido los resultados temporales al
aplicar la ecuacin en diferencias:
15
16
( 1.11 )
1.1.2 Respuesta en frecuencia de un sistema discreto
Al excitar un sistema continuo LTI con seales sinusoidales, este experimento
permite desarrollar el anlisis en el dominio de la frecuencia para dichos sistemas. De
manera paralela, en los sistemas discretos se va a ver como se puede obtener una
representacin frecuencial de los mismos que sirvan para caracterizarlos.
Antes de entrar en la obtencin de la respuesta en frecuencias se requiere analizar las
propiedades de las seales exponenciales discretas. Tras su estudio se estar en condiciones
de comprender mejor los mecanismos inherentes a la respuesta en frecuencia de los
sistemas discretos.
1.1.2.1
As como existen muchas similitudes entre las seales continuas y las discretas,
tambin hay importantes diferencias. Una de stas concierne a la seal exponencial discreta
. En seales continuas,
son peridicas
( 1.12 )
Se observa que la exponencial de frecuencia
es la misma que aquella con
.
Por tanto, al considerar las exponenciales complejas, se tomar en cuenta un intervalo de
frecuencia 2w. Aunque de acuerdo con la anterior expresin, cualquier rango de longitud 2
sera adecuado, en la mayora de las ocasiones se suele usar el intervalo
17
( 1.13 )
Cuyos elementos son funcin de un parmetro de . La secuencia de salida segn la
aplicacin de la convolucin discreta, (1.9) ser:
( 1.14 )
El ndice de la secuencia es k, con lo que el sumatorio es un factor independiente de
este ndice, por tanto:
( 1.15 )
Si se define la funcin
( 1.16 )
18
La expresin queda:
( 1.17 )
Esta expresin permite ver como, cuando el sistema es excitado ante la secuencia de
una exponencial discreta de frecuencia angular , (1. 13), los elementos de la secuencia de
salida son calculados multiplicando el valor de la entrada por el operador G(
Este operador G( , se denomina respuesta en frecuencia del sistema discreto
considerado. Es una funcin del parmetro real y peridica respecto a l, como puede
apreciarse observando 1.16 . Su periodo es 2. La respuesta en frecuencia es as mismo
una funcin compleja, la cual requiere cualquier representacin grfica de la misma en dos
curvas, por ejemplo, haciendo uso del diagrama de Bode.
Ejemplo 1.3
Determinar la respuesta frecuencia de un filtro binomial cuya secuencia de ponderacin
es {1/4, 1/2, 1/4}.
Al aplicar (1.16) sobre la secuencia de ponderacin dada:
19
( 1.18 )
Esta expresin (1.18) permite realizar la operacin inversa a la efectuada en (1.16).
Antes, de la secuencia de ponderacin, {gk}, se obtena la respuesta en frecuencia G(W),
mientras que ahora, con (1.18), de esta funcin G(W) se obtiene la secuencia de
ponderacin.
De igual forma que se vio en el diseo de filtros analgicos, se puede establecer una
estrategia de definicin del filtro digital mediante la respuesta frecuencial deseada. De
manera que se puede plantear la determinacin de su secuencia de ponderacin a partir del
conocimiento de su respuesta frecuencial y mediante el uso de (1. 18) obtener los
coeficientes del filtro.
20
Ejemplo 1.4
En la figura 1.4 se representa la respuesta en frecuencia de un filtro paso bajo
normalizado, cuya frecuencia de corte es c con valor de 2. Determinar la secuencia de
ponderacin del filtro.
Cuyos valores
sern:
21
( 1.19 )
sta es igualmente peridica, de ciclo 2, y en las condiciones antes indicadas es un
desarrollo en serie de Fourier, lo que permite definir la transformada inversa:
( 1.20 )
La transformada de Fourier de una secuencia es una funcin compleja, siendo
usualmente representada grficamente por sus curvas de mdulo y de argumento. Al igual
que ya se vio en los sistemas continuos, la utilidad ms importante que se va a hacer de la
transformacin de Fourier es la que se deriva de la relacin existente entre las
transformadas de Fourier de las secuencias de entrada y de salida de un sistema LTI y su
respuesta en frecuencia, de manera que:
( 1.21 )
22
Esta relacin permite tratar a los sistemas discretos de una manera similar con lo que se
proceda con los continuos; dando un procedimiento para determinar la secuencia de salida
a partir de la respuesta en frecuencia, ver figura 1.5. Conocida la respuesta en frecuencia
del sistema y la transformada discreta de la secuencia de entrada, se determinar la
transformada de la secuencia de salida segn (1. 21), y posteriormente se aplicar la
transformada inversa, obteniendo la secuencia de la salida.
23
1.1.4 Transformada z
La variable compleja z es una transformacin no lineal de la variable de Fourier, con
el propsito de que la funcin de transferencia del sistema discreto obtenida de esta
transformacin sea racional. Dada una secuencia real {xk} se define su transformada en z
como una funcin compleja:
( 1.22 )
En estas expresiones se pueden observar las ventajas de, por una parte, no ser
funciones peridicas, y por otra, de ser racionales. Adems, es fcil ver que la definicin de
transformada de Fourier a z, se consigue haciendo:
( 1.23 )
24
( 1.24 )
La transformada de la secuencia en escaln resultar:
( 1.25 )
Otro ejemplo tpico, generalizacin del anterior, es la secuencia exponencial:
( 1.26 )
que, por ser una serie geomtrica, ser convergente para
su suma valdr:
, es decir |z|>|a|, y
( 1.27 )
Por ltimo, la transformada del desplazamiento ser:
( 1.28 )
25
1.1.4.1
Funcin de transferencia en z
( 1.29 )
El operador G(z), transformada z de la secuencia de ponderacin del sistema se
denomina funcin de transferencia en z del sistema considerado.
( 1.30 )
Y calculando ahora la transformada z de las dos partes de la igualdad y teniendo en
cuenta las propiedades de linealidad y desplazamiento, se obtiene:
( 1.31 )
26
( 1.32 )
Y por tanto la funcin de transferencia del sistema ser:
( 1.33 )
1.1.4.2
Transformada inversa
( 1.34 )
siendo C una curva cerrada que envuelve el origen.
En el caso de secuencias con trminos nicamente de ndice positivo, o nicamente
negativo, se puede utilizar el clculo de los coeficientes mediante el mtodo de la divisin
larga. Una posibilidad ms de clculo de la transformada inversa es por descomposicin en
fracciones simples. Si X(z) es racional, con todos sus polos simples y el grado del
numerador inferior al del denominador, entonces:
( 1.35 )
27
( 1.36 )
Ejemplo 1.6
Un sistema discreto est definido por la siguiente ecuacin en diferencias:
Es fcil de obtener los dos polos de G(z), uno en z = 1/3 y otro en z = 1/4. La
descomposicin en fracciones simples de Y(z) resultar a :
28
29
( 1.37 )
Figura 1.7
Smbolo
del muestreador
( 1.38 )
La relacin existente entre la seal continua y la secuencia procedente del muestreo
estar dada por (1. 37), por lo tanto, el ligazn entre la transformada de Fourier continua y
la secuencia ser del tipo:
( 1.39 )
Si la secuencia {xk} tiene asimismo transformada discreta de Fourier Xd(w), entonces
estar relacionada con su transformada por medio de:
( 1.40 )
30
( 1.41 )
Por tanto, si la seal continua tiene una transformada de Fourier, cuya curva de
mdulos, por ejemplo, se representa en la figura 1.8.
( 1.42 )
Las seales que cumplen esta condicin se denominan de banda limitada. Si una seal
de este tipo se muestrea con un periodo que verifique:
( 1.43 )
Es decir:
( 1.44 )
La transformada de Fourier ser, siguiendo el ejemplo, de la forma indicada en la
figura 1.9. A/T se la l ama frecuencia angular de Nyquist.
32
Ejemplo 1.7
Una seal continua est constituido por la siguiente expresin:
34
En conclusin en este captulo hemos visto las aplicaciones de las diferentes formas de
tratamiento, su manipulacin e interpretacin de las seales adems de sus propiedades, su
respuesta en forma discreta as como su aprovechamiento en los sistemas de audio.
En el siguiente captulo se detallarn las formas de filtrado de las seales adems de los
tipos y aplicaciones de los filtros digitales, su respuesta y diseo de los mismos.
36
CAPITULO II
FILTROS DIGITALES
37
38
Respuesta dinmica: El ancho de banda del filtro digital est limitado por la
frecuencia de muestreo, mientras que en los filtros analgicos con componentes
activos suelen estar restringidos por los amplificadores operacionales.
Intervalo dinmico: En los filtros analgicos aparecen derivas que limitan por
abajo el rango y se saturan con la alimentacin. En cambio en los filtros
digitales es fijado por el nmero de bits que representa la secuencia, y el lmite
inferior por el ruido de cuantificacin y por los errores de redondeo.
( 2.46 )
39
( 2.47 )
siendo m el orden del filtro y tendr una funcin de transferencia en z del tipo:
( 2.48 )
Obsrvese que en estos tipos de filtros cada valor de la secuencia de salida slo
depender de un nmero finito de valores de la secuencia de entrada. Adems tambin se
desprende la carencia de polos en la funcin de transferencia. Por contra, las expresiones de
los filtros recursivos corresponden a:
( 2.49 )
Y su funcin de transferencia en z a:
( 2.50 )
En estos casos, la secuencia de salida depende tanto de la entrada como de la salida.
De estas ecuaciones se deducen las siguientes propiedades. Primera, la secuencia de
ponderacin es infinita para los filtros IIR, aun teniendo un nmero finito de coeficientes.
Mientras la respuesta al impulso de un filtro no recursivo es siempre finita e igual al orden
del filtro. En segundo lugar, los filtros FIR prcticos son siempre estables, esto es, la
secuencia de salida tiene todos sus valores acotados. No es el caso de los filtros recursivos,
su estabilidad depende de la funcin de transferencia, por lo que habr de utilizar alguno de
los procedimientos algebraicos, como el de Jury, para analizar su estabilidad. Tercera,
cualquier filtro recursivo puede ser reemplazado por otro no recursivo con infinitos
coeficientes, sus valores vendrn dados por la secuencia de ponderacin del IIR. La
conclusin inversa no se cumple.
40
41
Resultan obvias las conclusiones del experimento, el argumento lleva casi toda la
informacin de la secuencia. Por lo tanto, si se desea transmitir slo algunas de las
propiedades de la secuencia sin distorsionarla habr de disear filtros que no perturben la
fase de la seal muestreada. Justificando de esta manera el nfasis puesto en los filtros de
desfase nulo o lineal.
2.3 Causalidad y sus implicaciones
Los filtros digitales suelen ser caracterizados en trminos de rangos de frecuencia,
tanto de la banda pasante como de la supresora. Los cuatro tipos bsicos de filtros
supresores son ilustrados en la figura 1.14. Al ser stos sistemas discretos, sus respuestas
frecuenciales son peridicas con la frecuencia de Nyquist, N, por lo que slo se
considerar el intervalo [-N, N].
42
Figura 1. 14 Especificaciones de los filtros digitales a) Paso bajo b) Paso alto c) Pasa banda
d) Rechazo de banda
En las figuras slo se muestran la respuestas en frecuencias del mdulo sin que
aparezca el argumento. Sin embargo, como se acaba de comentarse (ver prrafo 2.2), es
deseable que en la banda pasante no se introduzcan desfases o que sean de fase lineal. Con
tal propsito se parte de la realizacin de un filtro con variacin lineal del argumento
respecto a la frecuencia, esto es, se tendr que el desfase introducido es del tipo = - T,
donde es una constante. El caso particular de desfase nulo ser igual a cero. Luego si
anteuna seal de entrada peridica con las condiciones de Fourier, sta se separa en forma
de sumas de sinusoides del tipo sen( kT), , cada una de ellas producir una respuesta del
tipo:
( 2.51 )
Por lo tanto, cada armnico de la seal de entrada estar desfasada - veces, de
forma que se obtendr en la salida una versin no distorsionada de la seal de entrada en el
rango de frecuencias dependientes de la banda pasante. A razn de lo expuesto, el diseo de
un filtro paso bajo deber de cumplir con las condiciones mostradas en la figura 1.15. El
mdulo ser constante en la banda pasante y nulo en la supresora, mientras el desfase
tendr que ser lineal con la frecuencia. Un posible modelo matemtico que caracterice este
tipo de respuesta correspondera a:
( 2.52 )
43
( 2.53 )
Desprendindose que el filtro paso bajo es no causal y por lo tanto no realizable
fsicamente.
Ejemplo 1.8
Obtener la secuencia de ponderacin de un filtro paso bajo de desfase nulo y que la
banda pasante sea un octavo de la frecuencia de muestreo.
Los datos del ejercicio supone que sea nulo y que la frecuencia de corte sea un
ncuarto de la frecuencia de Nyquist c n/4 Al aplicar (1. 53) se obtendr la secuencia
de ponderacin de este filtro digital:
44
( 2.54 )
cuyos valores sern:
45
Ejemplo 1.9
Disear un filtro paso bajo FIR con una frecuencia de muestreo de 1.6 kHz, frecuencia
de corte de 200 Hz y con igual a 5, sabiendo que el orden del filtro es 10.
De aplicar (1. 53) con las condiciones dadas en el ejercicio da los siguientes
coeficientes:
y segn (1. 56) su respuesta en frecuencia ser:
( 2.55 )
Cuya respuesta en frecuencia y al impulso se encuentran representado en la figura 1.17.
46
Del ejemplo se muestra cmo el truncamiento del orden del filtro hace dejar de comportarse
como filtro ideal, apareciendo tanto rizado en la banda pasante como en la supresora. A este
efecto se le denomina fenmeno de Gibbs. Tambin se desprende de la figura el carcter
lineal del desfase.
Aunque esta discusin se limita a la realizacin de un filtro paso bajo, las conclusiones
se mantienen en general para todos las filtros selectivos. En resumen, ninguno de los filtros
mostrados previamente en la Figura 1.14 son causales y, por tanto, son fsicamente
irrealizable.
Una pregunta que aflora naturalmente en este punto es la siguiente: Cules son las
condiciones suficientes y necesarias que debe satisfacer la respuesta frecuencial para que el
filtro sea causal ?. La respuesta a esta pregunta viene dada por el teorema de Paley-Wiener.
Del teorema se extraen varias conclusiones:
Aunque las caractersticas de respuesta en frecuencia que poseen los filtros ideales son
deseables, no son absolutamente necesarias en la mayora de las aplicaciones prcticas. Si
se relajan estas condiciones es posible realizar filtros causales que se aproximan a los
47
ideales con tanta precisin como se desee. En particular, no es necesario insistir en que la
ganancia en la banda pasante sea constante. Se puede tolerar un pequeo rizado e
igualmente se puede tolerar un valor pequeo distinto de cero en la banda de rechazo. La
transicin de la banda de paso a la supresora no ser nula y existir una banda de transicin.
En cualquier problema de diseo de filtros selectivos se podr especificar: (1) el rizado de
la banda pasante, 1, (2) el rizado tolerable de la banda de rechazo, 2 (3) la frecuencia de
la banda de paso, B, y (4), la frecuencia de la banda supresora, S. . Basndose en estas
especificaciones se seleccionarn los coeficientes ak y bk de la ecuaci n en diferencias del
sistema LTI, de la manera que mejor se aproxime a la respuesta en frecuencia deseada. El
grado con el que G(W) se aproxime a las especificaciones depende del criterio usado en la
determinacin de los coeficientes as como del orden del polinomio de la FDT del sistema.
48
( 2.56 )
Si se imponen las condiciones de simetra o antisimetra:
( 2.57 )
El signo + indicar simetra en los coeficientes y el para la antisimetra. Suponiendo
primero que existe simetra y agrupando alrededor de los coeficientes
respuesta en frecuencia del filtro quedar como:
la
( 2.58 )
Observndose que el contenido de entre las llaves es real y que el desfase
introducido por el filtro es -NT, siendo por tanto el argumento lineal con la frecuencia. De
igual manera se actuar con los coeficientes antisimtricos, sin embargo, hay que destacar
que si el filtro es de orden par el punto central de la antisemetra ser nulo. Es fcil
demostrar que la respuesta en frecuencia del un filtro FIR de orden par con una respuesta
impulsional antisimtrica se puede expresar como:
( 2.59 )
49
( 2.60 )
Estas formulas de respuesta en frecuencia generales se pueden usar para disear
filtros FIR de fase lineal con respuestas impulsionales simtricas y antisimtricas. Ntese
que para un filtro simtrico, el nmero de coeficientes del filtro que especifican la respuesta
es m/2 cuando m es par o ((m+1)/2)-1) si m es impar. Por otro lado, si la respuesta
impulsional es antisimtrica y el orden es par, el punto central de la antisimetra ser nulo y
habr m/2 coeficientes que lo definan, en caso de ser orden impar, cada coeficiente tiene un
rmino emparejado de signo opuesto y estar definido por ((m+1)/2)- 1).
La eleccin de una respuesta impulsional simtrica o antisimtrica depende de la
aplicacin. Por ejemplo, si el filtro tiene antisimetra, G(W) tanto para bajas frecuencias
como para frecuencias alrededor de la frecuencia de Nyquist tiene valores prximos a cero,
por lo que no es posible utilizarlos ni para filtros paso bajos ni paso alto. Por otro lado, la
condicin de simetra produce un filtro FIR de fase lineal con una respuesta distinta de cero
para bajas frecuencias. En resumen, el problema de diseo de filtros FIR es simplemente el
del determinar m+1 coeficientes, a partir de las especificaciones en las frecuencias
deseadas.
2.4.2 Diseo de filtros FIR de fase lineal usando ventanas
Hasta este momento se ha observado que la causalidad del filtro requiere del
truncamiento de la respuesta impulsional, y la caracterstica ms destacable de los filtros
FIR (fase lineal), hizo introducir la condicin de simetra o antisimetra en los coeficientes
50
del FIR. Sin embargo, aunque el orden del filtro sea elevado y se impongan condiciones de
simetra, los rizados tanto en la banda pasante como en la supresora se mantienen. As, por
ejemplo, en la figura 1.18 se muestra un filtro paso bajo de orden 51 con una frecuencia de
corte normalizada de 0.4, evidenciando que aun siendo elevado el orden del filtro el efecto
Gibbs se mantiene. Este fenmeno no desaparece con la longitud del filtro.
La causalidad del filtro obligo a definir un orden de filtro finito, de forma que una manera
genrica de expresarla sera que la secuencia de ponderacin del filtro ideal se multiplicase
por una "ventana" de longitud finita, es decir,
( 2.61 )
siendo gk definida como (2. 53) y wk una funcin ventana, donde el truncamiento ms
simple estara definido por:
( 2.62 )
tal que m marca el nmero de la secuencia de truncamiento y el orden del filtro.
Adems, a esta ventana y a otras que se vern ms adelante se las impone la condicin de
simetra para hacer cumplir la caracterstica de fase lineal.
Es instructivo considerar el efecto de la funcin ventana en la respuesta en frecuencia
deseada. Recurdese que la multiplicacin de la funcin ventana con {gk} es equivalente a
la convolucin de G(W) con W (, donde W( es la transformada de Fourier de la
funcin ventana. As, la convolucin de G(W) con W( produce la respuesta en
frecuencia del filtro FIR (truncado). Esto es,
( 2.63 )
51
( 2.64 )
La respuesta en magnitud de la funcin ventana se ilustra en la figura 1.19 para m=7.
Ntese que W( para la ventana rectangular tiene fase lineal, evidente por el carcter de
simetra de sus coeficientes.
52
( 2.65 )
Donde para = 0.5 es llamada la ventana de von Hann y cuando = 0.54 es la
denominada ventana de Hamming. La ventana de Blackman est definida por:
( 2.66 )
Para ilustrar las caractersticas de la respuesta en frecuencia de las ventanas de von
Hann, Hamming y Blackman se muestran en la figura 2.21 un ejemplo. Se trata de
comparar las respuestas frecuenciales de un filtro FIR truncado por una ventana rectangular
y los resultados de aplicar estas funciones ventanas. El orden del filtro es 21 y la frecuencia
de corte es un cuarto de la frecuencia de Nyquist.
53
Figura 1. 21
54
2.4.3
El compromiso entre la anchura del lbulo principal y el rea de los lbulos laterales
se puede cuantificar buscando la funcin de ventana que est concentrada de forma mxima
alrededor de = 0 en el dominio de la frecuencia. Este asunto se ha considerado en
profundidad durante largo tiempo. Entre 1966 a 1974, Kaiser descubri que se puede
formar una venta cuasi-ptima utilizando la funcin de Bessel modificada de primera
especie. La ventana de Kaiser se define como:
( 2.67 )
55
donde
serie:
( 2.68 )
A diferencia de las otras ventanas, la ventana de Kaiser tiene dos parmetros: el orden
del filtro, m, y el parmetro de forma . Variando m y se puede ajustar la amplitud de los
lbulos laterales y el ancho del lbulo principal. Se demuestras que si se aumenta el orden
del filtro y se mantiene constante, la banda de transicin disminuye mantenindose la
amplitud de los lbulos laterales. De hecho, Kaiser obtuvo, mediante amplias
experimentaciones numricas, una pareja de frmulas que permiten al diseador de filtros
predecir los valores del orden del filtro y del factor de formas necesarias para cumplir unas
determinadas especificaciones en frecuencia. Adems, tambin demostr que, sobre un
intervalo suficientemente amplio de condiciones, el nivel de rizado , (ver figura 1.20),
est determinado por la seleccin de . Supuesto fijo el nivel de rizado, la frecuencia de la
banda del filtro paso bajo se define como la mxima frecuencia para la que
La frecuencia de la banda supresora, S, se define como la mnima frecuencia para la que
. Debido al carcter simtrico de los coeficientes resulta que 12De otro
lado, la anchura normalizada de la regin de transicin es :
( 2.69 )
para la aproximacin del filtro paso bajo. Definiendo
( 2.70 )
Kaiser determin empricamente que el valor de necesario para cumplir un valor
especfico de Amin est dado por:
( 2.71 )
56
Para el caso de que sea cero, la ventana es igual a la rectangular. Adems, Kaiser
descubri que para cumplir unos valores especficos de Amin,n y m debe satisfacer:
( 2.72 )
la expresin permite predecir el valor de m con una precisin de 2 para un amplio
margen de valores de Amin,en . Por tanto, con estas frmulas, el mtodo de diseo
basado en la ventana de Kaiser casi no requiere iteraciones de prueba y error.
Con el uso de las frmulas de diseo de la ventana de Kaiser, es inmediato disear un
filtro FIR paso bajo que cumpla unas determinadas especificaciones. El procedimiento de
diseo sigue los siguientes pasos:
Hay que determinar la frecuencia de corte del filtro paso bajo ideal. Debido
a la simetra de la aproximacin en la discontinuidad de G(w), sera:
( 2.73 )
Si se elige una ventana de Kaiser se podrn calcular los parmetros del
orden del filtro y del factor de forma , utilizando los valores de
y
las expresiones (2. 71) y (2. 72). En caso contrario, esto es, si se utiliza
ventanas de von Hann, Hamming, Blackman o rectangular habr de ir iterando
con el orden del filtro, pues no se puede determinar con ninguna expresin
emprica la longitud del filtro. Como semilla para el orden del filtro se podra
utilizar la ecuacin de Kaiser para el orden del filtro (2. 73).
( 2.74 )
57
( 2.75 )
Por ultimo, si el filtro selectivo no es paso bajo se realiza la transformacin al
tipo de filtro deseado, haciendo uso de las indicaciones del cuadro 2.1
2.4.4
Aunque el mtodo expuesto se ha centrado en los filtros paso bajo, tambin es posible
disear los otros tipos de filtros selectivos, esto es, paso alto, pasa banda y rechazo de
banda. Para ello se podra utilizar el mismo procedimiento que se vio anteriormente, pero
en vez de aplicar la banda pasante a las bajas frecuencias se puede realizar para cualquier
otra forma de banda pasante. Sin embargo, y de igual manera que ya se vio en el anterior
captulo sobre filtros analgicos, aqu tambin existen transformaciones de paso bajo a
cualquiera de los otros tipos.
As por ejemplo, si gk(PB) son los coeficientes de la respuesta al impulso de un filtro
paso bajo con una frecuencia de corte ( C)PB y una frecuencia de Nyquist ,N, , entonces:
( 2.76 )
Siendo stos los coeficientes de la respuesta al impulso del filtro paso alto con una
frecuencia de corte de:
( 2.77 )
La demostracin de la validez de esta transformacin es bastante sencilla y es como
sigue:
58
( 2.78 )
y en la segunda
de
( 2.79 )
Por tanto, el diseo del filtro paso alto con frecuencia corte
pasa por un diseo
inicial de filtro paso bajo con frecuencia de corte
pasa y multiplicando el
resultado por
59
( 2.80 )
Para determinar los parmetros de la ventana de Kaiser habr de calcular
( 2.81 )
60
Al sustituir estos dos valores en las ecuaciones del orden del filtro y del factor de forma
resulta,
( 2.82 )
Los coeficientes de la ventana de Kaiser estarn determinados y la secuencia de
ponderacin del filtro paso bajo ideal respondern a la ecuacin:
61
Ejemplo 2.11
Construir un filtro paso banda con ventana de von Hann de orden 8 cuyas frecuencias
de bandan sea de 10 kHz y 20 kHz, sabiendo que la frecuencia de muestreo es de 100 kHz.
Atendiendo al cuadro habr de determinar cual es la frecuencia de corte del filtro paso
bajo ideal. Por la simetra de la transformacin la frecuencia central ser de 15 kHz y la
frecuencia del filtro paso bajo ideal de 5 kHz. La ventana de von Hann para m igual a 8
ser,
La secuencia de ponderacin del filtro paso bajo ideal para una frecuencia de corte de
5kHz estar dada por:
Ya se dispone del filtro paso bajo, por tanto, se proceder a convertirlo en pasa banda
segn la transformacin que se vio en el cuadro:
62
El arte del diseo de filtros IIR analgicos est muy avanzado, y como se
pueden obtener resultados tiles, es ventajoso utilizar los procedimientos de
diseo que ya se han desarrollado para los filtros en tiempo continuo.
El hecho de que los diseos de filtros en tiempo continuo se puedan trasladar a diseos
de filtros digitales no quiere decir que tengan la misma respuesta frecuencial. Generalmente
sucede que el filtro analgico empleado para la aproximacin tiene una respuesta en
frecuencia diferente de la respuesta en frecuencia efectiva del filtro digital. Esta
circunstancia indica que al disear un filtro digital se parte de un conjunto de
especificaciones en tiempo discreto; mientras las caractersticas del filtro en tiempo
63
( 2.83 )
Y su relacin inversa es del tipo:
( 2.84 )
y sustituyendo s=j a en la anterior expresin quedar:
( 2.85 )
64
con lo que se puede ver que el mdulo de z es unitario para cualquier valor de
hecho, para obtener la relacin de sus respuestas en frecuencias se sustituye s por
por
. De
yz
( 2.86 )
Las figuras 1.23 resumen las propiedades de la transformacin bilineal.
Observando la ecuacin (2. 86) y la figura 1.23 hay que notar cmo el intervalo de la
frecuencia digital
se transforma en el intervalo de frecuencia analgica
Las transformaciones bilineales evitan el problema de solapamiento entre s y
z, pero el precio que se paga es la compresin no lineal del eje de las frecuencias. Por
consiguiente, el diseo de filtros en tiempo discreto mediante transformacin bilineal slo
ser til cuando est compresin se tolera. As, el uso de la transformacin bilineal est
limitado al diseo de aproximaciones a filtros con respuesta en amplitud constante a
intervalos, como los filtros paso bajo, paso alto o pasa banda. Por otra parte, la distorsin
del eje de la frecuencia tambin se manifiesta en una compresin de la respuesta de fase del
filtro, esto es, si el filtro analgico es de fase lineal la transformacin bilineal no conserva
esta propiedad. Esta afirmacin es ms cierto sobre todo si la banda pasante se encuentra
cerca de la frecuencia de Nyquist.
65
( 2.87 )
A este proceso se le conoce el
mediante las soluciones ya tratadas en
transferencia del filtro analgico. Slo
consiguiendo G(z) del filtro digital. Para
procedimiento a seguir:
1.
4.
67
( 2.88 )
Aplicando la expresin matemtica del orden de un filtro de Butterworth, visto en el
anterior capitulo, queda n = 1.368 por lo que se debe de tomar el valor entero superior, esto
es, orden del filtro 2. La funcin de transferencia en el dominio s ser:
( 2.89 )
Utilizando las expresiones del cuadro de transformaciones de G(s) a G(z) para filtros
paso bajo de segundo orden quedar:
( 2.90 )
La respuesta en frecuencia de G(z) es indicada en la figura 1.19
68
Ejemplo 2.13
Disear un filtro paso alto digital de Chebychev con un nivel de atenuacin de 40dB,
selectividad del filtro de 0.25, ganancia de tensin unitaria y frecuencia de corte de 1kHz.
Las frecuencias analgicas tras el warping resultarn ser:
69
Aplicando las expresiones del anterior captulo para determinar el orden del filtro sale
que:
70
2.5.2
forma conveniente utilizando diagramas de bloques con los smbolos bsicos que se
muestran en la figura 1.25.
( 2.91 )
esta expresin se puede representar por el diagrama de la figura 1.26. Al utilizar slo
sumadores con dos entradas, las sumas se realizan en un orden especfico. Es decir, la
figura 1.26 indica que deben calcularse los productos
, sumarlos
posteriormente y la suma resultante aadrsela
, y as sucesivamente. Tras
calcular yk, las variables de retardo se deben actualizar introduciendo yk-(n+-1) en el
registro que tiene yk-n, y as sucesivamente.
72
( 2.92 )
La figura 1.27 muestra un diagrama de bloques de un filtro IIR implementado con
cascadas de segundo orden. Esta realizacin tiene cuatro sumas, cuatro multiplicaciones y
dos retardos por cada seccin de segundo orden. Esta forma de implementacin resulta la
ms efectiva para un rango variado de procesadores de propsito general as como de
procesadores especficos DSP.
74
2.
3.
( 2.93 )
o en coma flotante, donde la representacin es de la forma:
( 2.94 )
75
( 2.95 )
y c, exponente, es un nmero entero, positivo o negativo; ambos, M y c, se representan
por un nmero fijo de bits.
La forma de representacin de los nmeros negativos tiene su importancia segn se
haga por signo y magnitud, por complemento a dos o por complemento a uno.
Tanto en coma fija como flotante se va a considerar que la parte fraccionaria o mantisa
tiene b bits, entonces los nmeros se representan en saltos de
, es decir la mnima
diferencia entre dos representaciones distintas es de
Dado un nmero de infinitos dgitos, se entiende por truncamiento del mismo la
operacin de tomar los b primeros bits ms significativos, despreciando el resto, mientras
que su redondeo es tomar la representacin del valor ms prximo al mismo.
En la figura 1.29 a) se representan los valores de la seal cuantificada Q(x) en funcin
de los posibles valores de x para el caso de representacin por redondeo y coma fija. Como
se puede observar en la misma, el error en dicha cuantificacin es:
( 2.96 )
76
( 2.97 )
El caso de truncamiento y coma fija, utilizando el complemento a 2 para los negativos,
viene representado en la figura 1.23, donde el error est acotado entre los valores:
( 2.98 )
( 2.99 )
77
( 2.100 )
Donde {ek} es una secuencia denominada frecuentemente ruido cuyos elementos
verifican:
( 2.101 )
El proceso de redondeo se caracteriza por una distribucin estadstica, tal que la
secuencia {ek} se define como una variable aleatoria con una funcin de densidad
uniforme,
entre
, que se representa en la figura 1.31.
( 2.102 )
El valor que da una idea de la magnitud del error es su varianza. sta se suele referir a
la amplitud de los valores de la secuencia a cuantificar xk. Con el fin de comparar
parmetros equivalentes se define sobre la secuencia {xk} su varianza:
( 2.103 )
78
( 2.104 )
Como se ve en la expresin el ndice SNR aumenta con cada incremento en el nmero
de bits que se use para la representacin de la seal.
2.6.3 Cuantificacin de los coeficientes
Igual que ocurre con los valores de las muestras de la seal, en el proceso de
realizacin de un filtro, los parmetros que lo definen sufren una cuantificacin que puede
afectar, en algunas ocasiones considerablemente, a las prestaciones del sistema.
Para abordar este problema es necesario centrarse en la ecuacin caracterstica del
filtro y estudiar como varan sus races ante las variaciones en sus coeficientes. Por
ejemplo, si un sistema tiene una ecuacin en diferencias estimadas:
( 2.105 )
donde a es el coeficiente que sufre un error de cuantificacin, a, sta tendr por
ecuacin caracterstica:
( 2.106 )
en la que es claro que, si se quiere situar un polo en z = 0.995, ser necesario almacenar
el valor de a con tres cifras decimales ya que la variacin mxima de este parmetro, a,
admisible para garantizar la estabilidad es 0.005.
En general este problema se podr resolver con un anlisis de sensibilidad de las races
de la ecuacin caracterstica a los parmetros de la misma.
Las consecuencias prcticas de la cuantificacin de los coeficientes son:
Los filtros con poco ancho de banda son muy sensibles a la cuantificacin. Este
efecto se deriva por tener polos muy cerca de z = 1.
( 2.107 )
Si cada uno de los ruidos considerados tiene iguales propiedades estadsticas, dadas en
(2. 102), las del total, suma de los referidos, sern:
( 2.108 )
indicando que a medida de que se aumente el orden del filtro mayor ser el incremento
del error cometido por redondeo en las multiplicaciones.
CAPITULO III
LAS REDES NEURONALES
81
3.2
Generalidades.
86
89
3.4.
Conceptos Bsicos.
Figura 3.2: comparacin entre una neurona biolgica (izquierda) y una artificial
(derecha).
91
2) Funcin sigmoidea:
93
Los valores de salida que proporciona esta funcin estn comprendidos dentro de un rango
que va de 0 a 1. Al modificar el valor de g se ve afectada la pendiente de la funcin de
activacin.
3) Funcin tangente hiperblica:
Los valores de salida que proporciona esta funcin estn comprendidos dentro de un rango
que va de 0 a 1. Al modificar el valor de g se ve afectada la pendiente de la funcin
desactivacin.
Para explicar porque se utilizan estas funciones de activacin se suele emplear la analoga a
la aceleracin de un automvil. Cuando un auto inicia su movimiento necesita una potencia
elevada para comenzar a acelerar. Pero al ir tomando velocidad, este demanda un menor
incremento de dicha potencia para mantener la aceleracin. Al llegar a altas velocidades,
nuevamente un amplio incremento en la potencia es necesario para obtener una pequea
ganancia de velocidad. En resumen, en ambos extremos del rango de aceleracin de un
automvil se demanda una mayor potencia para la aceleracin que en la mitad de dicho
rango.
95
CAPITULO IV
APRENDIZAJE, VALIDACION Y
CODIFICACION
96
Tabla 4.1
A menudo las reglas que muestran la lgica (o falta de lgica) sobre las
que se basan las decisiones no son tan obvias. Por lo tanto, una persona
que no conoce mucho acerca del sujeto que solicita el prstamo, no
puede tomar una decisin correcta. Nota que aqu los valores son ms
bien simblicos que numricos. Las redes neuronales reales necesitan
98
Tabla 4.2
99
102
106
Por ejemplo, para la Figura 5.3, se debe encontrar la ecuacin que describa la
funcin de transformacin; a la cual llamaremos t y se escribe como sigue:
t: datos originales (x) datos codificados (xnuevos);
0.19 0.1
y b = 0.1 a * 19.
31 19
De forma genrica:
mn
4.5.2.2 Codificacin de los atributos simblicos.
Cada atributo simblico que se codifica, se adjunta a una neurona en la capa de
entrada. Si hay n valores simblicos, n neuronas sern necesarias, cada una de ellas con
un conjunto de entradas permitido: {0, 1} (o {-1, 1}). Por este motivo, se utilizan
neuronas binarias.
107
Observando la Figura 4.4; la edad slo puede tomar un valor en el ejemplo dado. En
consecuencia, si se tiene el valor de entrada viejo, solamente la neurona esttica para viejo
recibe una entrada de 1 (en el ejemplo: N1), mientras que todas las dems tendrn una
entrada igual a 0.
Por supuesto, tambin es posible codificar atributos simblicos utilizando slo
una neurona real (recordar que los valores permitidos para este tipo de neuronas estn
comprendidos en el rango [0, 1] o [1, 1]). Para el ejemplo de la edad, viejo puede
codificarse como 0.333, edad media como 0.666 y joven como 1; siendo el intervalo
permitido de [0, 1]. Tal procedimiento solamente tiene sentido si hay un orden en los
valores que las variables de entrada (o atributos) pueden tomar.
La mayor desventaja de una codificacin binaria es que puede conducir a una
gran capa de entrada.
4.5.2.3 Resumen de los procedimientos de codificacin
110
4.9.1 Ejemplo.
Una temperatura de 20C provoca que el tiempo de operacin de una
mquina sea de 90 segundos y un incremento de dicha temperatura
hasta los 30C causa un tiempo de operacin de 100 segundos. Cmo
influy el incremento de la temperatura en el tiempo de trabajo de la
mquina? Por supuesto, hizo ms lenta la operacin. Pero, por cunto?
111
113
Con lo anterior concluimos lo que son los procesos y las principales topologas de las redes
neuronales as como la conectividad de cada uno de los elementos de que componen las
redes neuronales.
A continuacin en el siguiente captulo se darn a conocer las aplicaciones y funciones
primordiales de las redes neuronales as como la optimizacin y planificacin de procesos.
117
118
CAPITULO V
APLICACIONES
5. Aplicaciones.
Las redes neuronales pueden utilizarse en un gran nmero y
variedad de aplicaciones, tanto comerciales como militares.
Se pueden desarrollar redes neuronales en un periodo de tiempo
razonable, con la capacidad de realizar tareas concretas mejor que otras
tecnologas. Cuando se implementan mediante hardware (redes
neuronales en chips VLSI), presentan una alta tolerancia a fallos del
sistema y proporcionan un alto grado de paralelismo en el
procesamiento de datos. Esto posibilita la insercin de redes neuronales
de bajo costo en sistemas existentes y recientemente desarrollados.
5.1 Aplicaciones de las redes neuronales.
119
Manufacturacin:
-
Medicina:
-
Militares:
-
121
5.1.4 Optimizacin.
Las Redes Neuronales son herramientas interesantes para la
optimizacin de aplicaciones, que normalmente implican la bsqueda
del mnimo absoluto de una funcin de energa. Para algunas
aplicaciones, la funcin de energa es fcilmente deducible; pero en
otras, sin embargo, se obtiene de ciertos criterios de coste y limitaciones
especiales.
5.2 Casos concretos de aplicacin.
A continuacin se detallan los siguientes casos concretos de aplicacin
de redes
neuronales:
_ Planificacin del staff de empleados.
_ Planificacin de la demanda de materiales.
_ Puntuacin para la solicitud de un crdito.
Topologa de la red:
Sobre el ensayo de diferentes redes neuronales observaron que, sin
importar la prediccin que se haga (mensualmente, semanalmente),
ms de dos capas ocultas desfavoreca el resultado obtenido.
Primero experimentaron solamente con la serie de tiempo del consumo,
y con una red neuronal constituida por nueve neuronas de entrada y una
neurona ms para la estacin; empleando 80 patrones para el
entrenamientos y 53 para la validacin. La exactitud que lograron luego
de varias corridas de la red neuronal, empleando diferentes topologas,
se muestran en la Tabla 7.1 (error permitido: 20%, ciclos de aprendizaje:
10000, algoritmos de aprendizaje: Quickpropagation o Resilient
Propagation).
Tabla 5.1
Tabla 5.2
128
Tabla 5.3
Codificacin:
Codificaron los atributos continuos simplemente por una transformacin
lineal dentro del intervalo [0.1, 0.9], utilizando para esto solamente una
neurona (real). Los atributos binarios tambin fueron codificados por
medio de una neurona (binaria). Pensaron en la utilizacin de dos
neuronas binarias, pero los ensayos no mostraron ninguna diferencia
entre ambos tipos de codificacin. En consecuencia utilizaron solamente
una neurona para los atributos binarios.
A los atributos ordenados los trataron como sigue; ya que dependiendo
de los diferentes valores que los mismos podan tomar, el nmero de
neuronas utilizadas en la capa de entrada variaba. Codificaron cada
posible valor en una neurona; por ejemplo si haba tres valores posibles,
se necesitaba de tres neuronas. El procedimiento de codificacin fue
como el mostrado en la Tabla 5.4:
Tabla 5.4
La capa de salida estaba formada por una simple neurona binaria que
daba una clasificacin bueno/malo.
Utilizando el procedimiento de codificacin de la Tabla 5.4, al menos 32
neuronas les fueron necesarias en la capa de entrada. Por supuesto
otras formas de codificacin de los atributos pueden ser posibles.
Resultados:
Para el entrenamiento y validacin, dividieron el conjunto de datos de la
Tabla 5.3 en dos subconjuntos. El nmero de ejemplos en cada
subconjunto, se puede ver en la Tabla 5.5, en donde intentaron
mantener una distribucin similar de candidatos buenos y malos.
Tabla 5.5
129
Tabla 5.6
6. Software Comerciales.
6.1 Aplicaciones del NeurOn-Line Studio a procesos de refinera
y petroqumica.
Los procesos industriales han instalado extensamente, durante el
transcurso de los ltimos aos, bases de datos histricas en tiempo real
con gran capacidad de almacenaje. Los especialistas en Tecnologas de
Informacin (Information Technologies, IT) hacen referencia a la
metodologa general para obtener informacin valiosa desde una gran
base de datos como data mining (minera de datos). Una de tales
metodologas son las Redes Neuronales (Neuronal Networks, NNs). El
artculo describe la aplicacin de un paquete de programas de NNs
comercial (NeurOn-Line Studio, Gensym Corporation, Cambridge,
Massachusetts, USA) a varios problemas de refineras y petroqumicas.
Se muestra como el moderno software es capaz de manejar
apropiadamente la seleccin de la estructura de la NNs y la apropiada
metodologa de entrenamiento (es decir, minimizando la funcin objetivo
adecuada, generalmente el problema del menor cuadrado). Se dan
ejemplos sobre la utilizacin de NNs como analizadores virtuales,
optimizadores y para la reduccin de modelos.
Introduccin:
130
Pero las NNs, para explotar correctamente las vetas del material rico que
se hallan en las grandes bases de datos, no necesita solamente ser
alimentada con el dato apropiado de entrada y salida, sino tambin
cumplimentar los siguientes 2 requisitos importantes: _ La NN debe
tener una estructura capaz de representar adecuadamente el problema.
_ La NN debe ser entrenada con un algoritmo robusto y confiable,
apto para converger a una solucin aceptable.
No sorprendentemente, muchos de los artculos disponibles en este
campo no abundan en las aplicaciones industriales de las NNs, pero si
sobre los detalles matemticos y caractersticas especiales de cada tipo
de topologa de NN (esto es: tipo de red, funcin de transferencia,
nmero de capas) y/o algoritmo de entrenamiento (esto es: tcnicas de
minimizacin, temas de convergencia, detalles de programacin, etc.).
Muchas veces puede gastarse mucho esfuerzo luchando con la mejor
topologa de NN y perderse muchas horas de CPU intentando obtener un
ajuste y convergencia razonable. No fue hasta hace poco que los
paquetes comerciales fueron capaces de prestar atencin a los dos
requisitos mencionados anteriormente. Este artculo presenta la
experiencia recogida con la aplicacin de uno de tales paquetes
comerciales: NeurOn-Line Studio [Gensym, 1999], una herramienta
poderosa para entrenar e implementar on-line las soluciones basadas en
NNs
Redes Neuronales: descripcin de la terminologa usual y del
software.
Muy buenas descripciones tericas y prcticas de la tecnologa de las
NNs pueden encontrarse en varias publicaciones, pero la coleccin de
artculos editados por Leonides (1998) puede mencionarse como una
buena fuente de informacin sobre la teora y prctica de las mismas.
Esta seccin solamente pretende dar una breve introduccin a las
capacidades del software NeurOn-Line Studio. El NeurOn-Line Studio
puede utilizarse off-line u on-line, siendo una herramienta para el
anlisis de procesos. Tpicamente la fuente de datos es un historiador de
datos u otro archivo de datos. Empleando poderosas herramientas de
visualizacin, es posible analizar un amplio conjunto de datos
desordenados de hasta 100,000 registros y ms de 100 variables.
El NeurOn-Line Studio provee una gua paso a paso a travs del proceso
de
preprocesamiento
de
datos,
configuracin
del
modelo,
entrenamiento, validacin y puesta en lnea. Para maximizar la
productividad, muchas tcnicas de decisin, tales como seleccin de las
132
las
no
los
de
los
los
de
Figura 1: cambio en el flujo de alimentacin a la FCCU (marcados en rojo) de 170 a 180 m3/h.
136
Figura 4: diagrama de flujo del proceso obtenido a travs del simulador HYSYS de la columna
de separacin C3/C3=.
138
Figura 5: facilidad del caso de estudio HYSYS empleado para generar la grilla de entrenamiento.
Como la grilla de datos generada para entrenar el modelo est libre de ruidos, la NN
entrenada muestra una muy buena concordancia. En la Figura 7 puede mostrarse cuan
buena es la prediccin de la composicin de producto de tope (propileno), ya sea en el
grfico de lnea o en el X-Y, donde la composicin predicha y al actual se comparan casi
exactamente.
139
140
Figura 9: clasificacin de las variables del modelo de optimizacin del separador C3.
Estimacin on-line del punto de weathering del LPG. Para controlar las especificaciones
del producto propano, el operador hace determinaciones on-site del weathering point de
ambos productos: propano y butano de la columna depropanizadora de la FCCU II, de la
141
La NN entrenada fue capaz de predecir muy bien la determinacin del weathering point de
la planta. En la Figura 11 puede exhibirse la prediccin continua a travs de un perodo de
una semana. En el mismo grfico estn superpuestas las determinaciones hechas en el lugar.
142
Figura 11: prediccin del weathering point del propano (rosa) vs el valor actual (rojo).
Conclusiones:
La tecnologa de la NN ha demostrado ser una forma muy poderosa de
obtener correlaciones buenas y confiables para ejecutar la aplicacin de
analizadores virtuales y para instalar en lnea herramientas de
optimizacin de proceso. El software, NeurOn-Line Studio, para
desarrollar y poner en lnea tal tecnologa y cubrir las necesidades del
personal de ingeniera, de tal manera que ningn profesionalismo se
necesite poseer obre las NNs, pero s sobre el proceso y las relaciones
causa-efecto. reconocimientos: queremos agradecer a las siguientes
personas quienes suministraron los datos y participaron en el desarrollo
de algunos de los ejemplos presentados:.
Conclusiones
El Procesamiento de seales trata de la representacin, transformacin y manipulacin
de seales y de la importancia que contienen. Cuando se refiere al procesado digital de
seales, se refiere a la representacin mediante secuencias de nmeros de precisin finita y
el procesado se realiza utilizando un computador digital.
Las computadoras y las redes informticas han producido un gran
impacto en nuestra sociedad un impacto de enormes consecuencias,
estas herramientas revolucionarias han multiplicado la productividad y
eficiencia del trabajo, tanto como para las empresas y usuarios
independientes. Ahora las redes neuronales son la propuesta de una
solucin a los problemas de gran complejidad, los cuales requieren de
una gran implementacin ya sea de soluciones a gran escala o
dificultad.
143
A menudo es deseable que estos sistemas funcionen en tiempo real, lo que significa que el
sistema en tiempo discreto se implementa de forma que las muestras de salida se calculan a
la misma velocidad a la que se muestrea la seal en tiempo continuo. Son muchas las
aplicaciones que requieren esta especificacin.
El propsito de esta tesis es el mostrar un estudio sobre la aplicacin y procesamiento de las
seales digitales en las redes neuronales. Por lo tanto se logro mostrar la aplicacin y el
procesamiento como herramienta de seales digitales en las redes Neuronales.
Bibliografa
[Aracil91] Aracil, R., Jimnez, A., Sistemas discretos de Control, Servicio de
Publicaciones de la ETS de Ingenieros industriales de Madrid, 1991.
[Barahon97] Barahona, E.. , Qu es un Pentium MMX?, PC WORLD n 132, pp135-139,
1997.
144
[Banks90] Banks, S., Signal Processing, Image Processing and Pattern Recognition,
Prentice Hall, 1990.
[Burrus98] Burrus, C. S., McClellan, J. H., Oppenheim, A.V., Parks, T. W., Schafer,
R.W., Schuessler, H., W., Ejercicios de tratamiento de la seal utilizando
MATLAB v.4, Prentice Hall, 1998.
[Embree91] Embree, P.M., Bruce, K., C language algorithms for signal processing,
Prentice Hall, 1991.
[Ifeachor96] Ifeachor, E.C., Digital Signal Processing. Principles, Algorithms and
Applications, Prentice-Hall, 1996.
[Krauss95] Krauss, T.P., Shure, L., Little, J.N., Signal Processing Toolbox (User's
Guide), The Math Works, Inc., 1995.
[Miguel88] De Miguel, P., Fundamentos de computadores, Paranifo, 1988.
[Oppenhe94]Oppenheim, A. V., Willsky, A. S., Seales y Sistemas, Prentice Hall
Iberoamericana, 1994.
[Oppenhe98]Oppenheim, A. V., Willsky, A. S., Nawab, S. H., Seales y Sistemas, Prentice
Hall Iberoamericana, segunda ediccin, 1998.
[Oppenhe00]Oppenheim, A. V., Schafer, R. W., Buck, J. R., Tratamiento de seales en
tiempo discreto, Prentice Hall, 2000.
145