Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Palabras Clave Modelo ARX, Red Neuronal, Sistema No Lineal, Simulacin pura, Prediccin a un paso, caracterizacin
Abstract El presente informe present el desarrollo e componentes, un ejemplo para entenderlo mejor son los sistemas
implementacin de una red neuronal artificial que se comporte masa-resorte; se puede describir de manera efectiva mediante
de forma similar a un sistema no lineal segn un rango dado de ecuaciones como la ley de Hooke y la segunda ley de Newton. Por
valores en la entrada. Lo primero que se requiri para iniciar el el contrario, los modelos relacionados con comportamientos
proceso fue la adecuacin del sistema en la derivada de mayor humanos son cajas negras, esto se debe, a que su comportamiento
grado otorgada por el docente para determinar as las dems no es predecible, es decir, se puede realizar una aproximacin,
variables del sistema representadas por el manejo de pero no es posible tener certeza de que ocurre dentro del proceso.
integradores, con el fin de entrenar una red neuronal con
entradas de los valores pasados de la misma funcin al igual que Teniendo el conocimiento de los tipos de modelos es posible
de los valores de la entrada, para finalmente obtener los pesos determinar la importancia de las redes neuronales, ya que estos,
sinpticos obtenidos del entrenamiento y adecuarlos a un despus de haber recibido un entrenamiento adecuado, pueden
algoritmo en Arduino que permita simular el comportamiento de comportarse como cada uno de estos sistemas y aproximarse de
una planta con la funcin entregada. manera adecuada a la respuesta que tendra este sistema a una
entrada determinada. Cabe destacar que las neuronas funcionan
con seales discretas, por ello su respuesta frente a un estmulo se
I. INTRODUCCIN ver representada en tiempo discreto por lo que es muy importante
tener en cuenta la frecuencia de la toma de datos para evitar
La razn del porqu se procede con la investigacin de las redes Aliasing (perdida de informacin).
neuronales y sus aplicaciones, es debido a que funcionan de
manera diferente a como lo hacen los computadores digitales
normalmente, esto quiere decir que las redes funcionan de tal II. MARCO TERICO
manera que pueden ser entrenadas y simular el comportamiento de
mltiples sistemas, adems al ser un sistema muy complejo y En el siguiente contenido, se identificarn aspectos y
paralelo, permite la realizacin de estas tareas en tiempos mucho caractersticas netamente tericas para dar entendimiento a los
ms cortos. trminos implementados durante todo el documento.
Preprocesado de la informacin
Seleccin del modelo
Minimizacin del error de aproximacin
Validacin del modelo
Del mismo modo se realiz el mismo proceso con el mximo valor A partir de estos elementos se determin que el sistema responda
considerado, que para este caso particular fue 10. Se puede de forma similar a la ecuacin no lineal planteada, debido a que se
apreciar en la figura 6, que el sistema tiene ms sobreimpulso en sobrescriben las grficas, esta situacin se puede evidenciar la
el mismo espacio de tiempo que el caso anterior, de all se tom el figura 8, siendo la figura azul la respuesta de la planta y los puntos
valor de tau necesario para realizar el muestreo teniendo en cuenta rojos serian la estimacin de la red neuronal.
el criterio emprico de tomar la dcima parte de este valor, que
para efectos prcticos fue 0.25 segundos.
Figura 6. Respuesta al ingresar 10 al sistema Figura 8. Respuesta del sistema vs Respuesta estimada por la
red.
Al determinar los valores se entrena la red de tipo Feedforward
que emular el comportamiento de la planta, de modo tal que se Al ser determinados exitosamente los valores estimados de la
emple la siguiente porcin de cdigo y el diagrama en simulink salida de la red, se procede a realizar la extraccin de los valores
respectivo, limitando a 100 iteraciones el entrenamiento, de los pesos sinpticos y realizar la debida implementacin en
empleando funciones de activacin tangente sigmoidal en la capa Arduino, pero antes de ello se realizan las debidas instanciaciones
oculta y funcin lineal en la capa de salida; generando el bloque de variables necesarias.
respectivo en simulink con el comando gensim.
U=IN;
Y=OUT;
phi=[Y(2:end-1),Y(1:end-2),U(2:end-
1),U(1:end-2)]';
Yreal=Y(3:end)';
% RED NEURONAL
Red=newff(phi,Yreal,[10],{'tansig','purelin
'},'trainlm');
Red.dividefcn='';
Red.trainparam.epochs=100;
Red=train(Red,phi,Yreal);
Se realiz la debida instanciacin de variables, donde se especifica
una red de 4 entradas pertenecientes a instantes anteriores de la
gensim(Red,0.25); entrada y la salida de la funcin original, una capa de 10 neuronas
oculta y una sola salida. Se puede apreciar en la parte inferior que
se especifican los rangos de normalizacin que utiliza el programa
Matlab, son necesarios para que los pesos sinpticos extrados
queden normalizados y puedan trabajar correctamente.
VII. REFERENCIAS