Universidad Autnoma De Occidente
SIMULACIN DE UN SISTEMA NO LINEAL
MEDIANTE EL USO DE RNA Y EL MODELO DE
ESTIMACIN LINEAL ARX
J. C. Arenas1, S. Cantillo2, L.F. Chacn3
1,2,3Ingenieria Mecatrnica, Universidad Autnoma de Occidente, Cali Colombia
Palabras Clave Modelo ARX, Red Neuronal, Sistema No Lineal, Simulacin pura, Prediccin a un paso, caracterizacin
Abstract El presente informe present el desarrollo e
implementacin de una red neuronal artificial que se comporte
de forma similar a un sistema no lineal segn un rango dado de
valores en la entrada. Lo primero que se requiri para iniciar el
proceso fue la adecuacin del sistema en la derivada de mayor
grado otorgada por el docente para determinar as las dems
variables del sistema representadas por el manejo de
integradores, con el fin de entrenar una red neuronal con
entradas de los valores pasados de la misma funcin al igual que
de los valores de la entrada, para finalmente obtener los pesos
sinpticos obtenidos del entrenamiento y adecuarlos a un
algoritmo en Arduino que permita simular el comportamiento de
una planta con la funcin entregada.
I. INTRODUCCIN
La razn del porqu se procede con la investigacin de las redes
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
manera que pueden ser entrenadas y simular el comportamiento de
mltiples sistemas, adems al ser un sistema muy complejo y
paralelo, permite la realizacin de estas tareas en tiempos mucho
ms cortos.
Se debe tener en cuenta que hay modelos ms complejos que otros,
por ello, se clasifican entre aquellos que es posible conocer todas
las caractersticas del sistema y aquellos que no son fcilmente
predecibles.
Figura.1 Descripcin de modelos
En la figura 1 Se observa que los modelos matemticos y fsicos
son bsicamente cajas blancas, puesto que, se pueden observar las
1
componentes, un ejemplo para entenderlo mejor son los sistemas
masa-resorte; se puede describir de manera efectiva mediante
ecuaciones como la ley de Hooke y la segunda ley de Newton. Por
el contrario, los modelos relacionados con comportamientos
humanos son cajas negras, esto se debe, a que su comportamiento
no es predecible, es decir, se puede realizar una aproximacin,
pero no es posible tener certeza de que ocurre dentro del proceso.
Teniendo el conocimiento de los tipos de modelos es posible
determinar la importancia de las redes neuronales, ya que estos,
despus de haber recibido un entrenamiento adecuado, pueden
comportarse como cada uno de estos sistemas y aproximarse de
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
ver representada en tiempo discreto por lo que es muy importante
tener en cuenta la frecuencia de la toma de datos para evitar
Aliasing (perdida de informacin).
II. MARCO TERICO
En el siguiente contenido, se identificarn aspectos y
caractersticas netamente tericas para dar entendimiento a los
trminos implementados durante todo el documento.
RED NEURONAL ARTIFICIAL
Las RNA son conjuntos de procesamiento de informacin cuya
estructura y funcionamiento se encuentran inspirados en el
funcionamiento de las redes neuronales biolgicas (Hilera y
Martnez, 1995). Se encuentran constituidas por un nmero de
elementos simples de procesamiento llamados nodos o neuronas
que a su vez se hallan organizados en capas.
Figura 2. Estructura de una RNA [8]
Universidad Autnoma De Occidente
Cada neurona est conectada con otras neuronas mediante enlaces
de comunicacin como se puede evidenciar en la figura 1, donde
cada uno de estas conexiones tiene un peso sinptico asociado,
estos pesos representan la informacin que ser usada por la red
neuronal para resolver un problema determinado.
De este modo, las RNA son sistemas adaptativos que aprenden de
la experiencia, esto quiere decir que se encuentran en la capacidad
de aprender a llevar a cabo ciertas tareas mediante un
entrenamiento con ejemplos ilustrativos, Mediante este
entrenamiento o aprendizaje, las RNA crean su propia
representacin interna del problema, por tal motivo se dice que son
autoorganizadas.
Posteriormente, pueden responder adecuadamente cuando se les
presentan situaciones a las que no haban sido expuestas
anteriormente, es decir, las RNA son capaces de generalizar de
casos anteriores a casos nuevos.
EFECTO ALIASING
Cuando la frecuencia a la que se muestrea una determinada seal
en tiempo continuo es inferior a la frecuencia de Nyquist, se
produce el efecto Aliasing, que es la perdida de informacin,
produciendo fcilmente, la perdida completa o parcial de la seal,
tratndose de una seal completamente diferente, una breve
manifestacin de ello es mostrada en la figura 3.
Figura 3. Efecto Aliasing
En la figura se puede apreciar que las seales de alta y baja
frecuencia al ser muestreadas a un valor determinado de
frecuencia poseen los mismos valores en las muestras tomadas,
debido a que la seal deseada que en este caso era la de mayor
frecuencia fue submuestreada a tal punto de ser idntica a la de
mucha menor frecuencia.
SEAL DE TIEMPO CONTINUO:
Son aquellas funciones en las cuales su dominio puede expresarse
en base a todo el conjunto de los nmeros reales, es decir se
encuentra clasificada para un valor real de tiempo (t).
2
Figura 2. Seal seno en tiempo continuo
La figura 2 permite visualizar una seal seno en tiempo continuo,
como se observa la seal, como su nombre lo indica es un conjunto
infinito de puntos que se encuentran en la capacidad de formar una
lnea continua.
IDENTIFICACION DE SISTEMAS DINAMICOS CON REDES
NEURONALES ARTIFICIALES
Es considerada la identificacin de sistemas dinmicos como parte
de las reas disciplinarias tratadas por el control automtico,
cuando las tcnicas de estadstica y de estimacin tales como los
mnimos cuadrados o verosimilitud mxima eran muy conocidos.
Existen numerosos mtodos de identificacin, pero en general
todos siguen unos patrones en comn, como los siguientes:
Preprocesado de la informacin
Seleccin del modelo
Minimizacin del error de aproximacin
Validacin del modelo
Este proceso de identificacin para poder ser realizado, est
constituido por los siguientes componentes:
Los datos, son pares de vectores de entrada
correspondientes a los regresores del modelo y la salida
ya en tiempo discreto del sistema a analizar.
El modelo, es una funcin que se encarga del proceso de
estimacin de las salidas a partir de las entradas y la
informacin temporal que almacena gracias a los retrasos
que la constituyen.
Los parmetros, son la descripcin del modelo en si para
un respectivo proceso de identificacin.
La medida del error, el error es el encargado de permitir
una ponderacin de que tan efectivo es un modelo, dicha
medida es realizada a travs de una norma, que suele ser
cuadrtica.
Algoritmo de minimizacin de error, es la forma en cmo
se disminuye el error, puede ser directa, iterativa,
heurstica, estocstica, analtica, entre otras.
Los modelos clsicos de identificacin lineal, (ARMAX, OE, BJ)
y sus versiones no lineales pueden ser expresables en forma de red
neuronal artificial, principalmente a que constituyen una
estructura de modelado con ventajas sobre otras debido a que su
Universidad Autnoma De Occidente 3

costo es mucho ms bajo porque puede albergar varios modelos al

tiempo, haciendo su implementacin una inversin razonable.

III. DESCRIPCIN DEL PROBLEMA

El problema que se plante para el presente documento, fue que al

emplear una ecuacin de salida de forma no lineal otorgada por el
docente, adecuar dicha ecuacin de forma tal que responda a
diferentes valores acotados de entrada y realizar adquisicin de
estos datos; con esta informacin se espera entrenar una red
neuronal que funcione como un modelo ARX y que frente a los
diferentes valores que se le puedan plantear dentro del rango
definido, responda de la misma manera tanto en las modalidades
de simulacin pura y prediccin one-step (a un paso).
Finalmente se desea realizar la implementacin de este mismo
proceso en un Arduino, de modo tal que el comportamiento de la
funcin sea apreciable en su puerto serial.
IV. PLANTEAMIENTO DE LA SOLUCIN
En primer lugar, se debe tomar la expresin otorgada por el
docente, en el caso particular una funcin no lineal descrita por la
siguiente ecuacin para dejarla en funcin de la derivada de mayor
grado
+ 0.7 + 0.2 + 0.3 3 = 0 normalizacin de las entradas y el proceso inverso para la salida
Se llevara a esta expresin:
= 0.7 0.2 0.3 3 Teniendo estos valores, se debe realizar el mismo proceso que
A partir de esta expresin es posible llevarla a bloques en la
herramienta Simulink de Matlab y realizar las debidas operaciones
matemticas para encontrar los respectivos elementos es decir los
elementos de la variable y y realizar la respectiva adquisicin de
datos.
Figura 4. Estructura neuronal tipo ARX o NARX
Luego de obtenidos los datos, se realiza el entrenamiento de la red
en Matlab con el mismo tiempo de muestreo encontrado
anteriormente y las entradas correspondientes a los 2 instantes
anteriores tanto de las entradas como de las salidas de esta funcin,
teniendo en cuenta que la capa oculta fue entrenada con una
funcin de activacin sigmoidal mientras que la salida fue
activada por una funcin lineal, el bloque obtenido debe ser
revisado mediante la comparacin con la seal original de modo
tal que la red se encuentre en la capacidad de estimar y tomar los
valores que el sistema original tomara, con el fin de obtener las
matrices de pesos sinpticos tanto de la capa oculta como de la
capa de salida.
Finalmente se toman estos valores, de modo tal que puedan ser
llevados a lenguaje de sketch de Arduino, empleando las matrices
que Arduino maneja al igual que tomar los valores de
mediante el manejo del algoritmo minmax donde se determinan
los valores mnimos y mximos, en este caso tanto los valores de
la entrada como los de la salida.
realiza Matlab para el entrenamiento de la red, es decir realizar las
respectivas operaciones entre las matrices y funciones de
activacin respectivas, de forma manual debido a que Arduino no
posee estas operaciones de forma automatizada, adecuando el
cdigo para recibir las diferentes variables respectivas y
finalmente ser mostradas por el puerto serial.

En segundo lugar, se realizar la toma de los valores con las que

sera entrenada la red neuronal, para ello antes se requera V. RESULTADOS
encontrar el tiempo de muestreo adecuado, de modo tal que en el
diagrama de simulink al emplear los retrasos, as como la captura En primer lugar, se muestra la caracterizacin de la seal no lineal
de datos se pudiera representar de forma fiel la funcin no lineal tomando los valores mnimos y mximos para determinar los
objetivo, para esto se tomarn los valores extremos de la seal para tiempos de muestreo y de generacin en el escaln.
verificar los tiempos de respuesta; con el tiempo ms rpido
obtenido se toma como el valor de tiempo referencia tau para
obtener el tiempo de muestreo y el ms lento puede contribuir a
encontrar un valor de tiempo donde el sistema se estabilice en un
valor y sea la cantidad de tiempo utilizado por la seal aleatoria
creada.

Se realiza la aclaracin que el modelo de red neuronal obedece a

un modelo de estimacin ARX como el de la siguiente figura. Del
mismo modo al ser la variable Y de mayor orden, se considera un
sistema de orden 2, de modo tal que se decidi implementar 2
retrasos temporales obteniendo una red de configuracin [2,2,1]
tomando desde la primera muestra anterior. Figura 5. Respuesta al ingresar 1 al sistema
Universidad Autnoma De Occidente 4

Del mismo modo se realiz el mismo proceso con el mximo valor
considerado, que para este caso particular fue 10. Se puede
apreciar en la figura 6, que el sistema tiene ms sobreimpulso en
el mismo espacio de tiempo que el caso anterior, de all se tom el
valor de tau necesario para realizar el muestreo teniendo en cuenta
el criterio emprico de tomar la dcima parte de este valor, que
para efectos prcticos fue 0.25 segundos.
A partir de estos elementos se determin que el sistema responda
de forma similar a la ecuacin no lineal planteada, debido a que se
sobrescriben las grficas, esta situacin se puede evidenciar la
figura 8, siendo la figura azul la respuesta de la planta y los puntos
rojos serian la estimacin de la red neuronal.

Figura 6. Respuesta al ingresar 10 al sistema
Al determinar los valores se entrena la red de tipo Feedforward
que emular el comportamiento de la planta, de modo tal que se
emple la siguiente porcin de cdigo y el diagrama en simulink
respectivo, limitando a 100 iteraciones el entrenamiento,
empleando funciones de activacin tangente sigmoidal en la capa
oculta y funcin lineal en la capa de salida; generando el bloque
respectivo en simulink con el comando gensim.
Figura 8. Respuesta del sistema vs Respuesta estimada por la
red.
Al ser determinados exitosamente los valores estimados de la
salida de la red, se procede a realizar la extraccin de los valores
de los pesos sinpticos y realizar la debida implementacin en
Arduino, pero antes de ello se realizan las debidas instanciaciones
de variables necesarias.

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.

Figura 7. Diagrama funcional del sistema en Matlab

Universidad Autnoma De Occidente 5

En el anterior fragmento, se encuentran los nmeros que fueron

ingresados a la red neuronal desde Matlab, estos valores se pueden
obtener con el mando de minmax. En este caso tenemos que X1
y X2 son la retroalimentacin de la salida, es decir, Yk-1 y Yk-2
respectivamente, X3 y X4 son las entradas con retardo Uk-1 y U
k-2 respectivamente. Por ltimo, D es la salida deseada de la red.

Finalmente, debido a que los clculos se hicieron con un rango de

valores entre -1 y 1, se procede a realizar el proceso de invertir el
proceso de normalizacin para dar la salida deseada, y para poder
imprimirla en el puerto serial.

En el fragmento anterior, se encuentran los pesos sinpticos de la

capa oculta y la capa de salida con sus respectivos bias, se puede
evidenciar esto gracias al tamao de las matrices obtenidas, del
mismo modo con el siguiente fragmento el programa realiza los
valores de la entrada de la red con nmeros aleatorios y que son
ingresados a la red cada determinado tiempo, en este caso 10 s por
el tiempo de estabilizacin de la respuesta de la red, teniendo en
cuenta retrasos ubicados al final del cdigo. Finalmente, al utilizar el comando print de la librera serial de
Arduino y haciendo uso del monitor serial se obtuvo lo siguiente:

Figura 8. Entrada del sistema vs Respuesta estimada por la red

en Arduino (Serial)
Como ltimo paso para realizar los clculos correspondientes a la
red, se normalizan los valores antes proporcionados a un rango que VI. CONCLUSIONES
sea compatible con Matlab a travs de la frmula que utiliza, luego
procede a la activacin de la capa oculta y la capa de salida
La frecuencia de muestreo con la que se realice la actividad es
mediante un ciclo for de la siguiente manera
clave, debido a que una mala seleccin u obtencin puede
determinar el aprendizaje o no del comportamiento de la planta
Universidad Autnoma De Occidente 6

por la red neuronal, debido a problemas como el Aliasing, el

submuestreo entre otros fenmenos procedentes de la misma
situacin. Por tal motivo se emplean mtodos de obtencin de esta
frecuencia mediante los tiempos de respuesta a una determinada
entrada.

Un elemento muy importante a tener en cuenta es el aspecto de la

normalizacin de las entradas de la red neuronal, esto se debe a
que Matlab realiza labores de entrenamiento con valores entre -1
y 1, de modo tal que internamente el realiza este mapeo de los
valores mximos y mnimos de las entradas a estos valores, del
mismo modo se debe realizar el proceso inverso al momento de
entregar las seales provenientes de la red, se realiza la aclaracin
de que este proceso se debe realizar en la implementacin externa,
en este caso para un Arduino.

VII. REFERENCIAS

[1]A. Palmer Pol and J. Montao Moreno, Qu son las redes

neuronales artificiales? Aplicaciones realizadas en el mbito de
las adicciones, 1st ed. 2017.

[2] Martin T. Hagan, Howard B. Demuth, Oklahoma State

University, Neural Network design, second edition.

[3] Minaya Villasana, Introduccin a Las redes Neuronales

(Neurales) CO-6612, Introduccin a las Redes Neuronales
Artificiales, Visitado el 16 de noviembre del 2013, Disponible en
internet en: http://prof.usb.ve/mvillasa/redes/Introduccion-vl.pdf.

[4] Estudio de Redes Neuronales Modulares para el Modelado de

Sistemas Dinmicos no Lineales [en lnea]. Disponible en:
http://www.tesisenred.net/bitstream/handle/10803/6179/05Cap2.
pdf?sequence=5 [Fecha de Acceso: 07-Mar-2017]

[5] F. Izaureta and C. Saavedra, Redes Neuronales: Conceptos

Bsicos y Aplicaciones., Universidad Concepcin, Concepcin,
Chile [En lnea]. Disponible en:
http://www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf
[Fecha de acceso: 07-Mar-2017]

[6] S. Kajan, NEURAL CONTROLLERS FOR NONLINEAR

SYSTEMS IN MATLAB, 1st ed. Bratislava.