INFORME DE LA PRÁCTICA

Formato
FR-FAC-PAC-GLB-018 Versión: 02 Fecha: 24/06/2019

Asignatura: PROYECTOS I Grupo N°: 1

Carrera: Ing. Mecatrónica Integrantes

Nivel y paralelo: 8vo-TD Ortega Cristian
Fecha de la práctica: 15/07/2019 Ortega Alex
Fecha presentación informe: 22/07/2019 Guazumba Alexander
N° Práctica: 16 Informe N°: 16

TÍTULO DE LA PRÁCTICA: Red Neuronal Predictor

1. OBJETIVOS

General:

 Implementar un circuito a una estructura de un carro seguidor de línea para tomar datos
de su funcionamiento, los cuales deberán ser correguidos y entrenados mediante el
proceso de redes neuronales.

Específicos

 Fundamentar teóricamente los conocimientos adquiridos en clases, para el desarrollo del

proyecto.
 Realizar la selección adecuada de herramientas en la implementación, como son el
hardware, algoritmos, y técnicas de construcción.
 Entrenar el prototipo para que sea capaz de evadir obstáculos, los cuales se han
implantado en una pista.
 Evaluar el funcionamiento para realizar una comparación con métodos similares en el
mismo campo.

2. INTRODUCCIÓN:

Las redes neuronales artificiales (RNA) son sistemas de aprendizaje inspirados en el

funcionamiento del cerebro humano. De esta forma simulan e imitan sistemas
permitiendo establecer relaciones no lineales entre las variables de entrada y salida.
Su principal ventaja que consiste en procesar información en paralelo en tiempo real
ha permitido su aplicación en la clasificación y reconocimiento de patrones en sistemas
complejos. El principal potencial de las RNA es detectar no-linealidades en
series temporales por lo que han sido de gran utilidad en la predicción de datos
económicos y financieros.

En un sistema con RNA los nodos se conectan por medio de sinapsis, esta estructura
de conexión determina el comportamiento de la red. La estructura más utilizada es el
Perceptrón Multicapa. La figura 1 muestra una estructura de este tipo con dos capas
ocultas donde Xi representan las entradas, Oi las salidas y φ la función de activación.
 INFORME DE LA PRÁCTICA
Formato
FR-FAC-PAC-GLB-018 Versión: 02 Fecha: 24/06/2019

Las capas de entrada dependen de la información disponible para ser clasificada

mientras que en las capas de salida se tiene un número de nodos igual a la cantidad
de variables de respuesta al medio exterior. Las neuronas en una capa se conectan
con las de la capa siguiente mediante sinapsis, cuyo valor es diferente para cada una
de las conexiones y se determina a través del proceso de entrenamiento.

La serie de datos histypricos del volatje que fueron utilizados en este Proyecto, se los
tomaron con un rango de 2 min, para obtener un muestreo adecuado.

3. MATERIALES

 Modulo puente H
 Kit carro seguidor de linea
 Fuente DC
 SIMULINK
 Protoboard
 Cables Arduino
 Fuente independiente de alimentación (LIPO)
 Arduino Mega
 Sensor de voltaje
 INFORME DE LA PRÁCTICA
Formato
FR-FAC-PAC-GLB-018 Versión: 02 Fecha: 24/06/2019

4. RESULTADOS Y DISCUSIÓN:

4 CONCLUSIONES:

 El entrenamiento de esta red neuronal se realizo a mano los cálculos de cada matriz,
utilizando como un medio software matlab, para reducir el tiempo de resultados.
 Se realizo con una toma de 6 lecturas, para reducir el rabgo de error de resultados.
 Para que exista un consumo de energía real, se utilizo un microcontrolador
independiente.
 La toma de datos fue en tiempo real mediante cable conectado a la pc.

5 RECOMENDACIONES:
 Para visualizar mejor los resultados del consumo de voltaje, utilizar un foco de 12 V.
 Utilizando el moduclo bluetooth obtenemos datos con muchos variaciones en los picos,
por lo que no es muy recomendable en esta practica.
 INFORME DE LA PRÁCTICA
Formato
FR-FAC-PAC-GLB-018 Versión: 02 Fecha: 24/06/2019

Bibliography
Matich, D. J. (2001, 03). Universidad Tecnologica Nacional. Retrieved from
https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/mono
graias/matich-redesneuronales.pdf
Ugarte, M. (2009, 07). Universitas Enciclopedia . Retrieved from
https://www.monografias.com/trabajos/redesneuro/redesneuro.shtml
There are no sources in the current document.