Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Open Class 4 IA CRDM v2
Open Class 4 IA CRDM v2
Algoritmos LMS
Fundamentos de Teoría Wavelet
Fundamentos de Redes Neuronales
Redes Neuronales Wavelets Adaptables (Wavenets)
Resultados de Simulación
Comentarios
UTEL
University
Objetivos
Objetivo de la Clase
Estructura LMS
Estructura LMS
Algoritmo LMS
fn+1 = fn + µe(n)xn
e(n) = d(n) − y (n)
y (n) = fnT xn
Algoritmos LMS
LMS Normalizado
LMS Loco (con Variable Flotante)
LMS Promediado
LMS Mediano
LMS Función Signo
Wavelets
0.8
Características 0.6
0.4
Un mínimo de
Amplitud
0.2
oscilación 0
−0.4
a cero −0.6
−0.8
−10 −8 −6 −4 −2 0 2 4 6 8 10
Tiempo t
Wavelets
Aplicaciones
Procesamiento de imágenes y señales
Aproximación de señales
Control automático
Eliminación de ruido en audio e imágenes
Compresión de señales
Reconocimiento de voz y de imágenes
0.4
0.5
Amplitud
Amplitud
0.2
1 0
ha,b(t) = √ h(τ ) 0
a −0.5
−10 −5 0
Tiempo, t (seg.)
5 10
−0.2
−10 −5 0 5
Tiempo, t (seg.)
10
Amplitud
0.5 0.5
0 0
−0.5 −0.5
−10 −5 0 5 10 −10 −5 0 5 10
Tiempo, t (seg.) Tiempo, t (seg.)
Transformada Wavelet
donde
ha,b (t) = √1 h( t−b )
a a
Transformada Wavelet
Wavelet Morlet
1 2 1 2
h(t) = ejω0 t e− 2 t = e− 2 t (cosω0 t + j senω0 t)
0.8
1.2
0.6
1
0.4
Amplitud
0.2 0.8
0 0.6
−0.2
0.4
−0.4
0.2
−0.6
−0.8 0
−5 0 5 −10 −5 0 5 10
Tiempo t Frecuencia w
Wavelet RASP
0.5
RASP1
0
-0.5
-1
-10 -5 0 5 10
0.5
RASP2
0
-0.5
-1
-10 -5 0 5 10
0.5
0
RASP3
-0.5
-1
-10 -5 0 5 10
Wavelet SLOG
1 1 1 1
hslog1 (t) = − − +
1 + e−t+1 1 + e−t+3 1 + e−t−3 1 + e−t−1
Wavelet SLOG1
0.5
0.4
0.3
0.2
0.1
Amplitud
−0.1
−0.2
−0.3
−0.4
−0.5
−10 −8 −6 −4 −2 0 2 4 6 8 10
Tiempo t
Wavelets POLYWOG
√ t2 1
Wavlet POLYWOG1
t2
0.6
0.2
1 4 t2
Amplitud
hPOLYWOG3 (t) = (t − 6t 2 + 3)e− 2 0
3 −0.2
−0.4
t2
hPOLYWOG4 (t) = (1 − t 2 )e− 2 −0.6
−0.8
2
2 4 − t2 −1
hPOLYWOG5 (t) = 0,8244(3t − t )e −10 −8 −6 −4 −2 0
Tiempo t
2 4 6 8 10
Wavelet Shannon
sen2πt − senπt
hshannon (t) =
πt
Wavelet Shannon
1
0.8
0.6
0.4
0.2
Amplitud
−0.2
−0.4
−0.6
−0.8
−1
−10 −8 −6 −4 −2 0 2 4 6 8 10
Redes Neuronales
Características
Aprendizaje Adaptativo
Autoorganización
Tolerancia a fallos
Procesado no lineal
Operación en tiempo real
Aplicaciones
Neurona Artificial
XN
y (t) = f ( xi ωki + vk )
i=1
N
X
yi (t) = ωki ϕ(xk )
k =1
Wavenets
K
X
ŷ (t) = u(t) ωk h(τk )
k =1
Domínguez Mayorga Inteligencia Artificial
Introducción
Algoritmos LMS
Fundamentos de Teoría Wavelet Wavenets
Fundamentos de Redes Neuronales Wavenetscon Estructura de Bloque IIR
Redes Neuronales Wavelets Adaptables (Wavenets)
Resultados de Simulación
Comentarios
Función de Energía
Minimización de E
El objetivo es minimizar E(ωk , ak , bk ), variando los
parámetros ωk , ak y bk , donde k = 1, 2, . . . , K
Para ello se calculan:
T
∂E X
= − e(t)u(t)h(τ )
∂ωk
t=1
T
∂E X ∂h(τ )
= − e(t)u(t)ωk
∂bk ∂bk
t=1
T
∂E X ∂h(τ ) ∂E
= − e(t)u(t)ωk τ =τ
∂ak ∂bk ∂bk
t=1
Domínguez Mayorga Inteligencia Artificial
Introducción
Algoritmos LMS
Fundamentos de Teoría Wavelet Wavenets
Fundamentos de Redes Neuronales Wavenetscon Estructura de Bloque IIR
Redes Neuronales Wavelets Adaptables (Wavenets)
Resultados de Simulación
Comentarios
Algoritmo Wavenet
∂E ∂E ∂E
∆ω = − , ∆a = − , ∆b = −
∂ω ∂a ∂b
ω(n + 1) = ω(n) + µω ∆ω
a(n + 1) = a(n) + µa ∆a
b(n + 1) = b(n) + µb ∆b
M
X N
X
ŷ (t) = ci z(t − i)u(t) + dj ŷ (t − j)v (t)
i=0 j=1
Domínguez Mayorga Inteligencia Artificial
Introducción
Algoritmos LMS
Fundamentos de Teoría Wavelet Wavenets
Fundamentos de Redes Neuronales Wavenetscon Estructura de Bloque IIR
Redes Neuronales Wavelets Adaptables (Wavenets)
Resultados de Simulación
Comentarios
Modelo IIR
donde
K
X
z(t) = ωk h(τk )
k =0
Función de Energía
Minimización de E
T M
∂E X X
= − e(t)u(t) h(τ − i)
∂ωk
t=1 i=0
T M
∂E X X ∂h(τ − i)
= − e(t)u(t)ωk ci
∂bk ∂bk
t=1 i=0
∂E ∂E
= τ
∂ak ∂bk
Minimización de E
T
∂E X
= − e(t)u(t)z(τ − i)
∂ci
t=1
T
∂E X
= − e(t)u(t)ŷ (τ − j)
∂dj
t=1
∂E ∂E ∂E ∂E ∂E
∆w = − , ∆a = − , ∆b = − , ∆c = − , ∆d = −
∂w ∂a ∂b ∂c ∂d
ω(n + 1) = ω(n) + µω ∆ω
a(n + 1) = a(n) + µa ∆a
b(n + 1) = b(n) + µb ∆b
c(n + 1) = c(n) + µc ∆c
d(n + 1) = d(n) + µd ∆d
2
u(t) y su Aproximación
u(t)
1 Aprx. WN
−1
−2
0 10 20 30 40 50 60 70 80 90 100
0.5
Energia del Error
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
Iteraciones
1.2 10.006 90
80
1 10.005
70
0.8 10.004
60
0.6 10.003
50
0.4 10.002
40
0.2 10.001 30
0 10 20
0 200 400 0 200 400 0 200 400
2
u(t) y su Aproximación
u(t)
1 Aprx. WN
−1
−2
0 10 20 30 40 50 60 70 80 90 100
Tiempo t
0.8
Energia del Error
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80
Iteraciones
0.45
10.0001 100
0.4
0.35
10.0001 80
0.3
0.25 10 60
0.2
10 40
0.15
0.1
9.9999 20
0.05
0 9.9999 0
0 50 100 0 50 100 0 50 100
2
u(t) y su Aproximación
u(t)
1 Aprx. WN
−1
−2
0 10 20 30 40 50 60 70 80 90 100
Tiempo t
Energia del Error
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
Iteraciones
10.003
2 100
10.0025
1 80
10.002
0 10.0015 60
10.001
−1 40
10.0005
−2 20
10
−3 9.9995 0
0 200 400 0 200 400 0 200 400
2
u(t) y su Aproximación
u(t)
1 Aprx. WN
−1
−2
0 20 40 60 80 100 120 140 160 180 200
Tiempo t
0.8
Energia del Error
0.6
0.4
0.2
0
0 20 40 60 80 100 120 140 160 180 200
Iteraciones
180
1.2 10.003
160
10.0025
1 140
10.002
120
0.8
10.0015 100
0.6
80
10.001
0.4 60
10.0005
40
0.2 10
20
0 9.9995 0
0 100 200 0 100 200 0 100 200
¿Que es un PID?
Controlador PID
Parte Proporcional P
Parte Derivativa D
Parte Integrativa I
Z
de(t)
u(t) = Pe(t) + I e(t)dt + D
dt
N
X
Φ̂(y (k ), ΘΦ ) = dj ŷ (k − j)v (k ) K
X k − bI
j=1 z(k ) = wI h( )
M
aI
X I=1
Γ̂(y (k ), ΘΓ ) = ci z(k − i)
i=0
PID Discreto
Sistema Ball-Beam
Da la definición de búsqueda
¿Cuales son los elemntos de búsqueda?
¿Qué es eñ espacio de estados?
Comentarios