Presentado por

Juan Camilo
Avella Castro
Dirigido por ING.D
Miguel Melgarejo

Universidad distrital
Francisco José de caldas
Bogotá Colombia
Año 2019 1
contenido

1. Muestra del problema… Pag3

2. Histograma… Pag6
3. Recurrencia… Pag7
4. Backpropagation (A.N.F.I.S.)…. Pag10
5. Conclusiones… Pag20
6. Bibliografía… Pag21

2
El problema

Identificar el comportamiento
que tienen dos motores al
acoplarse por medio de una polea 3

que cuelga de un resorte

Entrada “u(k)” y salida “y(k)”

4
Entradas escogidas

5
 Histograma

Teniendo en cuenta las entradas y las salidas anteriores se hace un histograma de

la entrada u(k) vs la salida y(k) y se obtiene.
Salida… Ejemplo…

En este caso es lineal

No tiene una tendencia gaussiana tiene noinealidad
Recurrencia matemática

 La resolución de relaciones de recurrencia es un

tema fundamental en distintas áreas de
conocimiento al proporcionar métodos de solución
ante problemas complejos que muchas veces no
pueden ser abordados de forma directa. Sus
aplicaciones abarcan contenidos vinculados con
matemática básica, estructuras de datos, análisis
de algoritmos, entre otras.

7
Grafico de Recurrencia
 [1] La información disponible en una serie de tiempo es una
parte univariante de un espacio dimensional de tamaño N. El
teorema de Takens demuestra que podemos recrear una
imagen topológica equivalente al comportamiento original del
sistema multidimensional utilizando las series de tiempo de
una sola variable observable, por medio del método de
los retardos de tiempo. La estructura del gráfico de
recurrencia entrega información sobre la naturaleza de la serie
de tiempo, patrones homogéneos representa series
aleatorias. Los patrones no distribuidos homogéneamente
indican la presencia de comportamiento caótico; los vectores
visitan la misma área del atractor durante diferentes
períodos de tiempo. La presencia de líneas diagonales
indica la existencia de fenómenos deterministas en el sistema
dinámico.

8
Grafico de recurrencia

 Se nota claramente que hay una estructura en los datos esto se puede
observar en los gráficos anteriores, el código de estos gráficos fue
suministrado por El Ing.D Miguel Melgarejo [2] en una tutoría. 9
Anfis Edit

 [3] Usamos anfis edit para ingresar nuestros datos y por medio de el algoritmo
de backpropagation mejorado obtener resultados.

10
El comportamiento del error con
respecto a las iteraciones.

A continuación se puede observar el tipo de

graficas
 Las que están entrecortadas fue porque
fueron paradas antes ya que luego de 1000
iteraciones no cambiaba su valor esto se
puede ver en la grafica

11
12
Aquí ya importamos nuestro mejor modelo
con un error del 34,39% para ser comprobado
en este caso fue un hibrido.

13
Los resultados que obtuvimos con la
validación cruzada gráficamente es la
siguiente el

14
El caso mas cercano del backpropagation
tuvo un porcentaje de error del 35%.

15
Porcentaje de error por promedio de la
diferencia entre señales y el promedio entre
ellos
 Para la porción de datos del 10% el error es del
27,1250%
 Para la porción de datos del 20% el error es del
49,2246%
 Estas porciones son sacadas de la imagen anterior
ósea del porcentaje de error por mínimos
cuadrados 35% por Backpropagation

16
 Resultados obtenidos
Rango de influencia Factor de apren radio de aceptacion Relacion de rechazo Tolerancia de error Division de tiempo Stop error minimo Modelo
0,5 0,6 0,5 0,15 0,2 5000 699 35,16% hibrido
0,5 0,8 0,5 0,15 0,1 5000 3449 35,16% back
0,5 1 0,5 0,15 0 5000 5000 77,68% back
0,5 1,25 0,5 0,15 0 10000 10000 51,50% back
0,5 0,8 0,5 0,15 0 10000 1300 34,40% hibrido
0,5 0,7 0,5 0,15 0 10000 10000 450,11% back
0,5 0,6 0,5 0,15 0,2 10000 3015 35,16% hibrido
0,5 1,25 0,5 0,15 0,1 100000 6192 36,60% back
0,5 1,2 0,5 0,15 0 100000 6450 38,62% back
0,5 1,1 0,5 0,15 0 100000 8177 39,84% back
0,5 1 0,5 0,15 0,1 100000 75122 35,37% back

17
Una de las mas curiosas respuestas

18
Grafica de la respuesta no tan buena en este
caso la del 77% de error la cual gráficamente
da como resultado:

19
Conclusiones

 Sin importar que parámetros le ponga la respuesta depende mucho de el valor

inicial que se da aleatoriamente porque al hacer el mismo experimento con
los mismos parámetros se obtienen resultados muy diferentes.
 Al bajar el factor de aprendizaje a 0,8 se obtuvo una respuesta aceptable y
esto con 5000 iteraciones que fueron las mas bajitas que escogimos sin
embargo en 3000 ya se observo que ya no se cambiaba de error por lo que se
puede decir que se obtuvo una buena respuesta.
 A partir de lo anterior los parámetros son difíciles de determinar ya que no
son de obtención intuitiva sino mas bien experimental.
 Al algoritmo Anfis se le dificulta los cambios muy bruscos en la señal de
salida.

20
Bibliografia

 [1] R.Carrasco,M.Vargas,M.Alfaro,I.Soto y G.Fuertes. “Copper Metal Price

Using Chaoric Time Series Forecasting”, Junio 2015,
 [2] Ing.Dr. Miguel Melgarejo, Tutoría, 2019, Bogotá Colombia.
 [3] Dr Vishal S Sharma,Departamento de Ingeniería Industrial y de Producción,
India,Video.

21
Muchas Gracias

22