Pgina 1

UNIVERSIDAD DE FUERZAS ARMADAS ESPE

DEPARTAMENTO DE ELCTRICA Y ELECTRNICA
ASIGNATURA: CONTROL INTELIGENTE

Actividad No 13 y No 14. Identificacin de funciones de varias variables. Identificacin de
sistemas dinmicos.
Fecha: 18-05-2014
Nombre alumno1: Jorge Guillen
Nombre alumno2: Alexis Gngora
NRC: 2055


Introduccin. IDENTIFICACIN DE UN SISTEMA DINMICO MEDIANTE RED
NEURONAL

La identificacin de un sistema dinmico mediante una red neuronal consiste en determinar los
parmetros de la red de tal manera que los dos sistemas tengan respuestas similares cuando son
excitados con las mismas seales de control.
Un sistema dinmico puede caracterizarse en el espacio de estado. En la formulacin de espacio
de estado un sistema est caracterizado por la ecuacin de estado. Esta formulacin es aplicable
a sistemas de una entrada, una salida SISO o para sistemas multivariables MIMO. La ecuacin
de estado es:



Donde x son los estados y u es la seal de control. La descripcin del sistema dinmico es
completa cuando se define una condicin inicial para los estados y una seal de control.
En esta actividad, la red neuronal que se utilizar para la identificacin es una red esttica (que
no vara en el tiempo). La red neuronal por tanto solo puede identificar a un sistema esttico. Si
se restringe al sistema dinmico a un pequeo intervalo de tiempo, se lo puede considerar como
un sistema esttico. Es posible obtener una red neuronal que tiene las mismas variaciones que el
sistema dinmico luego de que ha transcurrido un pequeo intervalo de tiempo . Para que la
red neuronal refleje el comportamiento del sistema dinmico es necesario que su
comportamiento sea similar para un entramado lo suficientemente fino de valores de los estados
y seal de control del sistema. Esto se logra mediante la generacin de patrones de
entrenamiento que capten la respuesta a los valores de dicho entramado de tal manera que la red
neuronal aprenda el comportamiento para las distintas condiciones del sistema dinmico.

1. Analice el cdigo de ayuda del comando train. Ejecute el cdigo, grafique los resultados e
indique la funcionalidad de los comandos: newff, sim, net.trainParam.epochs =50;
net.trainParam.goal =0.01. Identifique el significado de los parmetros [0 8],[10
1],{'tansig' 'purelin'},'trainlm' en la funcin newff










p = [0 1 2 3 4 5 6 7 8];
t = [0 0.84 0.91 0.14 -0.77 -0.96 -0.28 0.66 0.99];
plot(p,t,'o')
% Here NEWFF is used to create a two layer feed forward network.
% The network will have an input (ranging from 0 to 8), followed
% by a layer of 10 TANSIG neurons, followed by a layer with 1
% PURELIN neuron. TRAINLM backpropagation is used. The network
% is also simulated.
% net = newff([0 8],[10 1],{'tansig' 'purelin'},'trainlm');
y1 = sim(net,p)

Pgina 2




















































Newff.-Es usado para crear una red neuronal con retroalimentacin hacia
adelante con dos capas.
Sym.-Se simula a la red el nombre de la red es net y se necesita el parmetro de
entradas p.
net.trainParam.epochs = 50; nmero de pocas y los parmetros.
net.trainParam.goal = 0.01. meta del error medio cuadrtico
Parmetro [0 8] rango de los valores que van a ser definidos por la entrada
Parmetro [10 1] capa de diez neuronas en entrada seguido por una sola neurona
en la salida
tansig funcin de activacin de la tangente hiperblica
purelin la funcin y=mx+b
trainlm mtodo de entrenamiento un mtodo de aproximaciones de la segunda
derivada.






% Here the network is trained for up to 50 epochs to a error goal of
% 0.01, and then resimulated.
%
net.trainParam.epochs = 50;
net.trainParam.goal = 0.01;
net = train(net,p,t);
y2 = sim(net,p)
plot(p,t,'o',p,y1,'x',p,y2,'*')

Pgina 3
























































Pgina 4

2. Identifique mediante una red neuronal la funcin

. Presente el grfico de la
funcin original y de la funcin aproximada mediante red neuronal para
a) Utilice 6 neuronas en la capa escondida, el mtodo de entrenamiento
traingd. b) Utilice 12 neuronas en la capa escondida, el mtodo de entrenamiento traingd.



















































Pgina 5
























































Pgina 6




















































cont=1;
[x,y] = meshgrid(-2:.2:2, -2:.2:2);
z=x.*exp(-x.^2-y.^2);
figure(1);
mesh(x,y,z)
xt=x(:)';
yt=y(:)';
zt=z(:)';
p=[xt;yt];
t=[zt];
% Back Propagation Algorithm (Code 8)
%-----------------------------------------------------------

% specify input and target
%p = [-1 -1 2 2;0 5 0 5];
%t = [-1 -1 1 1];

% create a FFN
net=newff(minmax(p),[12,1],{'tansig','purelin'},'traingd');

% set training parameters
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.epochs = 5000;
net.trainParam.goal = 1e-7;

% Now train the network
[net,tr]=train(net,p,t);

% check the output
a = sim(net,p);

for i=1:1:21
for j=1:1:21
matriza(i,j)=a(cont);
cont=cont+1;
end
end
figure(2);
mesh(x,y,matriza);

Pgina 7


3. Repita el ejercicio anterior, identifique mediante una red neuronal la funcin

.
Presente el grfico de la funcin original y de la funcin aproximada mediante red neuronal
para a) Utilice 6 neuronas en la capa escondida, el mtodo de
entrenamiento trainlm. b) Utilice 12 neuronas en la capa escondida, el mtodo de
entrenamiento trainlm.














































Pgina 8
























































Pgina 9




















































cont=1;
[x,y] = meshgrid(-2:.2:2, -2:.2:2);
z=x.*exp(-x.^2-y.^2);
figure(1);
mesh(x,y,z)
xt=x(:)';
yt=y(:)';
zt=z(:)';
p=[xt;yt];
t=[zt];
% Back Propagation Algorithm (Code 8)
%-----------------------------------------------------------

% specify input and target
%p = [-1 -1 2 2;0 5 0 5];
%t = [-1 -1 1 1];

% create a FFN
net=newff(minmax(p),[12,1],{'tansig','purelin'},'trainlm');

% set training parameters
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.epochs = 1000;
net.trainParam.goal = 1e-7;

% Now train the network
[net,tr]=train(net,p,t);

% check the output
a = sim(net,p);

for i=1:1:21
for j=1:1:21
matriza(i,j)=a(cont);
cont=cont+1;
end
end
figure(2);
mesh(x,y,matriza);

Pgina 10
4. Escriba dos prrafos que describan las caractersticas principales del entrenamiento al que se
refiere el comando trainlm.(pag. 180 de Neural Networks for applied Sciences and Engineering, Sandhya
Samarasinghe)





















5. Realice el diagrama en simulink del sistema dinmico antena descrito por las ecuaciones:
[]

velocidad angular [

]
[]

























En el mtodo de LM, se elige automticamente hasta un paso de descenso es
producido para cada poca. A partir de un valor inicial de , el algoritmo intenta
disminuir su valor en incrementos de en cada poca.
Si el MSE no se reduce, se incrementa varias veces hasta una ranura se produce el
paso colina.
Cuando es pequeo, el mtodo LM es similar al Mtodo de Gauss-Newton, en que
el segundo trmino (plazo acondicionado) en el denominador es pequeo y, por lo
tanto, la segunda derivada juega un papel importante en la ecuacin de actualizacin
de pesos. Al tratar de reducir Inicialmente, el mtodo LM esencialmente intenta
utilizar tanto la primera y segundas derivadas de error con el fin de utilizar su
combinado eficz, como se ilustra en el mtodo de Gauss-Newton. La primera derivado
ya est en el numerador.

El mtodo LM es un algoritmo hbrido que combina las ventajas de los del descenso
ms agudo y mtodos de Gauss-Newton para producir un mtodo ms eficiente que
cualquiera de estos dos mtodos.

Pgina 11


6. Presente las respuestas dinmicas del sistema durante 20 segundos para las siguientes
condiciones iniciales: a)

b)

N


















































Pgina 12

7. Escriba el cdigo para generar un conjunto de patrones de entrenamiento que genere un
entramado (todas las combinaciones posibles) de valores de ngulo, velocidad y fuerza con
los siguientes rangos y resoluciones:
a) ngulo: en pasos de 22.
b) Velocidad: en pasos de 36

.
c) Fuerza: en pasos de 6 N

Para realizar esto analice el cdigo:













8. Obtenga las variaciones de velocidad y ngulo que se obtienen luego de 50ms para cada una
de los valores que se obtuvieron en el numeral anterior. Almacene estos resultados en un
vector de dos filas y nmero de columnas igual al nmero de combinaciones.
Verifique los resultados obtenidos con los del numeral 6 y comente.



























a=[1 2 3 4]
b=[5 10 15 20]
c=[-3 -2 -1 0]
combvec(a,b,c)

Realiza todas las combinaciones que puedan existir entre los vectores el objeto el generar un
entramada.

Angulo=[-20:22:200];
Velocidad=[-90:36:90];
Fuerza=[-30:6:30];
p=combvec(Angulo,Velocidad,Fuerza);

Pgina 13




























































Angulo=[-20:22:200]*(pi/180);
Velocidad=[-90:36:90]*(pi/180);
Fuerza=[-30:6:30];
p=combvec(Angulo,Velocidad,Fuerza);
T=[];
%obtencion de parametros de almacenamiento
teta0=0*(pi/180);
w0=0*(pi/180);
u=1;
%sim('Tarea13y14Ejer5',0.05)

for i=1:1:length(p)
u=p(3,i);
w0=p(2,i);
teta0=p(1,i);
sim('Entrenamiento',50e-3);%simular el sistema
%estas variaciones se encuentran en radianes
deltaw=SalidaVelocidad-w0;
deltafi=SalidaAngulo-teta0;
delta=[deltafi;deltaw];
T=[T delta];
end



Pgina 14


9. Escriba el cdigo para entrenar una red neuronal con 8 neuronas en la capa oculta para
identificar el sistema dinmico antena en un lapso de tiempo de 50 ms.















































% create a FFN
net=newff(minmax(p),[8,2],{'tansig','purelin'},'trainlm');

% set training parameters
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.epochs = 300;
net.trainParam.goal = 1e-7;

% Now train the network
[net,tr]=train(net,p,T);

% check the output
%a = sim(net,p);
%v1=a(:,708:714)
%v2=T(:,708:714)
gensim(net,0.05)


Pgina 15
10. Construya un diagrama en simulink que permita la verificacin del sistema identificado
con red neuronal mediante una comparacin con el sistema original. Transcriba el
diagrama de simulink y los resultados obtenidos para varias condiciones iniciales y de
seal de fuerza aplicada (mnimo tres casos de estudio).




















































Pgina 16

1. Qu es la identificacin de un sistema dinmico?

La identificacin de un sistema dinmico mediante una red neuronal consiste en
determinar los parmetros de la red de tal manera que los dos sistemas tengan respuestas
similares cuando son excitados con las mismas seales de control.

2. Si la red neuronal FF es un sistema esttico, como se pretende identificar un
sistema dinmico?

Aproximar al sistema dinmico utilizando un tiempo de discretizacion muy pequeo de
esta manera el sistema dinmico se convierte a un sistema esttico caracterizado por
ecuaciones estticas y se puede representar por redes neuronales.

3. Qu elementos tiene cada patrn de entrenamiento para la:

a. Aproximacin de una funcin.
El valor de las entradas y las salidas
b. Identificacin del sistema dinmico
Entradas y salidas

4. Cmo se caracteriza un sistema dinmico en el espacio de estados?
En la formulacin de espacio de estado un sistema est caracterizado por la ecuacin de
estado. Esta formulacin es aplicable a sistemas de una entrada, una salida SISO o para
sistemas multivariables MIMO.
La ecuacin de estado es:



Donde x son los estados y u es la seal de control.
La descripcin del sistema dinmico es completa cuando se define una condicin inicial
para los estados y una seal de control.

5. En que consiste el entramado que se requiere para entrenar la red neuronal?
Comente el compromiso entre la resolucin y la carga computacional.

El entramado se da porque existen tres variables que representar esto no lo podemos
hacer en un plano comn por lo que se crea un entramado es la similitud a un plano para
tres variables de esta manera podemos presentar la solucin para tres variables crea una
carga computacional por el hecho de tener ms informacin de solucin para red de
entrenamiento por lo que se debe tener el compromiso entre la resolucin y la carga
computacional.




Nosotros Jorge Guillen y Alexis Gongora afirmamos que esta actividad es de nuestra
autora y establecemos que para la elaboracin de la misma he seguido los lineamientos
del Cdigo de tica de la Universidad de las Fuerzas Armdas ESPE.
Pgina 17