Professional Documents
Culture Documents
. 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