P. 1
Control de Un Motor Con Rna

Control de Un Motor Con Rna

|Views: 3|Likes:

More info:

Published by: Julio César Millán Barco on Nov 28, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

06/28/2015

pdf

text

original

UNIVERSIDAD SANTIAGO DE CALI

FACULTAD DE INGENIERÍA REDES NEURONALES ARTIFICIALES
PROFESOR: JULIO CÉSAR MILLÁN BARCO

CONTROL DE UN MOTOR DE PASOS CON UN GRUPO DE PERCEPTRONES El desarrollo de este ejercicio es a través del entrenamiento de dos neuronas: la primera de ellas será entrenada para decidir la dirección de un sistema que consta de dos sensores de luz y que va a girar hacia la izquierda o hacia la derecha por medio de un motor a pasos, dependiendo qué sensor se active con la incidencia de luz. La segunda neurona será entrenada para decidir a qué velocidad va a girar el sistema antes mencionado de acuerdo con la combinación que presenten dos interruptores. Es trabajo del estudiante diseñar el código con el cual se puede entrenar a las neuronas que participan en el proceso, así como la implementación con amplificadores operacionales. La primera parte es la del entrenamiento y la segunda es la implementación de las dos neuronas que se va a utilizar. El tipo de entrenamiento que se usó para ambas neuronas fue el del perceptrón convencional. El perceptrón es un modelo que nos ayuda a dividir patrones linealmente separables y lo que hace este entrenamiento es deducir cuándo una entrenada pertenece a una de las dos clases. Por esta razón se construyen tablas de verdad que fueran linealmente separables para cada una de las neuronas, y de acuerdo con dichas tablas realizamos su entrenamiento. Las tablas de verdad requeridas son las siguientes:

TABLA DE VERDAD PARA NEURONA DE DIRECCIÓN:

V1 0 0 5 5

V2 0 5 0 5

Salida 0 0 5 5

5

Izquierda 0

Derecha

. El algoritmo debe realizarse en Matlab y de allí obtener los pesos necesarios que darán lugar al valor de las resistencias que se colocan alrededor de los amplificadores operacionales. Suponiendo que teniendo un umbral de θ=2 y que los pesos que resultaron fueron: Para la neurona de dirección: W1 = 3 W2 = 0.2 Para la neurona de velocidad: W1 = 0. X2 .55 W2 = 0.14 Para poder implementar las neuronas por medio de Amplificadores Operacionales se realizó el siguiente análisis que para un perceptrón el cálculo de la salida aplicado a nuestro caso se hace por medio de la siguiente ecuación: Y(t) = f [W1 . X 1 + W2 .45 Wθ = 1. X θ] Ecuación 1 Para cada una de las combinaciones de entrada tenemos un resultado que es el que se evalúa en la función.5 Wθ = 1.TABLA DE VERDAD PARA NEURONA DE VELOCIDAD: V1 0 0 5 5 V2 0 5 0 5 Salida 0 0 0 5 El entrenamiento consiste en encontrar los pesos que están relacionados con cada una de las entradas y con el umbral.Wθ . Cabe mencionar que el 0 equivale a 0 V y el 5 es un 1 lógico.

03 50 1 Y = 0.45(5) – 1.Para el caso de la neurona de dirección: 00 0 Y = -1.47 55 1 Y = 0.2 (2) = 0.55 (5) – 1.2 05 0 Y = 0.6 55 5 Y = 3 (5) + 0.5 (5) – 1.2 (2) = 15.5 (5) – 1.14 (2) = 0.2 (2) = -2.45(5) – 1.1.4 05 0 Y = 0.1 50 5 Y = 3(5) – 1.72 .55(5) + 0.14 (2) = -2.1 Para el caso de la neurona de velocidad: 00 0 Y= .14(2) = 2.2(2)= 12.14 (2) = 0.

El amplificador operacional que se usa es un inversor. que en este caso es de -2. Su configuración es como la que se muestra a continuación: VCC 5V Más adelante veremos cómo obtener Rθ2.De acuerdo con la Ecuación 1. R1 y R2. Para las neuronas de umbral.∗ = + + 1 2 caso de la entrada del (Vumbralθ) debe tener un valor negativo.4. VCC U1A -Neta Vumbral0 R02 V1 R1 -VEE V2 R2 Rf V0 = − Donde . el RO2 Vumbral0 Vumbral RO1 -VEE RfO . eso se resuelve por medio de otro amplificador que logre darnos la salida que deseamos. se hace la sumatoria de todos los pesos multiplicados por sus respectivas entradas. gracias a que el valor de umbral se resta en la ecuación 1. esto por medio de Amplificadores Operacionales se logra con un sumador inversor que aplicado a nuestro caso tiene la siguiente configuración.

Para que el umbral no cambie el diseñador debe colocar Rθ2= Rf en la ecuación 1. Recordamos que el peso arrojado para la neurona de dirección es W1 = 3. Para el caso de V1 (suponiendo que se han obtenido los pesos sinápticos ya indicados y que Rf se fija en 10KΩ) Para el caso de V1: Rf = 10 kΩ Vin1 = 5 V (cuando entra un 1 lógico es 5 V). por lo tanto: Vout1 = 5 V * 3 = 15 V (Atención con este valor: recuerde que si obtiene un peso sináptico tan alto (W1=3) la amplificación puede ser tan grande que supere la propia alimentación del Amplificador Operacional por lo que el circuito no funcionaría) R1 = * Vin = ∗ 5 = 3. El es de 2 V.4 V Si por ejemplo (este valor puede ser cambiado por el estudiante si así lo prefiere) Rf = 10 kΩ Rθ1 = − ∗ = −2 ∗ .33 Por supuesto el estudiante debe buscar potenciómetros y resistencias de buena precisión para obtener los resultados deseados. Los valores de las resistencias R1 y R2 se obtienen igual que en el caso del valor del umbral.2) = 2 Vout= -2. = 8333. que fue el valor que le damos al umbral.3 kΩ Para el caso de V2: Vin2= 5 V . y el de salida es el que tenemos al multiplicarlo por su peso (Wθ= 1.=− ∗ 1 Se fija el valor de la resistencia Rfθ y obtenemos el valor de la resistencia Rθ1.

5V VCC Y RO2 Rx Vumbral RO1 -VEE -VEE -VEE -VEE RfO Rf Rx V1 R1 V2 R2 Una vez que las neuronas se encuentran entrenadas y listas con los amplificadores operacionales se desarrolla la parte del controlador del motor a pasos. . ∗ (5 )= 20 KΩ R2 = 20KΩ Lo mismo puede hacer para calcular los valores de Resistencia de la neurona de velocidad.Vout2= 2.5 V dado que W2= 0. Esta parte queda a decisión del estudiante si lo hace a través de un driver como el MC3479 o utilizando otra configuración electrónica.5 R2= ∗ 2 = . Cada neurona puede montarse como se indica en la siguiente figura: VCC VCC VCC 5V 2.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->