You are on page 1of 6

OBJETIVO:

Identificar un sistema dinmico no lineal mediante un perceptrn multicapa.



IDENTIFICACIN DE UN SISTEMA NO LINEAL
FORMULACIN DEL PROGRAMA
Dado el siguiente modelo matemtico hallar los parmetros de un perceptrn multicapa.
Sistema de posicionamiento de la antena, pndulo:


Sistema de posicionamiento del brazo de una antena.
Variables de entrada
Variable Detalles

ngulo del brazo, vara de -20 a 200 en pasos de 40.

Velocidad del brazo, vara de -90/s a 90/s en pasos de 36/s.


Fuerza aplicada el pndulo por un motor DC, vara de -30N a 30N en pasos de 6N.
Variables de salida
Variable Detalles

, T es el intervalo de tiempo entre las muestras tomadas de


la variacin de los parmetros. Es la variacin de la posicin angular del brazo respecto
al tiempo.

, el trmino
(

) representa la fuerza de la gravedad y el trmino



representa la
friccin viscosa. Es la variacin de la velocidad angular del brazo respecto al tiempo.
Tabla 1. Variables de entrada y salida del sistema.

Existen dos modelos para realizar la identificacin:
1. Modelo Matemtico: es el que est dado en el problema.
2. Modelo del Perceptrn: son los parmetros que se tienen que encontrar en un perceptrn
multicapa.
Para poder realizar la identificacin de un sistema no lineal vamos a definir la palabra
identificacin.
Identificacin (aproximar, asemejar): Se entiende por identificacin de sistemas a la obtencin de
forma experimental de un modelo que reproduzca con suficiente exactitud, para los fines
deseados, las caractersticas dinmicas del proceso objeto de estudio.
Tambin tenemos que tener en cuenta que la diferencia entre un sistema dinmico y esttico es
que en un sistema dinmico siempre tiene una variacin en el tiempo.
Sabiendo que vamos a realizar la identificacin de un sistema dinmico nos hacemos la siguiente
pregunta: El perceptrn es un sistema dinmico? La respuesta es no, el perceptrn siempre va a
ser un sistema esttico.
Pasos para realizar la identificacin
Para asemejar al sistema dinmico, se restringe el problema a un pequeo intervalo de tiempo

Donde:

),

) => Son las condiciones previas para determinar la variacin del sistema.
Con la variacin del estado (

) se puede encontrar la variacin del estado siguiente


En la siguiente figura podemos observar el diagrama de bloques de un sistema dinmico:


La red neuronal se entrena con

debido a que los estados

no tienen cambio notable


en la , con esto se tiene un mejor desempeo de entrenamiento.

Patrn de entrenamiento:

Para entrenar la red neuronal determinamos las entradas y salidas:
Entradas => u,

),

)
Salidas =>

)
Construimos un modelo matemtico utilizando simulink


Programa para determinar una sola variacin:








Realizamos el programa en matlab:


%datos que ingresan a simulink
u=6;
x10=30*pi/180;
x20=-20*pi/180;

%Funcin sim para accder a simulink
sim('antena',0.05);

%calculamos las variaciones
dx1=x1-x10
dx2=x2-x20


















ANLSIS DEL PROGRAMA
RESULTADOS

t=10seg






%Entrenamiento del perceptron multicapa
%Inicializamos los vectores de entrada
xv10=[-20:40:200]*pi/180;
xv20=[40:36:90]*pi/180;
uv=[-30:6:30]*pi/180;

%La funcin combvec forma una matriz
%convinando vectores segun el orden que
%se los defina

p=combvec(uv,xv10,xv20);

for i=1:length(p)
%extraemos los valores de u de p
u=p(1,i);
%extraemos los valores de u de x1(t0)
x10=p(2,i);
%extraemos los valores de u de x2(t0)
x20=p(3,i);
%sim funcin para ingresar a simulink
sim('antena',0.05);

%Encontramos la variacin
dx1=x1-x10;
dx2=x2-x20;
%Almacenamos en un vector la variacin
dxv1(i)=dx1;
dxv2(i)=dx2;
end
%Definimos la salida
target=[dxv1;dxv2]

() () Grafico ( , ) los dos en el mismo grafico
-6 -20 5

0 3 2

6 30 -20

20 40 0



En todas las grficas podemos que , empiezan desde los valores iniciales.
0 1 2 3 4 5 6 7 8 9 10
-350
-300
-250
-200
-150
-100
-50
0
50
100
0 1 2 3 4 5 6 7 8 9 10
-100
-50
0
50
100
150
200
250
0 1 2 3 4 5 6 7 8 9 10
-100
-50
0
50
100
150
200
250
300
0 1 2 3 4 5 6 7 8 9 10
0
1000
2000
3000
4000
5000
6000
Se identifican todos los valores de , para t=10seg y poder determinar los valores de cada
parmetro.
, llegan a ser estables despus de cierto tiempo para cada valor inicial dado.

CONCLUSIONES:

Los sistemas no lineales pueden ser identificados mediante una red neuronal obteniendo
un resultado casi exacto con la representacin fsica del sistema.
El sistema obtenido mediante una red neuronal es tan exacto en la medida en que la red
neuronal haya sido entrenada, es decir colocando los parmetros adecuados de goal y
pocas.
Simulink es de gran ayuda para poder apreciar grficamente el resultado de la
identificacin de un sistema no lineal mediante una red neuronal, debido a que nos
permite por ejemplo comparar varios sistemas a la vez.