Control Inteligente

Identificación de funciones de varias

variables.
Identificación de sistemas dinámicos.
Integrantes: Celena Betancourt
María Belén Carchi
John Escobar
Bryan Rivera
IDENTIFICACIÓN DE UN SISTEMA DINÁMICO MEDIANTE RED NEURONAL

Puntos importantes

La identificación de un sistema dinámico mediante una red neuronal

consiste en determinar los parámetros de la red de tal manera que los
dos sistemas tengan respuestas similares cuando son excitados con las
mismas señales de control

En la formulación de espacio de estado un sistema está caracterizado

por la ecuación de estado. Esta formulación es aplicable a sistemas de
una entrada, una salida SISO o para sistemas multi variables

2
IDENTIFICACIÓN DE UN SISTEMA DINÁMICO MEDIANTE RED NEURONAL

Puntos importantes
𝑥ሶ = 𝑓(𝑥, 𝑢)
𝑦 = 𝑔 𝑥, 𝑢
Donde x son los estados y u es la señal de control.

La descripción del sistema dinámico es completa cuando se define

una condición inicial para los estados y una señal de control

Para que la red neuronal refleje el comportamiento del sistema

dinámico es necesario que su comportamiento sea similar para un
entramado lo suficientemente fino de valores de los estados y señal
de control del sistema.

3
1.) Analice el código de ayuda del comando train. Ejecute el código, 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 parámetros [0 8],[10 1],{'tansig' 'purelin'},'trainlm' en la
función newff

4
 Tema de la 5
Autor de la presentación
presentacion
 RESULTADOS

Tema de la 6
Autor de la presentación
presentacion
• newff: Este comando de MATLAB sirve para la creación de una red neuronal.
• sim: La función sim simula una red neuronal. La función sim toma la entrada de la red X, y el objeto red
net, y regresa la salida de la redY.
y1=sim(net,p)
• net.trainParam.eposch=50
Máximo numero de iteraciones para obtener convergencia, época de entrenamiento.
• net.trainParam.goal =0.01
Error máximo permitido, meta a la que se desea que llegue el error medio cuadrático.

Identifique el significado de los parámetros [0 8],[10 1],{'tansig' 'purelin'},'trainlm' en la función newff

1. El valor mínimo y máximo de las entrada.

2. El primer valor es el numero de neuronas de la capa oculta y el segundo de la capa de salida.
3. La función de transferencia de cada capa en este caso: tansig y purelin
4. El método de entrenamiento en este caso: trainlm Algoritmo que actualiza los pesos y las ganancias de
acuerdo a la optimización de Levenberg-Marquardt
Tema de la 7
Autor de la presentación
presentacion
 −𝒙𝟐 −𝒚𝟐
2. Identifique mediante una red neuronal la función 𝒛 = 𝒙𝒆 . Presente el
gráfico de la función original y de la función aproximada mediante red neuronal para
− 𝟐 ≤ 𝒙 ≤ 𝟐; −𝟐 ≤ 𝒚 ≤ 𝟐.
a) Utilice 6 neuronas en la capa escondida, el método de entrenamiento traingd.
b) Utilice 12 neuronas en la capa escondida, el método de entrenamiento traingd.
Función original

Función aproximada con

6 capas escondidas
Función original

Función aproximada con

12 capas escondidas
3. Repita el ejercicio anterior, identifique mediante una red neuronal la función . Presente
el gráfico de la función original y de la función aproximada mediante red neuronal para:
a) Utilice 6 neuronas en la capa escondida, el método de entrenamiento trainlm.
b) Utilice 12 neuronas en la capa escondida, el método de entrenamiento trainlm.
Función original

Función aproximada con

6 capas escondidas
Función original

Función aproximada con

12 capas escondidas