Universidad de Santiago de Chile

Facultad de Ingeniera
Departamento de Ingeniera Elctrica
Control Inteligente

TS PEP3: Estimador de parmetros

Integrante:

ngel Aguilera M.

Profesora:

Marcela Jamett

Profesor Asistente:

Cristbal Carreo

Fecha de entrega:

18/12/2014

ndice
ndice ................................................................................................................................................... 2
Introduccin ........................................................................................................................................ 3
Objetivos. ............................................................................................................................................ 4
Objetivo principal ............................................................................................................................ 4
Objetivos especficos ....................................................................................................................... 4
Descripcin experimental ................................................................................................................... 5
Creacin de la Red........................................................................................................................... 5
Clasificacin de los datos. ................................................................................................................... 8
Entrenamiento de la Red Neuronal..................................................................................................... 9
Prueba de la Red Neuronal ............................................................................................................... 13
Validacin de la Red Neuronal .......................................................................................................... 15
Conclusiones ..................................................................................................................................... 16

Introduccin
Las redes de neuronas artificiales son un paradigma de aprendizaje y procesamiento automtico
inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema
de interconexin de neuronas que colaboran entre s para producir un estmulo de salida.
Las caractersticas de las RNA las hacen bastante apropiadas para aplicaciones en las que no se
dispone a priori de un modelo identificable que pueda ser programado, pero se dispone de un
conjunto bsico de ejemplos de entrada. Asimismo, son altamente robustas tanto al ruido como a
la disfuncin de elementos concretos y son fcilmente paralelizables.
Existen procesos que son muy complicados para obtener su modelacin en forma
matemtica, son los casos de los modelos caja negra, pero hay casos que se conoce el modelo pero
faltan algunos parmetros por determinarse que adems varan en el tiempo, son el caso de los
modelos caja-gris. En muchos casos es necesario obtener el modelo de un proceso para poder
aplicar un control adecuado sobre el o para optimizar su funcionamiento. Por ello se emplean las
Redes Neuronales para realizar esta compleja tarea de estimar parmetros faltantes del modelo de
un proceso.

Objetivos.
Objetivo principal
Crear una Red Neuronal que sea capaz estimar un parmetro en un modelo caja-gris.

Objetivos especficos
Clasificar los datos de entrada y target en datos de entrenamiento, prueba y validacin
Crear y configurar una Red Neuronal (feedforward) que represente el modelo del proceso.
Importar los datos de entradas y sus respectivos targets.
Entrenar la Red Neuronal con el algoritmo de Levenberg-Marquardt.
Prueba de la Red Neuronal, se grafica los resultados y se compara con los datos del proceso.
Validacin de la Red Neuronal mediante los indicadores de error; AI, RMS y RSD.

Descripcin experimental
Creacin de la Red
La red a crear debe ser capaz de mantener algunos de sus pesos constantes al momento de
entrenarla, ya que estos representaran la parte conocida del sistema o la parte del modelo que es
del tipo caja blanca, los pesos del sistema a ser entrenados correspondern a la parte del sistema
que se encargara de determinar los parmetros desconocidos o la parte del modelo que es del tipo
caja negra, de este modo se tendr una red hibrida que es considerada un modelo de caja gris.

Figura 1.

En la Figura 1 se muestra un diagrama que representa el modelo hibrido, a la izquierda se observa

que est compuesto de un modelo fenomenolgico y una red neuronal, ambos reciben las mismas
entradas y la salida de la red entra al modelo fenomenolgico en forma de parmetros para que
este entregue la salida total del sistema. En el diagrama de la derecha se aade el clculo del error
obtenido en la salida, para obtener entrenamiento indirecto al retropropagarlo hacia la red al
momento de simularla.

A continuacin se muestran las ecuaciones que modelan el comportamiento del sistema y el

parmetro desconocido , posteriormente se muestra en la Figura 2 la disposicin de conexiones
de la red, donde sobre las lneas de conexin se muestran los pesos de las lneas que deben
mantenerse constantes ya que representan las ecuaciones del sistema.

Figura 2.

La red creada en Matlab equivalente a la red mostrada se muestra en la Figura 3. Esta red ha sido
configurada de modo que los parmetros correspondientes al modelo de caja blanca se mantengan
constantes durante el entrenamiento, para obtener este efecto se deben definir en Matlab dichos
pesos con sus valores e indicar que se mantienen constantes, este cdigo se muestra en la Figura 4.

Figura 3.

Figura 4.

Comando para mantener fijo los pesos que forman el modelo de caja-gris cuando se entrena la
Red Neuronal:
cajaGrisCstr.inputWeights{3,1}.learn=0
cajaGrisCstr.inputWeights{4,1}.learn=0
cajaGrisCstr.inputWeights{4,2}.learn=0
cajaGrisCstr.inputWeights{4,3}.learn=0
cajaGrisCstr.layerWeights{3,2}.learn=0
cajaGrisCstr.layerWeights{4,2}.learn=0
cajaGrisCstr.layerWeights{4,3}.learn=0

Clasificacin de los datos.

Se tienen 7500 muestras las cuales se clasifican de la siguiente forma:
La entrada u(t) se separa en:

70% de los datos para el entrenamiento.

20% de los datos en la prueba.
10% de los datos en la validacin.

De la misma forma se separa los datos de la entrada x1(t) y x2(t) y la salida target x1(t+1) y x2(t+1).
Luego se construye una matriz de entrada u(t) de entrenamiento (ue(t)) usando [ue(t) x1e(t) x2e(t)] y
una matriz de target t(t) de entrenamiento (te(t)) usando [x1e(t+1) x2e(t+1)]
Dnde: ue(t) son los datos de entrenamiento de u(t).
x1e(t) son los datos de entrenamiento de x1(t).
x2e(t) son los datos de entrenamiento de x2(t).
x1e(t+1) son los datos de entrenamiento de x1(t+1).
X2e(t+1) son los datos de entrenamiento de x2(t+1).
Para construir la data de prueba se realiza lo siguiente:
Se construye una matriz de entrada u(t) de prueba (up(t)) usando [up(t) x1p(t) x2p(t)] y una matriz de
target t(t) de prueba (tp(t)) usando [x1p(t+1) x2p(t+1)]
Dnde: up(t) son los datos de prueba de u(t).
x1p(t) son los datos de prueba de x1(t).
x2p(t) son los datos de prueba de x2(t).
8

x1p(t+1) son los datos de prueba de x1(t+1).

X2p(t+1) son los datos de prueba de x2(t+1).
Por ultimo para obtener la data de validacin se hace de la siguiente forma:
Se construye una matriz de entrada u(t) de validacin (up(t)) usando [uv(t) x1v(t) x2v(t)] y una matriz
de target t(t) de prueba (tv(t)) usando [x1v(t+1) x2v(t+1)]
Dnde: uv(t) son los datos de validacin de u(t).
x1v(t) son los datos de validacin de x1(t).
x2v(t) son los datos de validacin de x2(t).
x1v(t+1) son los datos de validacin de x1(t+1).
X2v(t+1) son los datos de validacin de x2(t+1).

Entrenamiento de la Red Neuronal

En la figura 5 se muestran los pesos iniciales de la Red Neuronal.

Figura 5.

Figura 6.

10

Figura 7.

Se procede a entrenar la Red Neuronal como se muestra en la figura 6 y figura 7. Adems en la

figura 8 se muestra los nuevos pesos para la Red Neuronal.

11

12

Figura 8.

Figura 9.

En la figura 9 se muestra el parmetro que se desea estimar por medio de la Red Neuronal y el
descrito por el proceso. Esta grafica muestra como varia el parmetro mientras se entrenaba la
Red Neuronal.

Prueba de la Red Neuronal

En la figura 10 se muestra el parmetro simulando los datos de prueba y se grafica el
comportamiento del parmetro que se desea estimar con el descrito por el proceso. Al
compararlos visualmente se observa que la Red Neuronal tiene a seguir su variacin y en algunos
instantes lo logra igualar.
13

Figura 10.

14

Validacin de la Red Neuronal

Pi

: Valores predichos.

oi

: Valores observados.

: Nmero total de datos.

om

: Valor medio de las observaciones.

Resultados:

15

Conclusiones
La Red Neuronal despus de entrenarla fue capaz de estimar el parmetro deseado, tal como se
muestra en los resultados entregados por la prueba de la Red Neuronal y la validacin de la
misma.
El procedimiento para crear una Red Neuronal es bastante complejo y se requiere tener un buen
conocimiento sobre Redes Neuronales y MatLab, ya que la Red Neuronal requiere condiciones
muy particulares para poder representar el modelo fenomenolgico que se le quieres estimar el
parmetro.
Lograr encontrar una Red Neuronal que se pueda comportar de la misma forma que un proceso o
estimar un parmetro de un proceso tipo caja-gris es muy favorable cuando se quiere realizar
optimizacin o un adecuado control sobre el proceso.

16