Identificación no lineal del péndulo invertido sobre carro móvil
Esta investigación concierne con la aplicación de diferentes tipos de redes neuronales artificiales (RNAs) para la identificación del modelo no lineal de un péndulo invertido simple sobre un carro móvil (PISC). Se muestra que una red neuronal polinomial es más eficiente en cuestiones de aproximación...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2013 |
| País: | México |
| Institución: | Universidad Autónoma de Querétaro |
| Repositorio: | Repositorio Institucional de la Universidad Autónoma de Querétaro |
| OAI Identifier: | oai:ri-ng.uaq.mx:123456789/337 |
| Acceso en línea: | http://ri-ng.uaq.mx/handle/123456789/337 |
| Access Level: | acceso abierto |
| Palabra clave: | Identificación Artificial neural network Identification Nonlinear system Red neuronal artificial Sistema no lineal INGENIERÍA Y TECNOLOGÍA |
| Sumario: | Esta investigación concierne con la aplicación de diferentes tipos de redes neuronales artificiales (RNAs) para la identificación del modelo no lineal de un péndulo invertido simple sobre un carro móvil (PISC). Se muestra que una red neuronal polinomial es más eficiente en cuestiones de aproximación que una red neuronal prealimentada con estructura de perceptrón multicapa (MLP). Para soportar la afirmación anterior se identificó el modelo no lineal del PISC tanto en simulación como en un prototipo de laboratorio. Las redes que se utilizaron en este trabajo fueron: una red no lineal autoregresiva con entrada externa (NARX) prealimentada con estructura de MLP y con algoritmo de retropropagación (BP) para la actualización de pesos, una red con polinomio de Volterra como función base (VPBF) y una red con polinomio de Chebyshev como función base (CBF). Se desarrolló un algoritmo compacto para implementar una red neuronal en el cuál se puede utilizar cualquier polinomio como función base sin necesidad de adecuar, adaptar o crear un algoritmo específico para cada uno. Los tres tipos de red neuronal se entrenaron durante 60 segundos utilizando el error entre la salida del modelo y la salida estimada por la red. Las redes se validaron fijando los pesos finales del entrenamiento y aplicándose a otros 15 segundos de datos diferentes a los de entrenamiento. Las redes polinomiales mostraron un mejor desempeño en comparación con la red multicapa prealimentada, tanto con los datos de simulación como con los datos del prototipo experimental. Mediante los resultados de un diseño experimental se muestra el desempeño superior de las redes neuronales polinomiales. |
|---|