Simulación e identificación de Sistemas Dinámicos mediante Redes Neuronales entrenadas con el Método de Retropropagación de Errores y Teacher Forcing

Autores/as

  • V. Leonardo Paucar Facultad de Ingeniería Eléctrica y Electrónica, Universidad Nacional de Ingeniería, Lima Perú
  • Marcos J. Rider Departamento de Ingeniería Eléctrica, Universidade Federal do Maranhão, Brasil
  • André L. Morelato Departamento de Sistemas de Energía Eléctrica, Universidade Estadual de Campinas , Brasil

DOI:

https://doi.org/10.21754/tecnia.v11i1.531

Resumen

En el presente artículo se presenta la descripción y resultados de la aplicación del algoritmo para la simulación e identificación de sistemas dinámicos no lineales mediante redes neuronales artificiales (RNA) entrenadas con el método de retropropagación de errores (BP back-propagation) y el procedimiento teacher forcing (BPTF). Fueron analizadas varias configuraciones de redes neuronales de dos camadas de neuronas, una escondida y la otra de salida. Las redes neuronales propuestas han sido aplicadas a dos sistemas de prueba, el sistema dinámico del péndulo doble y el motor de inducción de tercer orden. Los resultados obtenidos permiten estimar que las redes neuronales que adoptan BPTF son bastante útiles para la simulación e identificación de sistemas dinámicos no lineales, principalmente durante los primeros pasos de tiempo posteriores a los períodos con los cuales fueron entrenadas las redes neuronales en estudio.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1] Chu S.R., Shoureshi R. and Tenório M., "Neural Networks for System Identification". IEEE Control Systems Magazine. pp. 31-35, April 1990.

[2] Fausett L, "Fundamental of Neural Networks. Architectures, Algorithms and Applications",

Prentice-Hall, 1994.

[3] Haykin S.. "Neural Networks: a comprehensive foundation, 2nd.ed., Prentice Hall, 1998.

[4] Hertz J.A., Krogh A. and Palmer R.G., "Introduction to the Theory of Neural Computation", Addison-Wesley Pub. Co., USA, 1991.

[5] Narendra K.S. and Parthasarathy K., Identification and Control of Dynamical Systems Using Neural Networks, IEEE Transactions on Neural Networks, Vol. 1, No.1, pp. 4-27. March 1990.

[6] Pearlmutter B.A.. "Dynamic Recurrent Neural Networks", Carnegie Mellon University, USA,

[7] El-Sharkawi M. and Niebur D.. "Artificial Neural Networks with Applications to Power

Systems", IEEE PES special publication 96 TP 112-0, 1996.

[8] Bostanci M., Koplowitz J. and Taylor C.W., "Identification of Power System Load Dynamics Using Artificial Neural Networks", IEEE Transactions on Power Systems, Vol. 12. No.4, pp.1468-1473, Nov. 1997.

[9] Lesieutre B.C., Sauer P.W. and Pai M.A., "Development and Comparative Study of Induction Machine Based Dynamic P.Q. Load Models", IEEE Transactions on Power Systems, Vol.10, No. 1, pp. 182-191. Feb. 1995.

[10] Page G.F., Gomm J.B. and Williams D.. "Application of Neural Networks to Modeling and Control", London: Chapman and Hall Limited, UK, 1993.

[11] Kröse, B.J.A., van der Smagt, P.P. "An Introduction to Neural Networks". Department of Computer Systems, University of Amsterdam, 1993.

[12] Von Zuben F.J. "Redes Neurais Aplicadas ao Controle de Máquina de Indução". Tesis de Maestría. Facultad de Ingeniería Eléctrica y Computación, Campinas-SP, Brasil, Oct. 1993.

[13] Rumelhart D.E. and McClelland J.L.., eds. Parallel Distributed Processing: Explorations in the Microstructure of Cognition", Vol.1. Cambridge, MA: MIT Press, 1986.

Descargas

Publicado

2001-06-01

Cómo citar

[1]
V. Leonardo Paucar, M. J. Rider, y A. L. Morelato, «Simulación e identificación de Sistemas Dinámicos mediante Redes Neuronales entrenadas con el Método de Retropropagación de Errores y Teacher Forcing», TECNIA, vol. 11, n.º 1, jun. 2001.

Número

Sección

Artículos