Simulación e identificación de Sistemas Dinámicos mediante Redes Neuronales entrenadas con el Método de Retropropagación de Errores y Teacher Forcing
DOI:
https://doi.org/10.21754/tecnia.v11i1.531Resumen
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
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
Cómo citar
Número
Sección
Licencia
Derechos de autor 2001 TECNIA
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los artículos publicados por TECNIA pueden ser compartidos a través de la licencia pública internacional Creative Commons: CC BY 4.0. Permisos lejos de este alcance pueden ser consultados a través del correo tecnia@uni.edu.pe