Investigación

 

Identificador con comparación entre dos estimadores

 

J.J. Medel Juárezª, J.C. García Infante^b y R. Urbieta Parrazales^c

 

^c Centro de Investigación en Computación, Calle Venus S/N, Col. Nueva Industrial Vallejo, 07738, e-mail: jjmedelj@yahoo.com.mx

^bEscuela Profesional de Ingeniería Mecánica y Eléctrica, Av. Santa Ana No. 1000, Col. San Francisco Culhuacán, México D.F. México, e-mail: jcnet21@yahoo.com

 

Recibido el 8 de marzo de 2011;
aceptado el 10 de agosto de 2011

 

Resumen

En este artículo se hace una descripción del proceso de identificación considerado como un filtro digital adaptivo en el que es necesario contar con: la función de transición estimada, el error de identificación y la función de ganancia. Lo que genera un problema con respecto a la evolución del sistema de referencia por el tiempo de procesamiento del filtrado al requerir cumplir con sus operaciones dentro del mismo intervalo de tiempo. En términos generales, la calidad de su respuesta se ve afectada por el parámetro usado en la función de transición estimada al intervenir este de manera indirecta en las demás operaciones del filtrado. Esto dio origen a probar dos estimadores, el primero expresado de manera recursiva y el segundo seleccionando la ganancia dentro de una base de conocimiento de acuerdo con la lógica difusa. Los resultados muestran que ambos estimadores dentro del identificador cuentan con buena convergencia con diferencias de error mínimas que permiten su aproximación a las condiciones estocásticas del modelo en el tiempo para k muestreos, utilizando al MatLab^® como software de simulación.

Descriptores: Modelación y simulación computacional; algoritmos para la aproximación de funcionales; procesos estocásticos; lógica difusa; inteligencia artificial.

 

Abstract

This paper describes the identification process as an adaptive digital filter using the estimated transition matrix, identification error and gain functions. Óne problem that the filter has is the time process, affecting the quality response and agreeing with the estimated transition function, which is a condition to be accomplished with respect to the reference time evolution system. Thus, the time process required must be met in all operations within the same time interval. Generally, the identifier filter answer is affected by the parameter used in the estimated transition function indirectly used in the other filter operations. In this case, seeking a better time estimation response two estimators were considered: the first expressed in a recursive form and the second, selected within the knowledge base gain used in accordance to fuzzy logic. The results show the convergence observed in the error differences and their approximations to the stochastic time model conditions with k samples, using, MatLab^® as a simulation software.

Keywords: Computer modeling and simulation; algorithms for functional approximation; stochastic processes; fuzzy logic; artificial intelligence.

 

PACS: 07.05Tp; 02.60 Gf; 02.50.Ey; 07.05.Mh

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

Referencias

1. J. Abonyi, Fuzzy Model Identification for Control (Birkhauser Boston 2003) pp. 1-16.         [ Links ]

2. J. C. Bertein y R. Cesch, Discrete Stochastic Processes and Optimal Filtering (Great Britain and the United States in 2007 by ISTE 2007) USA, pp. 218-222.         [ Links ]

3. N. Boccara, Modeling Complex Systems (Springer-Verlag, 2004).         [ Links ]

4. G. H. Dehling, T. Gottschalk y A. C. Hoffmann, Stochastic Modeling in Process Technology (Elsevier 2007) p. 2.         [ Links ]

5. J. R. Elliott, J. B. Moore y L. Aggoun, Hidden Markov Models: Estimation and Control (Springer 2008) pp. 74-75.         [ Links ]

6. J. C. García, J. Medel y P. Guevara, WSEAS Transactions on Systems and Control p. 133 (2008) Canada.         [ Links ]

7. M. Gerdin, Identification and Estimation for Models Described by Differential-Algebraic Equations (LiU-Tryck 2006) Sweden, pp. 12-13.         [ Links ]

8. S. Haykin, Adaptive Filtering (Prentice Hall, U.S.A. 2001)        [ Links ]

9. G. Hendeby, Fundamental Estimation and Detection Limits in Linear Non-Gaussian Systems (LiU-Tryck 2005) Sweden, pp. 29-30.         [ Links ]

10. J. J. Medel, J. C. García y P. Guevara, Automatic Control and Computer Sciences AVT 42 (2008) 26-34, Rusia.         [ Links ]

11 . J. F. Rojas, M. A. Morales, A. Rangel y I. Torres, Rev. Mex. Fis. 55 (2009) 1.         [ Links ]

12. I. Sánchez, Filtrado Adaptivo para Sistemas AR de 1er Orden, Tesis, (Centro de Investigation en Computation 2011) pp. 5559.         [ Links ]

13. T. Takagi, y M. Sugeno, IEEE Transaction and Systems, man, and cybernetics 15 (1986) 116-132.         [ Links ]

14. P. P. Vaidyanathan, The Theory of Linear Prediction, Autoregressive Modeling (Morgan & Claypool publishers 2008) p. 5.         [ Links ]

15. L. Zadeh, Fuzzy Sets, Information and control 8 (1965) 338-353.         [ Links ]