SciELO - Scientific Electronic Library Online

 
vol.7 número2Utilización de NDT y de las Técnicas de Satisfacción de Restricciones para la Generación de Itinerarios CulturalesUn Algoritmo Genético de Identificación para la Familia del Sistema de Duffing índice de autoresíndice de assuntospesquisa de artigos
Home Pagelista alfabética de periódicos  

Serviços Personalizados

Journal

Artigo

Indicadores

Links relacionados

  • Não possue artigos similaresSimilares em SciELO

Compartilhar


Computación y Sistemas

versão On-line ISSN 2007-9737versão impressa ISSN 1405-5546

Comp. y Sist. vol.7 no.2 Ciudad de México Out./Dez. 2003

 

Artículo

 

Patrones de Sistemas de Primero y Segundo Orden, en un Ambiente de Instrumentación Virtual

 

Patterns of First and Second Order Systems in Virtual Instrumentation Environment

 

Luis Pastor Sánchez Fernández

 

Centro de Investigación en Computación del IPN Av. Juan de Dios Bátiz esquina con M. Othón de Mendizábal Unidad Profesional Adolfo López Mateos. México, D.F. 07738, México. E–mail: lsanchez@cic.ipn.mx

 

Resumen

En el artículo se analizan los patrones para reconocer modelos dinámicos de sistemas de primero y segundo orden mediante una red neuronal (RN) backpropagation. La RN de tres capas, tiene 30 neuronas de entrada, 11 en la capa oculta y 4 neuronas de salida. Se utiliza un almacenador circular para guardar los n últimos valores adquiridos de cada variable. Antes de ejecutar la RN, los datos almacenados son filtrados digitalmente. Posteriormente se realiza una conversión de la frecuencia de muestreo para obtener 30 puntos. La salida de la RN indicará el modelo más apropiado. El software es desarrollado utilizando el Lab VIEW y DLL escritas en DELPHI y C.

Palabras clave: virtual, neuronales, patrones, predicción, supervisión.

 

Abstract

This paper presents the analysis of patterns which allow to recognize dynamic models of first and second order systems by means of a backpropagation neuronal network. The neuronal network is of three layers. The input layer has 30 neurons, the hidden layer has 11 neurons and the exit layer has 4 neurons. A circular buffer is used to store the n last acquired values from each variable. The stored data are filtered digitally before executing the neuronal network. The conversion of the sampling frequency does possible to obtain 30 points. The exit of the neuronal network will indicate the most appropriate model. Software is developed using Lab VIEW and DLL written in DELPHI and C.

Keywords virtual, neuronal network, patterns, prediction, supervision.

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

Referencias

1. National Instruments, Lab VIEW, a graphical programming language to create applications, version 6.1, USA, 2002. www.ni.com/labview.        [ Links ]

2. K. Ogata, Ingeniería de control moderna, D.F. México, Prentice Hall, 1998.        [ Links ]

3. T. Södertröm, & P. Stoica, System identification, Englewood Cliffs, New Jersey, USA, Prentice–Hall, 1989.        [ Links ]

4. T.F. Edgar & D.M. Himmelblau, Optimization of chemical processes, New York, USA, MacGraw–Hill, 1988.        [ Links ]

5. D. M. Himmelblau, Applied nonlinear programming, New York, USA, MacGraw–Hill, 1972.        [ Links ]

6. A.V,. Oppenheim & A. Willsky, Señales y sistemas, D.F., México, Prentice–Hall Hispanoamericana, 1998.        [ Links ]

7. A.V Oppenheim, R. W. Schafer y J.R Buck, Tratamiento de señales en tiempo discreto, 2ª. edición Prentice–Hall, Inc.,Madrid, España, 2000, pp. 873.        [ Links ]

8. Borland Software Corporation, Borland Delphi version 4, 1998, Calif. USA. www.borland.com.         [ Links ]

Creative Commons License Todo o conteúdo deste periódico, exceto onde está identificado, está licenciado sob uma Licença Creative Commons