Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing

Descripción del Articulo

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 proce...

Descripción completa

Detalles Bibliográficos
Autores: Paucar, V. Leonardo, Rider, Marcos J., Morelato, André L.
Formato: artículo
Fecha de Publicación:2001
Institución:Universidad Nacional de Ingeniería
Repositorio:UNI-Tesis
Lenguaje:español
OAI Identifier:oai:cybertesis.uni.edu.pe:20.500.14076/14414
Enlace del recurso:http://hdl.handle.net/20.500.14076/14414
https://doi.org/10.21754/tecnia.v11i1.531
Nivel de acceso:acceso abierto
Materia:Sistemas dinámicos
Redes neuronales
Método de retropropagación
id UUNI_11cd2106406ff12d4648d83189ec3368
oai_identifier_str oai:cybertesis.uni.edu.pe:20.500.14076/14414
network_acronym_str UUNI
network_name_str UNI-Tesis
repository_id_str 1534
dc.title.es.fl_str_mv Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing
title Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing
spellingShingle Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing
Paucar, V. Leonardo
Sistemas dinámicos
Redes neuronales
Método de retropropagación
title_short Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing
title_full Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing
title_fullStr Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing
title_full_unstemmed Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing
title_sort Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing
dc.creator.none.fl_str_mv Morelato, André L.
Rider, Marcos J.
Paucar, V. Leonardo
author Paucar, V. Leonardo
author_facet Paucar, V. Leonardo
Rider, Marcos J.
Morelato, André L.
author_role author
author2 Rider, Marcos J.
Morelato, André L.
author2_role author
author
dc.contributor.email.es.fl_str_mv Lpaucar@ieee.org
mjrider@ieee.org
morelato@dsee.fee.unicamp.br
dc.contributor.author.fl_str_mv Paucar, V. Leonardo
Rider, Marcos J.
Morelato, André L.
dc.subject.es.fl_str_mv Sistemas dinámicos
Redes neuronales
Método de retropropagación
topic Sistemas dinámicos
Redes neuronales
Método de retropropagación
description 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.
publishDate 2001
dc.date.accessioned.none.fl_str_mv 2018-10-10T19:02:49Z
dc.date.available.none.fl_str_mv 2018-10-10T19:02:49Z
dc.date.issued.fl_str_mv 2001-06-01
dc.type.es.fl_str_mv info:eu-repo/semantics/article
format article
dc.identifier.citation.es.fl_str_mv Paucar, V. Leonardo, Rider, M., & Morelato, A. (2001). Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing. TECNIA, 11(1). https://doi.org/10.21754/tecnia.v11i1.531
dc.identifier.issn.none.fl_str_mv 2309-0413
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.14076/14414
dc.identifier.journal.es.fl_str_mv TECNIA
dc.identifier.doi.es.fl_str_mv https://doi.org/10.21754/tecnia.v11i1.531
identifier_str_mv Paucar, V. Leonardo, Rider, M., & Morelato, A. (2001). Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing. TECNIA, 11(1). https://doi.org/10.21754/tecnia.v11i1.531
2309-0413
TECNIA
url http://hdl.handle.net/20.500.14076/14414
https://doi.org/10.21754/tecnia.v11i1.531
dc.language.iso.es.fl_str_mv spa
language spa
dc.relation.ispartofseries.none.fl_str_mv Volumen;11
Número;1
dc.relation.uri.es.fl_str_mv http://revistas.uni.edu.pe/index.php/tecnia/article/view/531
dc.rights.es.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.es.fl_str_mv application/pdf
dc.publisher.es.fl_str_mv Universidad Nacional de Ingeniería
dc.source.es.fl_str_mv Universidad Nacional de Ingeniería
Repositorio Institucional - UNI
dc.source.none.fl_str_mv reponame:UNI-Tesis
instname:Universidad Nacional de Ingeniería
instacron:UNI
instname_str Universidad Nacional de Ingeniería
instacron_str UNI
institution UNI
reponame_str UNI-Tesis
collection UNI-Tesis
bitstream.url.fl_str_mv http://cybertesis.uni.edu.pe/bitstream/20.500.14076/14414/3/TECNIA_Vol.11-n1-Art.6.pdf.txt
http://cybertesis.uni.edu.pe/bitstream/20.500.14076/14414/2/license.txt
http://cybertesis.uni.edu.pe/bitstream/20.500.14076/14414/1/TECNIA_Vol.11-n1-Art.6.pdf
bitstream.checksum.fl_str_mv 2c6eb67c8897d916ae47524b1a844d3f
8a4605be74aa9ea9d79846c1fba20a33
6e4d57989077f7762d5b6db8f5788081
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional - UNI
repository.mail.fl_str_mv repositorio@uni.edu.pe
_version_ 1840085584344776704
spelling Paucar, V. LeonardoRider, Marcos J.Morelato, André L.Lpaucar@ieee.orgmjrider@ieee.orgmorelato@dsee.fee.unicamp.brMorelato, André L.Rider, Marcos J.Paucar, V. Leonardo2018-10-10T19:02:49Z2018-10-10T19:02:49Z2001-06-01Paucar, V. Leonardo, Rider, M., & Morelato, A. (2001). Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing. TECNIA, 11(1). https://doi.org/10.21754/tecnia.v11i1.5312309-0413http://hdl.handle.net/20.500.14076/14414TECNIAhttps://doi.org/10.21754/tecnia.v11i1.531En 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.In this paper it is presented the description and application results of an algorithm for simulation and identification of non-linear dynamic systems using artificial neural networks (ANN) trained with the method of error back-propagation with teacher forcing (BPTF). There have been analyzed several configurations of neural nets of two layers, one hidden and the other one in the output. The proposed artificial neural networks have been applied to simulation and identification of double pendulum nonlinear dynamic system and to the third-order model of the induction motor. Results obtained from those applications indicate that artificial neural networks using BPTF constitute a very useful method for non-linear dynamic systems simulation and identification, at least for the first steps after the trainingSubmitted by Quispe Rabanal Flavio (flaviofime@hotmail.com) on 2018-10-10T19:02:49Z No. of bitstreams: 1 TECNIA_Vol.11-n1-Art.6.pdf: 9666814 bytes, checksum: 6e4d57989077f7762d5b6db8f5788081 (MD5)Made available in DSpace on 2018-10-10T19:02:49Z (GMT). No. of bitstreams: 1 TECNIA_Vol.11-n1-Art.6.pdf: 9666814 bytes, checksum: 6e4d57989077f7762d5b6db8f5788081 (MD5) Previous issue date: 2001-06-01Revisión por paresapplication/pdfspaUniversidad Nacional de IngenieríaVolumen;11Número;1http://revistas.uni.edu.pe/index.php/tecnia/article/view/531info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Universidad Nacional de IngenieríaRepositorio Institucional - UNIreponame:UNI-Tesisinstname:Universidad Nacional de Ingenieríainstacron:UNISistemas dinámicosRedes neuronalesMétodo de retropropagaciónSimulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcinginfo:eu-repo/semantics/articleTEXTTECNIA_Vol.11-n1-Art.6.pdf.txtTECNIA_Vol.11-n1-Art.6.pdf.txtExtracted texttext/plain10http://cybertesis.uni.edu.pe/bitstream/20.500.14076/14414/3/TECNIA_Vol.11-n1-Art.6.pdf.txt2c6eb67c8897d916ae47524b1a844d3fMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://cybertesis.uni.edu.pe/bitstream/20.500.14076/14414/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALTECNIA_Vol.11-n1-Art.6.pdfTECNIA_Vol.11-n1-Art.6.pdfapplication/pdf9666814http://cybertesis.uni.edu.pe/bitstream/20.500.14076/14414/1/TECNIA_Vol.11-n1-Art.6.pdf6e4d57989077f7762d5b6db8f5788081MD5120.500.14076/14414oai:cybertesis.uni.edu.pe:20.500.14076/144142022-05-18 18:05:09.794Repositorio Institucional - UNIrepositorio@uni.edu.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
score 13.955691
Simulación e identificación de sistemas dinámicos mediante redes neuronales entrenadas con el método de retropagación de Errores y Teacher Forcing
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares