Tesis Doctorado Mario

TECNOLOGICO NACIONAL DE MEXICO
INSTITUTO TECNOLOGICO DE CELAYA

DEPARTAMENTO DE INGENIERA QUMICA
"MODELOS DE REFERENCIA ACOPLADOS CON

FILTRO KALMAN PARA LA MANIPULACIN DE
SISTEMAS CON RESPUESTA COMPLEJA"
POR
MARIO CALDERN RAMREZ
TESIS PRESENTADA AL DEPARTAMENTO DE

INGENIERA QUMICA COMO REQUISITO PARCIAL
PARA OBTENER EL GRADO DE:
DOCTOR EN CIENCIAS
EN INGENIERIA QUIMICA
DIRECTOR DE TESIS:
Dr. RAMIRO RICO MARTINEZ
CELAYA, GTO., FEBRERO DE 2015
Dedico esta Tesis a mi esposa Rubria

y a mis hijas Naia Natalia (Chopo)
e Irina Natasha (Irinuchis).
Agradezco a:
Dr. Ramiro Rico Martnez por todo el apoyo que me brind en la consecucin de esta tesis,
fue un gua tanto en lo acadmico como en lo personal, me proporcion todo lo que
necesit y sus consejos de vida, son el regalo ms grande con el que me quedo, gracias por
las comidas tan ricas, los congresos tan enriquecedores, el total apoyo en las estancias, el
dejarme trabajar a mi ritmo y gracias por ser mi asesor y un gran amigo mo y de mi
familia.
Dr. Punit Parmananda por recibirme en la India, un viaje espiritual que fue una
transformacin de vida, entend lo que es la pasin por la ciencia y que la investigacin es
algo que se hace por conviccin, adems gracias por las correcciones que me ha enseado
que ser meticuloso es parte del xito.
Dr. Jos Francisco Louvier por permitirme hacer mis experimentos en el laboratorio de
biopolmeros, por convivir con su equipo de trabajo y hacerme sentir parte en el
laboratorio.
Dra. Elizeth Ramrez por el apoyo en la parte experimental, por ser una amiga que siempre
me orient y por los momentos tan agradables que compart con ella y su esposo Cristian.
Dr. Hugo Jimnez Islas por sus consejos, su gua, sus enseanzas y la confianza para
hablar de ciencia.
Profesores del Posgrado de Qumica: Vicente Rico, Guillermo Alatorre, Fernando
Tiscareo, Arturo Jimnez, Alejandro Estrada, Richard Vzquez, gracias por todas sus
enseanzas, me permitieron ver a la Ingeniera Qumica de una forma ms integral y me
han mostrado el compromiso con el estudio.
Compaeros de Celaya: Abraham, Hctor, Norha, Cristian, Capo, Majo, Julio Cesar, Juan
Manuel, Daly, Matilde, Braulio, Elizabeth y los dems que no puedo mencionar por falta
de espacio, por acompaarme en mi travesa, los momentos de risa y de estudio, as como
las plticas y las cervezas caceras y el Dr. Carlos Figueredo por ser tan alegre y optimista,
que me permite ver que tambin los doctores pueden disfrutar su vida.
Compaeros en India: Tanu, Dinesh, Sonali, Jorge, Dr. Marco, por acompaarme en mi
viaje espiritual, los consejos, artculos, apoyos con el latex y gracias por mostrarme que
con experimentos simples de bajo presupuesto se puede publicar artculos de ciencia
relevantes.
Conocidos en el ICTP en Italia: Cicutin, Liz, Cristian, Carolina, Deepak, Aron y el Dr.
Tinsley por sus comentarios de mi trabajo y la convivencia tan agradable en Europa.
Conocidos en el ICTP en Costa Rica: Juan, Eduardo, Nahm, Woo, Arturo, Harold por
mostrarme que mi trabajo realizado en esta tesis tiene trascendencia en otras reas y mi
compaero de Licenciatura Jos Snchez por recibirme en Chicago y saber que hay
amistades que siguen an con los aos.
RESUMEN
El control tiene como objetivo lograr que un sistema sea inducido a un estado particular.
Algunos sistemas excitables pueden presentar dinmicas complejas debido a la presencia de
ruido en su dinmica. En este trabajo se aplic una metodologa que acopla la habilidad de
capturar las caractersticas no lineales de un sistema que tiene una Red Neuronal Artificial
(RNA) con un corrector lineal, denominado Filtro de Kalman (FK), como observador de los
errores generados por el modelo. Acoplando estas dos arquitecturas se forma un modelo de
referencia capaz de predecir comportamientos complejos que permiten adaptarse a
perturbaciones generadas en la dinmica del sistema.
Se utiliz la amplitud de ruido como parmetro de control, primero en un sistema dinmico
terico de dinmica excitable, FitzHugh Nagumo (FNH), a este comportamiento se le
aadi el efecto de una seal subumbral externa peridica, aperidica y constante. El
comportamiento de la dinmica muestra una Resonancia Estocstica Peridica (REP),
Resonancia Estocstica Aperidica (REA) y Resonancia Coherente (CR) como resultado de
esta seal. Se realiz un seguimiento de las curvas de correlacin para la REP y la REA
para alcanzar el valor de mxima fidelidad entre seales. En el caso de la RC se hizo el
seguimiento en la curva de la Varianza Normalizada (VN) para llegar al valor mnimo que
ndica mxima regularidad.
Esta metodologa se verific para un sistema electroqumico para inducir un estado de
regularidad mximo en base a la variacin de la amplitud del ruido. Se aplic para un
sistema terico y posteriormente a un sistema experimental. Los resultados mostraron que
la arquitectura RNA-FK como modelo de referencia, acoplado a un controlador
Proporcional Integral (PI) clsico permite la induccin de coherencia con una ventana corta
de informacin de la serie de tiempo para predecir un estado complejo estadstico.
Se prev que para sistemas ms detallados se requerir el uso de un modelo de dinmica
continuo que tenga todas las bondades de identificacin que tiene el RNA-FK y por lo tanto
se propuso un RNA-FK Continuo que permita la correccin de errores en lnea usando una
RNA entrenada fuera de lnea.
Dirigida por: Ramiro Rico Martnez.
I
ABSTRACT
Controllers are designed to induce a particular state in a system. Some excitable systems
may exhibit complex dynamics due to the presence of noise in their dynamics. In this paper
a methodology that uses the ability to capture the nonlinear characteristics of a system via
an Artificial Neural Network (ANN) coupled with a linear corrector, called Kalman Filter
(FK) that takes into account the observer errors was applied. Combining these two elements
as a reference model can predict complex behaviors that can be adapted to disturbances
generated in the system dynamics. Noise amplitude was used as a control parameter in a
theoretical excitable system dynamics, Fitz Hugh Nagumo (FNH), to this behavior, it was
added the effect of a periodic, aperiodic and subthreshold constant external signal. The
dynamical behavior displays Stochastic Periodic Resonance (SPR) Stochastic Aperiodic
Resonance (SAR) and Coherent resonance (CR) as a result of this signal. Tracking
correlation curves for the SPR and the SAR for achieving high fidelity value between
signals was performed. In the case of the CR track was made in the curve of Normalized
Variance (NV) to reach the minimum value indicating maximum regularity.
This technique was verified for an electrochemical system to inducing a state of maximum
regularity based on the variation of the noise amplitude. The strategy was applied to a
theoretical system and then to an experimental one. The results showed that the ANN-KF
architecture as reference model, coupled with a classical Proportional Integral (PI)
controller allows to induce regularity with a short window of time series information to
predict statistical complex states.
It is expected that for more detailed systems using a continuous dynamic model that has all
the benefits of system identification that has RNA-FK will be required and therefore
proposed an ANN-FK Continuous reference model, which allows error correction online
using an ANN trained offline.
II
Tabla de contenido
RESUMEN .....................................................................................................................I
ABSTRACT .................................................................................................................. II
LISTA DE FIGURAS ................................................................................................... V
CAPITULO I ..................................................................................................................... 1
Introduccin ................................................................................................................... 1
Planteamiento del problema ........................................................................................ 6
Justificacin................................................................................................................ 7
Hiptesis .................................................................................................................... 8
Objetivos .................................................................................................................... 8
Organizacin de la Tesis ............................................................................................. 9
CAPITULO II .................................................................................................................. 10
Antecedentes ................................................................................................................ 10
Sistemas Dinmicos no lineales ................................................................................ 10
Herramientas de Anlisis de Sistemas dinmicos ...................................................... 11
Teora de Bifurcaciones en SD.................................................................................. 15
Redes neuronales artificiales ..................................................................................... 17
Mtodos de Aprendizaje de las RNA ........................................................................ 19
Filtro de Kalman neuronal ........................................................................................ 19
Conceptos de clculo estocstico .............................................................................. 21
Anlisis de Datos ...................................................................................................... 26
CAPITULO III ................................................................................................................. 32
Metodologa ................................................................................................................. 32
Sistema Terico ........................................................................................................ 32
Control RNA-FK (Neuronal Asistido) ...................................................................... 37
III
Sistema Experimental ............................................................................................... 40

Control RNA-FK Continuo ....................................................................................... 42
CAPITULO IV ................................................................................................................. 46
Resultados .................................................................................................................... 46
Control sin seal subumbral ...................................................................................... 46
Control con seal subumbral ..................................................................................... 48
Control del Sistema Experimental. ............................................................................ 56
Caso de Estudio RNA-FK continuo .......................................................................... 60
CAPITULO V .................................................................................................................. 63
CONCLUSIONES........................................................................................................ 63
Bibliografa ...................................................................................................................... 65
ANEXOS ......................................................................................................................... 72
ANEXO A: MTODOS DE ENTRENAMIENTO DE REDES .................................... 72
Gradiente Conjugado ................................................................................................ 72
Levenberg-Marquardt ............................................................................................... 74
ANEXO B: PREPARACION DE EXPERIMENTO ..................................................... 76
IV
LISTA DE FIGURAS
FIGURA 2.1 FRAGMENTO DE UN PLANO FASE QUE INDICA DIFERENTES PUNTOS (A,B,C,D) DE
COMPORTAMIENTO GENERAL DE UNA DINMICA (STROGATZ, 2000). ............................................
13
FIGURA 2.2 ESQUEMA DE ACTIVACIN DE LAS NEURONAS PARA PRODUCIR LA SALIDA. ........................... 18
FIGURA 2.3 RNA DE ALIMENTACIN HACIA ADELANTE, 1 CAPA OCULTA DE N NEURONAS, CON N NEURONAS
EN LA ENTRADA Y 1 EN LA DE SALIDA ........................................................................................
18
FIGURA 2.4 DIAGRAMA DE LA ARQUITECTURA RNA-FK ...................................................................... 20

FIGURA 2.5 A) SEAL SUBUMBRAL SINUSOIDAL MS UNA SEAL DE RUIDO QUE CRUZA UN UMBRAL, B)
CRUCE DE LA SEAL SUBUMBRAL MARCADA COMO UNA SECUENCIA DE PULSOS. ........................... 27
FIGURA 3.1 SISTEMA FHN CON A>1 (A=1.25) EN LA PRESENCIA DE DINMICA DE PUNTO FIJO, IZQUIERDA
PLANO FASE Y A LA DERECHA LA SERIE DE TIEMPO. ....................................................................
34
FIGURA 3.2SISTEMA FHN CON A<1 (A=0.8) CON LA PRESENCIA DE OSCILACIONES DE PERIODO-1, A LA
IZQUIERDA SE PRESENTA EL PLANO FASE Y LA DERECHA LA SERIE DE TIEMPO................................
34
FIGURA 3.3 PRESENCIA DE UN PUNTO FIJO EN V<20.097 DEL MODELO ELECTROQUMICO, IZQUIERDA EL
PLANO FASE Y DERECHA LA SERIE DE TIEMPO. ...........................................................................
36
FIGURA 3.4 PRESENCIA DE UN ORBITA EN 20.097 V 29.235QUE MUESTRA LA BIFURCACIN

HOMOCLNICA, IZQUIERDA EL PLANO FASE Y DERECHA LA SERIE DE TIEMPO. ..................................
37
FIGURA 3.5 DESAPARICIN DE LAS RBITAS HOMOCLNICAS EN EL CICLO LMITE V>29.235 QUE DA COMO
RESULTADO UN ESTADO ESTACIONARIO, IZQUIERDA EL PLANO FASE Y DERECHA LA SERIE DE TIEMPO.
............................................................................................................................................ 37
FIGURA 3.6 DIAGRAMA DEL CONTROL DE OPTIMIZACIN ESTOCSTICA RETROALIMENTADO USANDO MODELO
DE REFERENCIA. ....................................................................................................................
39
FIGURA 3.7 ESQUEMA DEL SISTEMA ELECTROQUMICO USADO EN EL EXPERIMENTO. .............................. 40
FIGURA 4.1 VARIANZA NORMALIZADA DEL SISTEMA FHN (IZQUIERDA) Y EL ELECTROQUMICO (DERECHA) 46
FIGURA 4.2 ESPECTRO DE POTENCIAS CALCULADOS PARA EL SISTEMA FHN (IZQUIERDA) Y EL
ELECTROQUMICO (DERECHA). ................................................................................................ 47
FIGURA 4.3 SEGUIMIENTO DEL CONTROL APLICADO CON DIFERENTES AMPLITUDES DE RUIDO INICIALES
PARA EL SISTEMA
FHN (IZQUIERDA) Y EL ELECTROQUMICO (DERECHA). ..................................... 48
FIGURA 4.4 VARIANZA NORMALIZADA DEL MODELO FHN CON DIFERENTES FRECUENCIAS DE UNA SEAL
SUBUMBRAL PERIDICA.
......................................................................................................... 49
FIGURA 4.5 CLCULOS NUMRICOS DE LA SERIE DE TIEMPO QUE ES INDUCIDO POR UNA SEAL PERIDICA
EN EL MODELO FHN, A) BAJO, B) MEDIO, C) ALTA AMPLITUD DE RUIDO. EL PANEL D) MUESTRA LA
CORRELACIN CRUZADA Y LA
VN EN LA MISMA GRFICA Y EL ESPECTRO DE PODER (E, F, G) DE SUS
RESPECTIVAS SERIES DE TIEMPO. ............................................................................................
50
FIGURA 4.6 SEGUIMIENTO DE LA CURVA DE REP, DONDE EL PANEL IZQUIERDO INICIA CON VALORES
INICIALES BAJOS Y EL DERECHO EN ALTO DE RUIDO IMPUESTO, EN LOS PANELES SUPERIORES EST LA
RELACIN CORRELACIN CONTRA LA AMPLITUD DE RUIDO Y EN EL INFERIOR EL SEGUIMIENTO DE LA
AMPLITUD DE RUIDO EN CADA CONTROL DE PASO. ......................................................................
51
FIGURA 4.7 SERIES DE TIEMPO DE UNA SEAL SUBUMBRAL APERIDICA DEL MODELO FHN PARA
AMPLITUDES A) BAJO, B) MEDIO Y C) ALTO. EL PANEL D) ES LA CORRELACIN CRUZADA..................
52
FIGURA 4.8 EN ESTA FIGURA SE MUESTRA EL CAMINO DE SEGUIMIENTO PARA LA CORRELACIN EN LA

CURVA DE
RESONANCIA ESTOCSTICA APERIDICA, EL PANEL IZQUIERDO CORRESPONDE A UN NIVEL
BAJO DE RUIDO COMO VALOR INICIAL Y EL DERECHO A UN NIVEL ALTO EN LA AMPLITUD DE RUIDO, LOS
PANELES SUPERIORES MUESTRAN EL SEGUIMIENTO Y LA CONVERGENCIA AL PUNTO DE RESONANCIA Y
LOS INFERIORES LA CONVERGENCIA AL VALOR PTIMO DE RUIDO.................................................
53
FIGURA 4.9 SERIES DE TIEMPO DEL SISTEMA INDUCIDO POR RUIDO FHN DONDE SE TIENE BAJO A)
INTERMEDIO B) Y ALTO C) NIVEL DE RUIDO, LA GRFICA D) MUESTRA EL COMPORTAMIENTO DE LA VN,
Y ( E, F, G) SUS RESPECTIVOS ESPECTROS DE POTENCIA. ............................................................
54
FIGURA 4.10 SEGUIMIENTO DE LA VARIANZA NORMALIZADA EN LA CURVA DE RESONANCIA ESTOCSTICA,

EN LA IZQUIERDA CORRESPONDE A VALORE INICIALES BAJOS DE RUIDO SOBREIMPUESTO, Y EN LA
DERECHA CORRESPONDE A VALORES INICIALES ALTOS. LOS PANELES SUPERIORES SE MUESTRAN EL
SEGUIMIENTO Y LA EVENTUAL CONVERGENCIA AL PUNTO DE MNIMA
RESONANCIA COHERENTE, Y LOS
PANELES INFERIORES CORRESPONDEN A LA CONVERGENCIA DEL VALOR DEL RUIDO IMPUESTO. ......
55
FIGURA 4.11 BIFURCACIN EXPERIMENTAL DEL SISTEMA H2SO4 FE, EN LA IZQUIERDA EL VOLTAJE FUE
VARIANDO DE MENOR A MAYOR, Y EN LA DERECHA DE MAYOR A MENOR. .......................................
56
FIGURA 4.12 FRECUENCIA EN LAS OSCILACIONES DE LOS VOLTAJES FIJOS 260 MV, 255MV, 250 MV Y 245
MV MOSTRADOS EN LA IZQUIERDA DE ARRIBA HACIA ABAJO ( PANEL IZQUIERDO). INCREMENTO DE LA
DISTANCIA ENTRE PICOS CONTRA VOLTAJE ANDICO ( PANEL DERECHO ). ......................................
57
FIGURA 4.13 MAPA DE DISTANCIAS ENTRE PICOS NORMALIZADO DE LA SEAL RUIDOSA A DIFERENTES
AMPLITUDES DE RUIDO. ...........................................................................................................
58
FIGURA 4.14 GRAFICA DE LA VARIANZA NORMALIZADA EXPERIMENTAL ................................................. 59

FIGURA 4.15 SEGUIMIENTO DE LA VN HACIA LA AMPLITUD DE RUIDO DE MAYOR REGULARIDAD (PANEL
IZQUIERDO), SEGUIMIENTO DE LA AMPLITUD DE RUIDO POR CADA ETAPA DE CONTROL (PANEL
DERECHO ). ............................................................................................................................
60
FIGURA 4.16 REPRESENTACIN ESQUEMTICA DE RNA ACOPLADA A UN RUNGE-KUTTA DE 4 ORDEN PARA

DESCRIBIR SISTEMAS DINMICOS.
............................................................................................ 61
FIGURA 4.17 TRAYECTORIAS DE LA RNA, UN MODELO EXPERIMENTAL Y EL MODELO DE REFERENCIA RNAFK. ...................................................................................................................................... 62
VI
CAPITULO I
Introduccin
Las reacciones electroqumicas proporcionan un ejemplo prototipo de un sistema complejo,
donde las interacciones qumicas y los procesos fsicos como la transferencia de masa y el
comportamiento electroesttico produce variaciones respecto del tiempo y dependencias
espaciales en las velocidades de reacciones que resultan no ser triviales.
La integracin del modelamiento matemtico y el desarrollo experimental son
denominadores comunes en los sistemas electroqumicos donde se pretende comprender las
propiedades que surgen de estos sistemas.
Una gran cantidad de sistemas, que en su mayora se encuentran lejos del equilibrio,
presentan elementos comunes de inters en esta direccin. Entre ellos se pueden mencionar,
electro-catlisis, corrosin, bio-electroqumica, electrodeposicin, bateras qumicas, celdas
de energa y semiconductores de ltima generacin. Ejemplos concretos de los
comportamientos complejos incluyen multiestabilidad, oscilaciones peridicas, aperidicas
o caticas, formacin de patrones derivados de reacciones conducidas por una corriente
elctrica, estabilidad y funcionamiento paralelo de celdas de energa, dinmicas de reaccin
acopladas con transferencia de masa y fenmenos estocsticos de corrosin entre otros que
resultan tener comportamientos complejos que son de inters en el diseo de aplicaciones.
Debido a que la ciencia cada da es mayormente multidisciplinar, se han ido desvaneciendo
las barreras tradicionalistas que preponderaban, para abrir paso a expertos en mltiples
campos que empleen matices matemticos y experimentales fuertemente vinculados que
amplen la visin que se tena, para la caracterizacin de respuestas dinmicas en dominios
espaciotemporales. La adopcin de esta variedad de perspectivas en diversos campos de la
ciencia, expande considerablemente la compresin y el entendimiento de estos complejos
procesos.
En algunos casos un sistema complejo presenta caractersticas de excitabilidad, en la cual
se posee la cualidad de permanecer en un estado transitorio de reposo estable (punto de
equilibrio) cerca de un umbral de ciclo lmite sin desestabilizarse, en el cual si se es
Pgina 1
INTRODUCCION
perturbado desencadenar saltos de seal que en una amplitud de ruido determinada,
presentar una caracterstica de mxima uniformidad, en donde el sistema se considera en
estado de resonancia coherente (RC) (Lindner, Garca-Ojalvo, Neiman, & SchimanskyGeier, 2004).
Este fenmeno de RC ha demostrado tener un efecto positivo en sistemas donde la seal de
ruido puede oscilar entre un estado de excitacin y otro de recuperacin mostrando
caractersticas altamente no lineales contra intuitivo respecto a la visin tradicional, donde
el ruido representa una variable que debe ser eliminada o atenuada de cualquier sistema.
Se ha encontrado que el ruido puede potenciar las reacciones qumicas donde el ruido
modifica el comportamiento del sistema a un estado resonante donde los productos se
obtienen al mximo, en ciertos niveles ptimos de ruido incrementando el rendimiento y la
eficiencia de la reaccin (Liu, Lai, & Lopez, 2002).
Las perturbaciones que provocan el ruido en los sistemas biolgicos son resultado de su
interaccin con el medio ambiente. Los comportamientos oscilatorios y rtmicos juegan un
rol universal en la funcin celular, y su objetivo consiste en mantener operaciones robustas
y reproducibles en la presencia de perturbaciones, por lo cual se sugiere que la resonancia
coherente es una herramienta del arsenal biolgico que incrementa la robustez de algunos
sistemas para ser invulnerables a la presencia de ruido celular, donde se juega con las
relaciones entre las dinmicas intrnsecas de un sistema biolgico. En el sistema de
expresin gentica, la transcripcin y la transduccin de las protenas se desarrollan en
escalas de tiempo pequeas mientras que los procesos de dimerizacin y fosforilacin de
protenas son en escalas grandes, la resonancia coherente juega un rol crucial de
sincronizacin de poblaciones celulares. Como osciladores ruidosos acoplados pueden
iniciar o progresar para estar fuera de fase es necesario un mecanismo que produzca un
comportamiento colectivo coherente (El-Samad, H. & Khammash, M., 2006).
En los sistemas de reaccin biolgica que se ven envueltos los conceptos de resonancia,
como es el caso de los ciclos oscilatorios circadianos, son relevantes los conceptos de ruido
intrnseco (interno) y el ruido inducido, aadido al sistema o extrnseco (externo), en donde
se puede apreciar que cuando el sistema es controlado por el ruido interno este puede
Mario Caldern Ramrez
Pgina 2
INTRODUCCION
provocar resonancia coherente, mientras que en sistemas de ruido compuesto, externo e
interno, el ruido externo puede opacar los efectos del ruido interno, mientras la resonancia
coherente debida al ruido interno aumenta mediante la modulacin de ruido externo (Ya
Jia, M.Y., Liu, Q., Li, J., & Zhu, C., 2006).
Los osciladores de calcio son muy importantes en la regulacin de mltiples sistemas
celulares y se han estudiado los mecanismos que rigen sus interacciones que tiene el ruido
interno y externo respecto del comportamiento del sistema, y se ha encontrado que la
resonancia coherente inducida por ruido interno puede suprimirse por el ruido externo,
mientras que la resonancia coherente inducida por el ruido externo puede incrementarse
modulando la intensidad del ruido interno, mostrando que existe cierta competitividad del
efecto del ruido para lograr un comportamiento ms estable en los sistemas (Yu, G, Yi, M.,
Jia, Y., & Tang, J., 2009).
La dinmica ambiental se ve afectada a menudo por fluctuaciones aleatorias, que juegan un
rol fundamental en la composicin y estructura de los ecosistemas, y el caso de su
dinmica, los ecosistemas dependiente de recursos hdricos del subsuelo han demostrado el
surgimiento de un tipo de vegetacin freatfita
dependiendo de las propiedades
derminsticas inherentes en el ecosistema y la intensidad de los rectores estocsticos que

provocan las fluctuaciones ambientales, en el estudio se analiz el efecto de las
perturbaciones naturales y las provocadas por el hombre y en los resultados se observa
claramente el efecto de la resonancia coherente en el surgimiento de flora especfica
(Borgogno, DOdorico, Laio, & Ridol, 2012)
La manipulacin de sistemas que tengan validez experimental y terica en un sistema de
comportamiento determinista complejo y reproducible, permite a la teora de control probar
nuevas estrategias para la induccin de estados no predecibles matemticamente.
Previamente se han desarrollado modelos de referencia basados en Redes Neuronales
capaces de describir bifurcaciones y comportamientos no lineales, proponiendo algoritmos
retroalimentados y predictivos para el anti-control del caos, utilizados con xito en sistemas
invariantes (Louvier-Hernndez, Rico-Martnez, & Parmananda, 2001).
1
Los freatofitos o plantas freatfilas son vegetales que se abastecen del agua de los mantos freticos con la
que sus races estn en contacto de forma permanente y suelen ser races muy profundas.
Pgina 3
INTRODUCCION
En el caso de sistemas donde existe una propagacin del error inherente, la Red Neuronal
pierde robustez, para resolver esta situacin se desarroll una metodologa basada en un
observador del error propagado como el Filtro de Kalman, de manera que sirviera para
adaptar el modelo Neuronal de prediccin respecto al error generado en el sistema, esta
estrategia predictiva permite hacer correcciones en lnea, es decir en la medida que se van
tomando los datos, y se prob su funcionamiento en un modelo matemtico de
electrodisolucin de metal en una celda electroqumica dando buenos resultados de
correccin en la prediccin (Bernal-Osorio, 2006). Se puede encontrar en la literatura
sistemas experimentales que involucren la interaccin del ruido externo con la dinmica
qumica no linear y corroborar el efecto constructivo de las perturbaciones, donde el
surgimiento de la resonancia coherente involucra el ruido impuesto, el ruido intrnseco, la
dinmica determinista excitable y la condicin no estacionaria provocada por el drift
(desplazamiento en el tiempo de la variable) (Escalera-Santos, Rivera, Eiswirth, &
Parmananda, 2004), con estos experimentos se puede validar la robustez del control
desarrollado.
Esta metodologa de acoplamiento se prob en un modelo de campo medio con
simulaciones Monte Carlo para el proceso de oxidacin cataltica. Para mejorar las
simulaciones de modelos libres de ecuaciones, esta estrategia Neuronal Acoplada requiere
el uso de las trayectorias de la simulacin molecular al generar el modelo que pueda ser
usado en un control retroalimentado, y as permita la construccin debifurcaciones. En este
estudio se mostr que esta metodologa Red Neuronal y Filtro de Kalman (RNA-FK) era
capaz de reducir el error del modelo cualitativo utilizado al caracterizar la respuesta
dinmica de la cintica molecular (Gonzlez-Figueredo & Rico-Martnez, 2005).
Para la prueba experimental de que esta metodologa RNA-FK era funcional, se emple un
sistema de electrodisolucin potenciostatica de cobre en cido fosfrico (H3PO4-Cu)
encondiciones de baja temperatura (-17.5 C), donde se logra promover la aparicin y
mantenimiento de un estado catico a travs de la desestabilizacin de las orbitas de
periodo dos de donde se inici el experimento (Ramrez-lvarez, Rico-Martnez, &
Parmananda, 2010).
Pgina 4
INTRODUCCION
Las
bifurcaciones
detectadas
experimentalmente,
involucradas
en
la
oxidacin
electroqumica del cobre en cido fosfrico requieren el uso de modelos con capacidades de
prediccin cualitativa y cuantitativa de alta gama que sean capaces de compensar los
efectos inherentes del "drift". La estrategia RNA-FK mostr la suficiente robustez para la
bsqueda experimental de bifurcaciones, se hizo una bsqueda del periodo dos partiendo
del periodo uno, usando un control de horizonte recedente ,se emplea el observador FK
como corrector del modelo RNA y al minimizar la funcin de costo se busca la trayectoria
en la deteccin de la bifurcacin, este modelo asistido muestra buenas cualidades en la
correccin de errores en lnea, logrando mejorar significativamente la localizacin de la
bifurcacin (Ramrez-lvarez, Caldern-Ramrez, Rico-Martnez, Gonzlez-Figueredo, &
Parmananda, 2013)
Pgina 5
INTRODUCCION
Planteamiento del problema

El caos es un comportamiento aperidico de tiempo prolongado en un sistema determinista
que exhibe una extremada dependencia a las condiciones iniciales (Strogatz, 2000). Un
proceso estocstico consiste en una sucesin de variables aleatorias que solo se pueden
describir desde un concepto estadstico. En base a lo anterior surge el cuestionamiento de
que si la metodologa RNA-FK, que ha sido probada exitosamente en sistemas de dinmica
catica (Ramrez-lvarez, Caldern-Ramrez, Rico-Martnez, Gonzlez-Figueredo, &
Parmananda, 2013; Ramrez-lvarez, Rico-Martnez, & Parmananda, 2010), puede corregir
las trayectorias de un sistema con perturbaciones estocsticas, y as comprobar si conserva
una capacidad predictiva.
Primero se requiere de un planteamiento terico a travs del uso de un modelo ampliamente
conocido y estudiado (FitzHugh Nagumo), aplicar la integracin estocstica en condiciones
de cercana al punto fijo y controlar el sistema con la variable amplitud de ruido para
lograr que el sistema logre establecerse en su mxima regularidad (Pikovsky & Kurths,
1997), como respuesta esperada, corroborar este comportamiento cuando adems del ruido
se presenta una seal subumbral peridica y aperidica.
Posteriormente esta misma metodologa debe corroborarse experimentalmente verificando
que se alcance la mxima coherencia en la respuesta de un sistema electroqumico tipo que
presente bifurcacin homoclnica y punto fijo, como la electrodisolucin del hierro en el
cido sulfrico (Escalera-Santos, Rivera, Eiswirth, & Parmananda, 2004), si se verifica
experimentalmente se podr sostener con certeza que esta tcnica tiene capacidades
predictivas estadsticas an en sistemas estocsticos.
Algunos comportamientos, diferentes a los oscilatorios, requieren para su correcta
descripcin de aproximaciones que no son de tipo discreto, y por lo tanto, no son posibles
de describir con mapas, por lo que se plantea una metodologa RNA-FK en estado
continuo (Rico-Martinez, Krischer, & Gevrekidis, 1992). Para probar su viabilidad se
aplica en un caso simple con desviacin lineal variante en el tiempo y con datos entrenados
de una Red Neuronal invariante, que puede extrapolarse en concepto como un
comportamiento drift en posteriores anlisis.
Pgina 6
INTRODUCCION
Justificacin
La tecnologa de control es un campo de la ingeniera en constante crecimiento, debido a la
necesidad imperante de metodologas inteligentes que permitan resolver problemas
complejos en bsqueda de la respuesta ptima en sistemas tanto industriales como
domsticos. El estudio de las redes Neuronales han tenido mucho auge como modelo de
respuesta inteligente y actualmente tienen mltiples aplicaciones que podemos ver
cotidianamente en nuestros aparatos electrnicos y en sistemas industriales de alta
complejidad, pero se encuentra el problema que estas redes solo son vlidas en una regin
especfica de entrenamiento, y ante la presencia de perturbaciones o factores que afecten el
comportamiento temporal de la dinmica, pierde gran parte de sus habilidades predictivas,
se han intentado estrategias para compensar esto, pero los resultados presentan correccin
significativa solo en casos especficos al ir evolucionando en el tiempo, adems que no se
guarda informacin sobre la tendencia de los errores manifestados previamente (Haykin,
2005).
Se ha corroborado en trabajos previos que una metodologa de autocorreccin tipo RNAFK es una herramienta que ha funcionado en anticontrol de caos y bsqueda de
bifurcaciones (Gonzlez-Figueredo & Rico-Martnez, 2005; Ramrez-lvarez, RicoMartnez, & Parmananda, 2010; Ramrez-lvarez, Caldern-Ramrez, Rico-Martnez,
Gonzlez-Figueredo, & Parmananda, 2013), y ha mostrado robustez tanto terica como
experimental, pero ahora esta misma tcnica se prueba en sistemas estocsticos donde se
busca una respuesta estadstica especfica, y se busca su validacin tanto de forma terica
como experimental y a su vez sentar las bases de un anlisis dinmico basndonos en esta
arquitectura.
Por otra parte la descripcin de los sistemas tiene un sentido continuo en la naturaleza, por
lo que se abre la necesidad de tratar de ampliar el uso de esta arquitectura, ya analizada para
el caso discreto, para una aplicacin en estado continuo y como primer paso se plantea la
formulacin matemtica de una arquitectura RNA-FK continua.
Pgina 7
INTRODUCCION
Hiptesis
La estadstica de los sistemas complejos estocsticos puede ser predicha e identificada a
travs de una arquitectura tipo RNA-FK, es posible corroborar esta tcnica con el uso de
experimentos y simulaciones tericas, adems que con esta informacin se pueden inducir
estados en los sistemas dinmicos utilizando el ruido como variable de control, adems que
esta metodologa puede ser extendida como una herramienta continua en sistemas de
condiciones variantes en el tiempo.
Objetivos
General
Inducir las respuestas de un sistema estocstico complejo regulando la amplitud de ruido
inyectado en un sistema, validando su comportamiento tanto terico como experimental y
sentar las bases de un modelo de identificacin de dinmica continua usando la estrategia
RNA-FK.
Particulares
Determinar de diferentes maneras la relacin estadstica de regularidad en un

sistema estimulado por ruido.
Adaptacin del esquema acoplado de Redes Neuronales y Filtro de Kalman basado

en los trabajos previos desarrollados por el equipo de investigacin a sistemas
estocsticos.
Validacin y Replicacin del experimento electroqumico del sistema Hierro y

cido sulfrico.
Implementacin experimental del algoritmo RNA-FK para la manipulacin del

sistema electroqumico Hierro cido sulfrico.
Desarrollo preliminar de un algoritmo RNA-FK continuo y su aplicacin en un

problema simple variante en el tiempo.
Pgina 8
INTRODUCCION
Organizacin de la Tesis
Este trabajo se organiz con el captulo I en donde se encuentra la introduccin, donde se
describi la importancia del uso de prototipos de sistemas, ejemplos donde la resonancia
estocstica juega un rol importante, los trabajos realizados en el campo de identificacin de
sistemas del grupo de trabajo, la segunda parte de este captulo estn las razones para hacer
este estudio as como lo que se busca en la realizacin de la investigacin.
En el captulo II se presenta el marco terico donde se describirn los fundamentos de los
sistemas dinmicos, algunas de sus construcciones matemticas, teora sobre bifurcaciones,
las redes neuronales empleadas y algoritmos de entrenamiento usados, el Filtro de Kalman
Neuronal (RNA-FK) que ha sido la herramienta que ha inspirado este trabajo,
posteriormente se vern conceptos de integracin estocstica y solucin de ecuaciones
diferenciales estocsticas y por ltimo las diferentes estrategias para medir la regularidad y
la similitud con su seal subumbral en las seales inducidas por ruido.
En el Captulo III se muestra la metodologa empleada, primero se definen los modelos
matemticos que van
a ser nuestro caso de estudio, posteriormente se describe el
controlador que se va a emplear, se presenta el sistema experimental que va a fungir como

validador real de nuestra metodologa y por ltimo se propone la ampliacin de la
metodologa para sistemas continuos.
En el captulo IV se muestran los resultados, primero se muestran resultados del sistema sin
seal subumbral y con un barrido inicial en mltiples amplitudes de ruido, posteriormente
se expande el estudio con una seal subumbral peridica y aperidica, luego se muestran
los resultados de la aplicacin experimental y por ltimo el comportamiento del caso de
estudio de nuestro modelo de referencia continuo.
El captulo V muestra las conclusiones del trabajo, en esta seccin se presentan referencias
de trabajos con la bsqueda similar a este, y se presentan las ventajas de nuestro mtodo y
la ampliacin al estudio del arte de control no lineal basado en identificacin de sistemas
complejos y observadores lineales.
Pgina 9
CAPITULO II
Antecedentes
Sistemas Dinmicos no lineales
El conocimiento de la dinmica no lineal est basado en la nocin de un sistema dinmico,
el cual puede describir casi cualquier fenmeno de la naturaleza en el que estn
involucradas algunas leyes fundamentales como resultado de una evolucin determinstica
del sistema. Los sistemas dinmicos estn asociados a un modelo matemtico el cual es
descrito por la "evolucin de un operador", este es una correspondencia entre un estado
inicial del sistema y un nico estado en cada momento (espacio de tiempo) subsecuente.
La forma matemtica del sistema dinmico pueden ser representado de dos formas; como
sistemas discretos o mapas o como sistemas continuos, tanto temporales como
espaciotemporales. Los primeros se modelan con ecuaciones de recurrencia, como se
muestra a continuacin:
Ut +1 = g (Ut ; m )
(2.1)
En tanto que los segundos pueden modelarse mediante Ecuaciones Diferenciales Ordinarias
o Ecuaciones Diferenciales Parciales, tal como se describe en las siguientes expresiones:
dU
= f (U ; m )
dt
(2.1)
U 2U
U
nU
= F U ,
, 2 ,..., n ; m
t
X
X X
(2.3)
En estos sistemas U representa al vector de variables dependientes o variables de estado, m

representa un vector de parmetros del sistema y t representa la variable independiente que
en la Ecuacin (2.1) se le conoce como iteracin y en las Ecuaciones (2.2) y (2.3) como
tiempo. Las funciones del lado derecho son funciones vectoriales no lineales de las
variables involucradas. Si g(.), f(.) y F(.) no dependen explcitamente de t, a los sistemas
que representan se les conoce como Sistemas invariantes o autnomos (Anishchenko,
Astakhov, Neiman, Vadivasova, & Schimansky-Geier, 2006) .
Pgina 10
ANTECEDENTES
A los sistemas dinmicos que presentan variaciones espacio-temporales se les conoce como
sistemas de parmetros distribuidos, en tanto que aquellos que slo presentan variaciones
temporales se les conoce como sistemas de parmetros agrupados. Los primeros se
modelan mediante Ecuaciones diferenciales parciales, en tanto que los segundos mediante
Ecuaciones diferenciales ordinarias (Gonzlez-Garca, Identificacin y caracterizacin de
sistemas dinmicos mediante redes neuronales artificiales, 1999). En este trabajo no se
abordaran anlisis de sistemas de parmetros agrupados.
Si un sistema dinmico es iterado infinitamente, la trayectoria puede llegar a converger
hacia un punto fijo (estado estacionario), hacia otra trayectoria (rbita peridica), hacia un
atractor catico o puede divergir completamente. El comportamiento dinmico depende
esencialmente de la estabilidad inherente del sistema, que puede estar asociada a un
fenmeno fsico o qumico.
Los puntos fijos de un sistema dinmico pueden obtenerse de las Ecuaciones (2.1) y(2.2)
resolviendo para U, tal como lo muestran las Ecuaciones (2.4) y (2.5).
*
*
U - g U ; m = 0
(2.4)
*
f U ; m = 0
(2.5)
donde U representa el vector de coordenadas del punto fijo. Cuando un sistema dinmico
se itera infinitamente no solamente se puede converger hacia punto fijos, sino que tambin
lo puede hacer hacia otras formas complejas como ciclos lmites y otras trayectorias
caticas (Strogatz, 2000).
Herramientas de Anlisis de Sistemas dinmicos

A continuacin se discuten tres construcciones matemticas tiles para el estudio de
sistemas dinmicos, el plano fase, el mapa de Poincar, mapas del prximo
mximo/mnimo y el espectro de potencias; El plano fase es el espacio matemtico de las
variables dinmicas del sistema, los mapas de Poincar es un vistazo del efecto del
movimiento en el plano fase tomando intervalos regulares de tiempo, los mapas del
Pgina 11
ANTECEDENTES
prximo mximo/mnimo usa el mismo concepto de Poincar, pero en lugar de usar
intervalos regulares usa la aparicin de mximos o mnimos para el efecto del movimiento
en el plano y el espectro de potencias es un clculo usando la serie de Fourier para
representar la composicin de frecuencias de la variacin del tiempo considerando las
variables dinmicas (Baker & Gollub, 1996).
Plano Fase
El plano fase de un sistema dinmico es un espacio matemtico con direcciones de
coordenadas ortogonales representando cada variable que se necesita para especificar el
estado instantneo del sistema, por ejemplo el estado de una partcula movindose en un
dimensin se especifica en su posicin x y su velocidad v, aqu se forma un espacio fase en
este plano. Por otra parte una partcula movindose en un espacio tridimensional tendr un
espacio fase de 6 dimensiones y que se podrn construir de mltiples formas.
El plano fase representa trayectorias que corresponden al flujo de las soluciones de una
ecuacin diferencial. Adems todo el espacio fase est lleno con trayectorias, pues cada
trayectoria corresponde a una condicin inicial especfica.
En los sistemas no lineales las trayectorias generalmente no se encuentran con solucin
analtica, por lo que se requiere de soluciones numricas. Una gran variedad de espacios
fase son posibles pero algunas caractersticas que se pueden manifestar habitualmente se
describen a continuacin con la ayuda de la Figura 2.1 (Strogatz, 2000):
1. Los Puntos fijos: Como A, B y C en la Figura 2.1. Los puntos fijos satisfacen f ( x* ) = 0
y corresponden a un estado de equilibrio del sistema.
2. Las rbitas cerradas: Como den la Figura 2.1. Estas corresponden a una solucin
peridica soluciones donde x ( t + T ) = x ( t ) para cada t, donde T>0.
3. El acomodo de las trayectorias cerca de los puntos fijos y cerca de las rbitas. Por
ejemplo, el patrn cerca de A y C son similares, pero diferentes cerca de B.
Pgina 12
ANTECEDENTES
4. La estabilidad y la inestabilidad de los puntos fijos y cerca de las rbitas. Aqu el uso de
los puntos fijos A, B y C es inestable, porque cerca de las trayectorias se tienden a
desplazar en oposicin a ellos, mientras que cerca de la rbita de D es estable.
Figura 2.1 Fragmento de un plano fase que indica diferentes puntos (A,B,C,D) de comportamiento
general de una dinmica (Strogatz, 2000).
Mapas de Poincar
La idea de estos mapas consiste en reducir el estudio de sistemas continuos en el tiempo al
estudio de un sistema asociado discreto en el tiempo, es equivalente a ver el sistema
estrambticamente, de forma que el movimiento se observa peridicamente. Todos los
sistemas discretos en tiempo asociados a una ecuacin diferencial ordinaria se les puede
representar de esta forma. Esta tcnica ofrece muchas ventajas en el estudio de ecuaciones
diferenciales ordinarias, tales como:
1. Reduccin dimensional: Estos mapas involucran la eliminacin de al menos de una
de las variables del problema, resultando en un estudio de dimensin menor.
2. Dinmica global: en problemas de dimensin baja, estos mapas calculados
proporcionan una muestra muy significativa de la dinmica global de un sistema.
3. Claridad conceptual: Muchos conceptos que son difciles de especificar para
ecuaciones diferenciales ordinarias, pueden ser especificados brevemente en este
tipo de mapa.
Pgina 13
ANTECEDENTES
Desafortunadamente, cuando un sistema presente comportamientos en el tiempo muy
dispares, es decir que los eventos en los estados de tiempo sean muy disparejos, este tipo de
diagrama puede mostrar informacin inexacta o incluso errnea por lo que la eleccin de
los intervalos sean regulares o no requieren de ingenio especfico basado en la estructura
geomtrica del espacio fase de la ecuacin diferencial a analizar.
Mapas del Prximo Mximo o Mnimo
Este tipo de mapas consiste en la eleccin de una variable de estado y obtener los valores
mximos o mnimos de la serie de tiempo. Para trazarlo se toma el valor mximo "actual"
como la abscisa y el valor mximo siguiente o "prximo" como la ordenada y de forma
sucesiva se irn construyendo el mapa.
El periodo puede determinarse a partir del nmero de puntos en el mapa, as un atractor
representado por un punto en el mapa es una rbita de periodo-1 en el espacio fase; un
atractor representado por dos puntos en una rbita de periodo-2 y as sucesivamente
(Louvier-Hernandez, 2000).
Anlisis espectral de la serie de tiempo
La evolucin de un sistema dinmico se representa por la variacin del tiempo o serie de
tiempo de sus variables dinmicas, cualquier funcin puede ser representada como una
superposicin de sus componentes peridicos. la determinacin de sus fuerzas relativas se
le denomina espectro de potencia S() de una seal escalar u(t) y est definido como el
cuadrado de la amplitud de Fourier por unidad de tiempo Ft (w ) Ecuacin 2.6.
S (w ) = lim
t
2
1
Ft (w )
t
(2.6)
Este espectro indica la cantidad de energa por unidad de tiempo, es decir, la potencia que
est contenida en la seal pero como funcin de la frecuencia . Un espectro de potencia de
una seal peridica nos dara un nmero de picos de potencia igual al nmero de periodo de
la serie de tiempo (Ramrez-lvarez, 2012)
Pgina 14
ANTECEDENTES
Teora de Bifurcaciones en SD
La teora de bifurcaciones en sistemas dinmicos es un campo de las matemticas enfocado
en el anlisis de los cambios de la estructura cualitativa o topologa de una familia de
soluciones. Una bifurcacin es un fenmeno que se presenta cuando un pequeo cambio en
un parmetro del sistema, trae como consecuencia un cambio significativo en el
comportamiento topolgico de los estados analizados (Strogatz, 2000). Esto se refleja en la
cantidad y/o tipo de estados estacionarios que el sistema puede presentar de acuerdo con el
valor del parmetro de bifurcacin (Herrera-Hernandez, 2010) .
El diagrama de bifurcacin visualiza el comportamiento del sistema a medida que se
incrementa el valor del parmetro, de esta forma se aprecian las variaciones en las
soluciones del sistema dinmico. Inicialmente se tiene un periodo, luego se presenta un
bifurcacin apartir de la cual empieza la duplicacin de periodos, y as sucesivamente hasta
que se llega a la zona de caos, donde no solo existe una variacin en el periodo sino en las
magnitudes que manifiestan de la serie de tiempo para un mismo valor del parmetro.
Existen dos tipos de bifurcaciones que pueden presentarse en sistemas dinmicos continuos
o discretos, las locales y las globales.
Bifurcaciones Locales
Este tipo de bifurcaciones proporcionan informacin de la dinmica local y son aquellas
que se pueden analizar de manera integral mediante perturbaciones en las propiedades de la
estabilidad local (puntos de equilibrio, rbitas locales o conjuntos invariantes) a medida que
el parmetro va cambiando. Las bifurcaciones locales ocurren cuando la matriz jacobiana
tiene un eigenvalor con mdulo igual a uno. Si el eigenvalor es igual a uno, la bifurcacin
puede ser tipo nodo-silla, transcrtica o de horquilla. Si es menos uno, la bifurcacin es de
duplicacin de perodo y, si es compleja, es una bifurcacin de Hopf.
La bifurcaciones locales que se presentan con mayor frecuencia son la siguientes:
Bifurcacin de nodo-silla: La bifurcacin de nodo-silla o punto de silla es el

mecanismo bsico por el cual los puntos fijos pueden ser creados o destruidos. El
sistema puede pasar de la no existencia de puntos fijos a la aparicin de un punto de
Pgina 15
ANTECEDENTES
silla para el valor exacto del parmetro en la bifurcacin. Este punto pasa a
convertirse inmediatamente en una pareja de dos nodos que presentan estabilidades
opuestas, tal como se muestra en las Figura 2.4 para un sistema unidimensional. El
fenmeno opuesto tambin puede ocurrir y depende de la variacin del parmetro
de bifurcacin.
Bifurcacin en horquilla: Este tipo de bifurcaciones est relacionado con las

simetras del sistema. Por ejemplo, en sistemas que poseen simetra espacial entre el
lado derecho y el lado izquierdo, los puntos fijos tienden a aparecer ya desaparecer
en pares simtricos.
Bifurcacin transcrtica: Este es un tipo particular de bifurcaciones locales que se

caracteriza por la existencia de un punto fijo para todos los valores del parmetro.
Dicho punto fijo no puede ser destruido pero si puede cambiar de estabilidad.
Bifurcacin de Hopf. Con la aparicin de este tipo de bifurcaciones se generan

rbitas peridicas o ciclos lmites como parte del equilibrio de un sistema dinmico.
La transicin o cambio de estabilidad se lleva a cabo cuando la solucin de
equilibrio tiene valores propios puramente imaginarios. Este tipo de bifurcacin
puede ser subcrtica o supercrtica resultando en rbitas peridicas estable o
inestables, respectivamente.
Bifurcaciones Globales
Las bifurcaciones globales proporcionan informacin de la dinmica global del sistema y
no pueden ser detectadas mediante un anlisis de los puntos de equilibrio, puesto que se
presentan al colisionar puntos de equilibrio u otros conjuntos invariantes de diferente
naturaleza.
Bifurcacin homoclnicas. Tambin denominadas rbitas homoclnicas, son

trayectorias cerradas de un campo de flujo en un sistema dinmico que une un punto
de equilibrio tipo silla-nodo con s mismo. De manera ms especfica, es la
interseccin de un conjunto de puntos fijos estables con un conjunto de puntos fijos
inestables. Tambin puede darse el caso de que sean intersecciones de conjuntos de
puntos peridicos.
Pgina 16
ANTECEDENTES
Bifurcaciones Heteroclnicas. Tambin denominadas rbitas heteroclnicas, son

trayectorias cerradas de un campo de flujo de un sistema dinmico que unen
diferentes puntos de equilibrio, en general del tipo silla-nodo. Tanto la bifurcacin
homoclnica como la heteroclnica aparecen con mayor frecuencia en sistemas
dinmicos reversibles o conservativos
Bifurcacin de perodo infinito. Esta bifurcacin ocurre cuando dos puntos fijos
emergen sobre un ciclo lmite. Cuando el valor del parmetro de bifurcacin se
aproxima a un valor crtico, la velocidad de oscilacin disminuye y el perodo se
aproxima a infinito. Ms all del valor crtico, los dos puntos fijos emergen
continuamente e interrumpen las oscilaciones para formar dos nodos.
Redes neuronales artificiales

Una Red Neuronal Artificial (RNA) es una serie de nodos o neuronas estructuradas que
se comunican entre s a travs de ecuaciones o reglas de activacin. Las neuronas pueden
ser ordenadas en capas, de las cuales se diferencian las capas ocultas, la capa de entrada y
la capa de salida.
Para construir una RNA se deben determinar la estructura, es decir el nmero de capas y la
cantidad de neuronas en cada capa. Tambin es necesario proponer una regla de activacin,
la cual combina las entradas de cada una de las neuronas y produce su salida; as mismo
debe especificarse un patrn de conectividad que define como estn interconectadas las
neuronas y el sentido en el que fluye la informacin. Las reglas de activacin suelen ser
ecuaciones de tipo umbral, lineal, sinusoidal, Gaussiana o bien sigmoidea como la mostrada
en la Ecuacin 2.7 (Cybenko, 1989) y que es la implementada en las redes neuronales que
se usarn en este trabajo.
g (Yij ) = 0.5 1 + tanh ( Yij ) =
(1 + e )
-Yij
(2.7)
ni-1
Donde Yij = WijV(i -1)k + Qij , donde W son los pesos o ponderaciones de las entradas a las
k =1
neuronas (V) y Q el umbral, este desarrollo se observa ms claro en la Figura 2.2.
Pgina 17
ANTECEDENTES
Cuando se tiene la estructura de la Red el siguiente paso es la aplicacin de una regla de
aprendizaje. La regla de aprendizaje consiste en la minimizacin del error entre los valores
observados y los predichos. La regla de activacin, la estructura y los patrones de
conectividad se basan en una seleccin emprica (Arana-Chavez, 2007).
Figura 2.2 Esquema de activacin de las neuronas para producir la salida.
Existen distintos tipos de redes neuronales artificiales dependiendo de la manera como

estn las neuronas distribuidas e interconectadas. En la Figura 2.3, se muestra una red
neuronal de alimentacin hacia adelante (Lapedes & Farber, 1987) que tambin es del
tipo usado en este trabajo.
Figura 2.3 RNA de alimentacin hacia adelante, 1 capa oculta de n neuronas, con n neuronas en la
entrada y 1 en la de salida
Pgina 18
ANTECEDENTES
Mtodos de Aprendizaje de las RNA

El mtodo de aprendizaje consiste en definir valores iniciales a los parmetros de red (pesos
y umbrales) y haciendo uso de un conjunto de entrenamiento ir readaptando los valores de
los mismos hasta minimizar el conjunto de errores entre los valores de las variables
observadas y las predicciones hechas por la RNA. Esto permite a la red aprender un
comportamiento definido por la dinmica presente en los datos del conjunto de
entrenamiento. Dicho conjunto de entrenamiento est compuesto por datos de entrada y
salida de los valores de los estados. De manera que al alimentar a la red los datos de entrada
se obtengan los datos de salida del conjunto de entrenamiento y es en funcin del error
cuadrtico medio que los parmetros de red son optimizados.
Existen mltiples metodologas y estrategias para el entrenamiento de las RNA, sin
embargo en la literatura se ha sugerido que se use el mtodo del gradiente y el LevenbergMarquardt, por su robustez en el caso del primero y por su rpida convergencia en el caso
del segundo (Sedano-Franco, Alonso-lvarez, & Villar-Flecha, 2007; Haykin, 2005;
Demuth & Beale, 2000) una breve descripcin de los mtodos de aprendizaje utilizados se
pueden consultar en el anexo, aunque las otras metodologas presentaran ventajas
especficas que se pueden consultar en la literatura (Arana-Chavez, 2007; Gonzlez-Garca,
1999)
Filtro de Kalman neuronal

El Filtro Kalman en su forma original es una buena herramienta predictiva y correctora de
seales en las cuales se tiene cierta incertidumbre, sin embargo, est enfocada a sistemas
gobernados por ecuaciones en diferencias estocsticas lineales. La versin extendida para
sistemas no lineales, es inapropiado en algunos casos pues se basa en mtodos de
liberalizacin alrededor de un punto o trayectoria, provocando una perturbacin o error del
modelo.
Una modificacin a las ecuaciones de la parte predictiva del filtro de Kalman fue propuesta
anteriormente (Bernal-Osorio, 2006), en este acoplamiento se incorpora la no linealidad de
la red y el error de prediccin se reduce por la capacidad del filtro de seguir el
comportamiento del error y proyectar la covarianza del error.
Pgina 19
ANTECEDENTES
Las ecuaciones del filtro de Kalman Neuronal y su diagrama de flujo se describen en la
Figura 2.4.
Figura 2.4 Diagrama de la arquitectura RNA-FK
Pgina 20
ANTECEDENTES
Dnde:
z k -1 Es la respuesta del sistema real en el tiempo anterior k-1;

zk La salida de referencia de RNA alimentada con z k -1 ;
xk -1 La prediccin final corregida por el filtro previa o dato retroalimentado del filtro;
xk- La prediccin de RNA a partir de xk -1 ;
xk El valor de la prediccin final corregida por el filtro actual;

P Es la covarianza del error;
K La ganancia de Kalman;
Q y R Son matrices de covarianza del proceso y la medicin;
A Matriz constante que relaciona el estado previo xk -1 con el valor actual xk ;
H Matriz constante que relaciona el estado medido z k -1 con el valor actual xk ;
Solo en casos excepcionales A y H son diferentes a la matriz identidad debido a que se
asume que el dato predicho por la estrategia acoplada y el dato medido no sufren ninguna
alteracin al ser realimentados al ciclo, es decir al convertirse en los estimados iniciales en
la siguiente iteracin y por lo tanto son los mismos, por lo que se A y H se denominan
matrices de relacin de los estados iniciales (Ramrez-lvarez, Rico-Martnez, &
Parmananda, 2010).
Conceptos de clculo estocstico

El Ruido Blanco Gaussiano
El Ruido existe de forma comn en la naturaleza, por lo tanto se ha tratado de comprender
y controlar su interaccin. Sin embargo, debido a su alta complejidad, diversas
aproximaciones han sido adoptadas para analizar procesos, en base a sus caractersticas
estadsticas, entre las que se encuentra el ruido uniforme, el ruido blanco y el ruido de
color. Una de estas las aproximaciones ms comunes es el Ruido Blanco Gaussiano, este
proceso estocstico est definido de tal forma que el promedio de una fluctuacin aleatoria
x es igual a cero y sus valores con independientes e igualmente distribuidos siguiendo una
Pgina 21
ANTECEDENTES
distribucin Gaussiana al ir incrementando el nmero de datos del ruido. Y la caracterstica
ms importante es que dos valores consecutivos en el tiempo estn completamente
descorrelacionados (Escalera-Santos, 2006).
Las caractersticas del ruido blanco Gaussiano le brindan dos propiedades:
La estacionariedad: Sus propiedades estadsticas son independientes del tiempo de

referencia escogido.
La ergodicidad: Esta propiedad se relaciona con el hecho de que promedios sobre

un ensamble estocstico puede ser reemplazado por un promedio en el tiempo de
cualquier parte de la funcin del ruido.
Proceso de Wiener y movimiento Browniano

Denominado Browniano por un botnico (Robert Brown) que observaba el movimiento
aleatorio de partculas en la superficie del agua y Proceso de Wiener por el matemtico
(Norbert Wiener) que defini con rigurosidad, en base a ecuaciones, lo que suceda.
Formalmente, un escalar estndar del movimiento Browniano o del proceso estndar de
Wiener en un intervalo [0, T] es una variable aleatoria W(t) que depende continuamente del
momento en el tiempo y que satisface los siguientes principios (Gardiner, 1985):
1. W(0)=0, con una probabilidad 1, siempre se arranca en 0.
2. Para s y t [0,T], tal que 0 s < t T la variable aleatoria dada por el incremento
(W(t)-W(s)) est normalmente distribuida con media cero y varianza (t-s).
Equivalente podemos aproximar la diferencia (W(t)-W(s)) a
t - s N(0,1), donde
N(0,1) denota una variable aleatoria normalmente distribuida con media cero y
varianza uno.
3. Si ahora consideramos s, t, u y v [0,T], tal que 0 s < t < v < u T los
incrementos (W(t)-W(s)) y (W(v)-W(u)) son independientes.
Se puede observar la concordancia que existe del ruido blanco Gaussiano y el proceso de
Wiener, en el sentido de que tienen la misma representacin estadstica del fenmeno
estocstico.
Pgina 22
ANTECEDENTES
Ecuaciones diferenciales estocsticas
Los modelos ms precisos y sofisticados son aquellos que involucran los efectos aleatorios
o estocsticos y tienen el componente de realismo que les permite ser modelos de
comportamiento ms verdico.
Los modelos ms precisos y sofisticados, con efectos aleatorios o estocsticos, vienen a ser
ms significativos, siendo la aleatorizacin del sistema, la parte de mayor inters en el
modelo, la solucin de tales problemas, comprende una nueva rea en matemticas,
denominada clculo estocstico; y corresponde a una generalizacin estocstica del clculo
diferencial clsico (Raffo-Lecca & Meja-Puente, 2006).
Los procesos estocsticos cumplen con tener incrementos independientes, esto es que las
variables aleatorias son independientes de cualquier combinacin finita de instantes de
tiempo, si los incrementos (dx(s), dx(t)) sobre los intervalos ([s, s+ds] y [t, t+dt]) son
independientes.
Un proceso Wiener tiene dos tipos de componentes, uno de variacin continua lenta
llamada drift m y una componente aleatoria continua de variacin rpida llamada difusin s
y posee la siguiente conducta dinmica.
dX = m ( t , X t ) dt + s ( t , X t ) dW
X ( 0 ) = x0
(2.8)
Con una velocidad determinstica m ( t , X t ) y una distribucin Gaussiana amplificada por
s ( t, X t ) y que al dividirse entre dt se obtiene la Ecuacin Diferencial Estocstica.

dX
dW
= m (t , X t ) + s (t, X t )
dt
dt
(2.9)
Donde W es el proceso denominado de Wiener. Esta ecuacin tiene la forma integral

descrita como:
t
X t = x0 + m ( s, X s ) ds + s ( s , X s ) dWs
(2.10)
Pgina 23
ANTECEDENTES
Que se interpreta como que la primera integral es la de Riemann para cada trayectoria X y
la segunda integral, una integral estocstica que se basa en la teora del clculo It, aunque
dependiendo del tipo de suma de Riemman, si se usa punto medio se denomina clculo de
Stratonovich (Higham, 2001).
La Aproximacin ms simple heurstica en tiempo discreto es la generalizacin estocstica
de la aproximacin de Euler denominada Euler-Maruyama, Para la solucin de la Ecuacin
Diferencial Estocstica del proceso, Xt se aproxima con:
Yn +1 = Yn + a (Yn ) D n + b (Yn ) DWn
D n = t n +1 - t n
(2.11)
DWn = W (t n +1 ) - W (t n )
La convergencia puede ser fuerte (Strong) o dbil (Weak). Se le denomina dbil cuando
solo se est interesado en los momentos o en la parte funcional de la solucin, la cual
implica una forma de convergencia ms dbil que la que se necesita para la aproximacin
de los caminos de solucin, adems, la convergencia dbil hace referencia al error
promedio de la solucin y por lo tanto para el trmino de diferencia se puede utilizar
DWn = Dt N ( 0,1) que es una muestra del incremento W (t n +1 ) - W (t n ) relacionado a la

desviacin estndar de la diferencial, en general una convergencia fuerte se referir a la
aproximacin de la solucin independiente del tamao mximo del paso de integracin, por
lo que depender del uso de los diferentes tipos de mtodos explcitos o implcitos para la
solucin diferencial.
Mtodos Numricos Estocsticos
En aos recientes, el desarrollo de mtodos numricos para aproximar las ecuaciones
diferenciales estocsticas ha ido en aumento. Donde las aproximaciones fuertes son
mtodos diseados para la obtencin de buenos caminos de solucin, mientas que los
mtodos dbiles se centran en la expectativa de la solucin funcional. Los mtodos han ido
evolucionando y se cuenta con mtodos de mayor orden para la solucin estocstica de
estos problemas.
Pgina 24
ANTECEDENTES
El mtodo de primer orden tipo Euler-Maruyama es el mtodo ms sencillo conocido y est
pensado para la solucin de problemas de estructura lineal, pero dada su generalidad ha
sido implementado para la solucin general de las ecuaciones diferenciales estocsticas,
adems de ser un mtodo ampliamente usado y estudiado (Higham, 2001).
La forma general de solucin tipo It con coeficientes constantes (Trk, 1994), ha
marcado la forma general para la solucin de sistemas lineales estocsticos. Se han
desarrollado algoritmos para aadir un control de paso a las formas generales de solucin
estocstica, y se ha visto que se puede ampliar a la forma de Stratonovich, adems de
incrementar el orden del Runge-Kutta estocstico empleado (Mauthner, 1998; Valinejad &
Mohammad-Hosseini, 2012).
Dada la forma general que puede tener el Runge-Kutta en su forma determinista, tambin
existe su forma equivalente estocstica, que permite el manejo de mltiples coeficientes y
rdenes que han sido desarrollados de aproximaciones de la serie de Taylor y funciones
suavizadas para el proceso tipo It (Tocino & Ardanuy, 2002).
Los procesos de ruido blanco Gaussiano se ven en general como clculos estacionarios
estocsticos de promedio cero y de densidad espectral constante diferente de cero. De esta
forma el ruido blanco se puede visualizar como la derivada de un proceso de Wiener, sin
embargo ya que en sentido estricto los procesos estocsticos no son diferenciables, esto
pueden decir que no existe tal cual, aunque son interpretados como funciones
generalizadas. Debido a esto el ruido blanco no existe fsicamente pero se puede aproximar
con cualquier orden de precisin por un procesos estocstico convencional con variedad de
bandas espectrales llamadas procesos de ruido de color que permiten dar ms realismo en
simulaciones especficas, especialmente las relacionadas con procesos biolgicos (Carletti,
Burrage, & Burrage, 2004).
Cuando se integra numricamente un sistema de Ecuaciones diferenciales estocsticas,
significa que se estn generando trayectorias estadsticamente representativas, una ecuacin
diferencial estocstica no tiene una solucin definida. Sin embargo existen dos tipos
bsicos de tareas asociadas con la simulacin de soluciones de las ecuaciones diferenciales
estocsticas. La primera sucede en la situacin donde se requiere una buena aproximacin
Pgina 25
ANTECEDENTES
de la solucin exacta del sistema, en el caso de simulaciones directas. La segunda se enfoca
a la solucin aproximada funcional del proceso de It, cuyo clculo est basado en la
distribucin probabilstica de sus respectivos momentos. Por lo tanto entre ms realista sea
necesaria la prediccin, el ruido que influye en el sistema debe ser descrito a mayor detalle
(Fadhel & Abdulamear, 2011).
Para la mayora de las ecuaciones diferenciales estocsticas no es conocida una solucin
analtica, por lo cual se han desarrollado mtodos numricos para su solucin, estos
mtodos han evolucionado de los mtodos tradicionales para sistemas estocsticos,
considerando el trmino aleatorio dentro de la integracin del sistema, como previamente
se ha comentado, los mtodos ms comnmente utilizados son los mtodos explcitos de
Runge-Kutta que se han derivado de la aproximacin de la expansin de la serie de Taylor
y que se puede encontrar estudios detallados de su deduccin y estudio (Burrage, Lenane,
& Lythe, 2007; Rsler, 2007; Rsler & Debrabant, 2008; Debrabant & Rsler, 2009).
Anlisis de Datos
La derivacin e integracin estocstica permite la modelacin y solucin de sistemas que
tienen influencia del efecto del ruido, esto permite analizar el efecto que tiene este en los
sistemas, un efecto importante es conocido como "Resonancia estocstica", este fenmeno
se le atribuye a la manifestacin que tienen los sistemas no lineales donde una seal de
entrada es amplificada u optimizada por la asistencia de las perturbaciones. El efecto
anteriormente mencionado requiere de tres ingredientes (Gammaitoni, Hnggi, Jung, &
Marchesoni, 1998):
Una barrera de activacin energtica o un umbral que cruzar.
Una seal coherente de entrada, como una seal peridica, aperidica o constante.
Una seal de ruido inherente en el sistema (ruido intrnseco) o aadido al sistema

(ruido externo)
Estos efectos pueden ser medidos o cuantificados con algunas estrategias estadsticas, que
sern descritas a continuacin.
Pgina 26
ANTECEDENTES
Medida de Regularidad
Desde un punto de vista de transmisin de informacin (seal) a travs de un sistema
biestable en un rgimen de resonancia estocstica, las transiciones sobre la barrera de
potencial, juegan el rol preponderante, mientras que la dinmica subumbral no es relevante.
De esta forma, la resonancia estocstica se puede considerar como un efecto fundamental
de cruce de umbral, donde las caractersticas topolgicas de la seal subumbral son
irrelevantes, mientras no crucen el lmite, en el caso donde los efectos aleatorios ocurren
cuando a una seal de entrada regular se le adiciona un componente ruidos que traspasa un
umbral, este efecto de amplificacin puede ser mostrado en la Figura 2.5, donde se observa
el cruce del umbral de la seal que amplifica una seal "escondida" en el ruido
(Anishchenko, Neiman, Moss, & Schimansky-Geier, 1999), la seal subumbral puede
inyectarse en el sistema como cualquier seal y puede ser entre otras, peridica, aperidica
o constante.
Se puede clasificar la medida Resonancia Estocstica de dos formas, las tcnicas que miden
la regularidad de una seal y las que miden la similitud que existe entre la seal de salida y
la subumbral.
Figura 2.5 a) Seal subumbral sinusoidal ms una seal de ruido que cruza un umbral, b) Cruce de
la seal subumbral marcada como una secuencia de pulsos.
Pgina 27
ANTECEDENTES
Varianza Normalizada: El coeficiente de variacin conocida como Varianza Normalizada
(VN) es la herramienta ms comnmente utilizada para medir la regularidad de una seal
con picos respuesta que sobresalen significativamente a los provocados por el ruido, y es la
forma ms sencilla para visualizar el efecto de la coherencia en la seal, su definicin
estadstica est dada como el cociente de la desviacin estndar entre el promedio de las
distancias entre los picos.
VN =
DT 2
(2.12)
Donde T es el tiempo entre la aparicin de picos.

El primer problema que se encuentra en el estudio del comportamiento de picos en un
sistema excitable, es la definicin de pico, un pico se define como el punto ms alto
despus de un nivel umbral definido, considerando que el sistema pasa a un estado
estimulado (seal en alto) y regresa al estado de reposo (seal en bajo), y de esta forma se
puede estimar el tiempo entre la aparicin de picos, como la diferencia entre dos picos
contiguos (T = ti +1 - ti ) .Un valor de VN=0 representara una seal estrictamente peridica y
con una seal en la cercana a cero se considera una seal coherente (Lindner, GarcaOjalvo, Neiman, & Schimansky-Geier, 2004).
Coeficiente Recproco de Varianza de intervalos entre picos: Este trmino representa el
grado de coherencia de la misma forma que la Varianza Normalizada, solo que siendo su
recproco, por lo tanto su mximo representa la mxima resonancia coherente (Duan, Long,
& Li, 2014; Sethia, Kurths, & Sen, 2007).
R=
T
T2 - T
(2.13)
Coeficiente de Difusin: El conteo de picos exhibe un efecto de dispersin, esta dispersin

se puede calcular con el promedio y la varianza del intervalo entre picos, que tiene cierta
relacin con la VN.
Pgina 28
ANTECEDENTES
2
d n (t ) - n (t )
Deff = lim
t dt
2
2
1 DT
=
2 T 2
(2.14)
Donde n(t) es el conteo de picos.

Tiempo de Correlacin: El tiempo de correlacin se define como la integral de la funcin
de correlacin al cuadrado de una de las variables de salida. La mxima regularidad se
presenta en el mximo de esta cantidad (Pikovsky & Kurths, 1997).
t corr :
1
- T
2 Deff
(2.15a)
t corr = C 2 ( t ) dt
(2.15b)
Donde C (t ) =
y% ( t ) y% ( t + t )
, y% = y - y , que es una funcin de autocorrelacin.
y% 2
Histograma Normalizado de tiempos entre picos: Esta tcnica de cuantificacin de

regularidad se basa en el concepto de que la seal con una mayor densidad de distancias
entre picos en un intervalo indicarn que existe una mayor regularidad de la seal, al ser
ms uniforme, mientras que entre ms disperso sea el histograma, la seal tender a ser ms
irregular (Ripoll Massanes & Prez Vicente, 1999).
Espectro de Potencias: Si el sistema tiene una salida regular esta debera estar
caracterizada por un pico alto y claro en una frecuencia definida en una grfica del poder
del espectro contra frecuencia, y si en la seal el ruido es dominante la seal debera verse
lineal plana. La ventaja de esta tcnica es que puede cuantificar la regularidad an con
gran presencia de ruido, y no es necesaria una cuenta de picos. Para una seal x(t)
cualquiera, el espectro de potencias se describe como:
S x ( w ) = dt x ( t ) x ( t + t ) eiwt
-
(2.16)
En la medida que la seal sea ms regular esta se caracterizar en el espectro como la altura
del pico entre su longitud, donde el espectro cae a una fraccin de su mximo.
Pgina 29
ANTECEDENTES
b=
S (wmax )
Dw
wmax
(2.17)
Donde S es el espectro de potencia y w es la frecuencia.

Los tres tipos de mediciones usadas para calcular la regularidad ms comnmente
utilizados son el espectro de potencias, el histograma normalizado de picos y el tiempo de
autocorrelacin de salida (Ripoll Massanes & Prez Vicente, 1999). Estos se basan en tres
conceptos, el primero en la idea de combinacin de frecuencias, analiza diferentes
Frecuencias y si existe una predominante existe una seal regular, la segunda, en el
concepto de distancias entre picos, si existe un intervalo de distancias similares que se
encuentran con mayor presencia indica uniformidad, y el tercero maneja el concepto del
segmento de seal anterior es igual al segmento de seal siguiente, entonces la seal es
similar, por lo tanto conserva regularidad. El uso de una sola tcnica no brinda la
informacin completa sobre la regularidad, es necesario realizar uno de cada tres diferentes
tipos de tcnicas y comparar para saber la verdadera amplitud de ruido necesaria para la
mayor regularidad (Lindner, Garca-Ojalvo, Neiman, & Schimansky-Geier, 2004).
Medida de la similitud entre dos seales
Tasa seal-ruido: La tasa seal-ruido se conoce como signal-to-noise ratio (SNR), la
cual mide que tan bien un pico de un espectro se puede distinguir del ruido de fondo. En
definicin se puede decir que el SNR es la divisin entre la altura del pico de la seal entre
su espectro de fondo. Desde un punto de vista de anlisis de seales, el SNR se puede ver
como la extraccin de una seal particular del ruido del fondo (Gammaitoni, Hnggi, Jung,
& Marchesoni, 1998).
SNR =
a2
Sbg
(2.18)
Donde a representara una seal sin ruido y S bg es el del ruido de fondo.

Correlacin cruzada: La correlacin cruzada entre la seal subumbral entrante y la
respuesta del sistema tambin se le conoce como Norma de Poder, que es una medida de la
coincidencia entre la seal subumbral determinista y la respuesta inducida por el ruido
Pgina 30
ANTECEDENTES
(Parmananda, Escalera-Santos, Rivera, & Showalter, 2005). Esta correlacin se representa
por:
C0 =
Donde el smbolo
(x 1
x1
)( x
- x2
(2.19)
denota promedio en el tiempo, x1 representa la serie de tiempo de la
seal subumbral de entrada y x2 la serie de tiempo de la respuesta del inducida por el ruido
(Eichwald & Walleczek, 1997).
Desde una perspectiva de anlisis de seal, el valor mximo de C 0 corresponde a
maximizar la relacin de similitud que existe entre la seal de entra y la seal respuesta.
Esta medida cuantifica el efecto asociado con la resonancia estocstica y la amplificacin
de sus respectivas seales subumbrales (Collins, Chow, & T.T., 1995).
Coeficiente Q: Esta tcnica se emplea para correlacionar una seal subumbral sinusoidal o
de componentes sinusoidales, como la seal subumbral As cos 2p t para determinar su
Ts
similitud con la seal respuesta obtenida, para esto se calcula los coeficientes de Fourier
que proporcionan la informacin necesaria en la seal transportada con un periodo de
forzamiento particular, como medida de resonancia estocstica. Los coeficientes de Fourier
son proporcionales al cuadrado del poder espectral de amplificacin, el coeficiente Q se
escribe como:
Qsin =
Qcos =
w
2np
2 np w
w
2np
2 np w
2 x ( t ) sin (wt )dt
(2.20a)
2 x ( t ) cos (wt )dt
(2.20b)
2
2
Q = Qsin
+ Qcos
(2.20c)
Donde w = 2p Ts , n es el nmero de periodo Ts, cubierto por la integracin en el tiempo

(Wu & Zhu, 2008; Hu, Yang, & Liu, 2014).
Pgina 31
CAPITULO III
Metodologa
Sistema Terico
Modelo FitzHugh Nagumo
El modelo FitzHugh Nagumo (FHN) fue concebido para mostrar el comportamiento de las
neuronas orgnicas, que fisiolgicamente tienen un solo estado de equilibrio,
correspondiente al potencial de reposo de la membrana. El modelo puede tener un nico
punto de equilibrio con ciertos coeficientes especficos de las ecuaciones, esto es en
condiciones paramtricas que aseguran este nico punto de equilibrio estable, como se
observa en la realidad biolgica (Castillo-Quiroz, 2006).
Una caracterstica comn de los sistemas excitables es la presencia del estado de reposo y
estado de excitacin. Si el sistema no es afectado por perturbaciones, se mantiene en estado
de equilibrio y pequeas perturbaciones resultan en pequeas respuestas con el sistema
regresando a su estado de reposo. Si la perturbacin excede el umbral, el sistema deja la
cercana del punto de equilibrio y regresa al reposo despus de un amplio periodo de
excursin en el plano fase, y la caracterstica de esta propiedad permite mantener
oscilaciones provocadas por perturbaciones. El modelo FHN (tambin llamado Van der
Pol-Bonhoeffer) presenta una excitabilidad caracterizada por una bifurcacin Hopf
supercrtica asociada al cambio de estado (El-Samad, H. & Khammash, M., 2006) y rbitas
homoclnicas y comportamientos complejos (Guckenheimer & Kuehn, 2010).
El sistema FHN se usa como un modelo generalizado para el estudio de dinmica excitable
para diferentes campos debido a lo simple del modelo y a su riqueza de estados. Por
ejemplo, se ha analizado su efecto en la sincronizacin, como caso de estudio de la
sincronizacin entre dos neuronas (Wang, Zhang, & Deng, 2007), tambin se usa como
modelo para describir la sensibilidad del sistema nervioso biolgico debido a los estmulos
externos (Tatchim Bemmo, Siewe Siewe, & Tchawoua, 2013), para estudiar el efecto del
ruido en sistemas sincronizados, acoplados y con retardo, para determinar la intensidad de
ruido crtica en donde el ruido no cause cambios cualitativos en la dinmica de un sistema
Pgina 32
METODOLOGIA
(Buric, Todorovic, & Vasovic, 2009), analizar el efecto de la retroalimentacin por retraso
aunada en un sistema de resonancia estocstica peridica (Wu & Zhu, 2008), efectos de
resonancia estocstica en sistemas de sincronizacin con biseal subumbral (Hu, Yang, &
Liu, 2012), efecto de resonancia estocstica en sistemas con retraso y una seal subumbral
compuesta de doble frecuencia (Hu, Yang, & Liu, 2014), para el estudio de resonancia
estocstica provocada por ruido sumativo y multiplicativo, adems de distribucin de ruido
por la ley de potencia y diferentes frecuencias (Resonancia Estocstica Fantasma) (Silva,
Rosso, Vermelho, & Lyra, 2014) o seales subumbrales de alta frecuencia (Volkov, Ullner,
Zaikin, & Kurths, 2003). Por lo anterior, se decide utilizar este modelo matemtico para
analizar el uso y funcionamiento de un controlador RNA-FK usando el ruido como variable
de control en la bsqueda de la mxima regularidad y similitud a una seal subumbral.
Se realizaron simulaciones del sistema excitable con la presencia de diferentes amplitudes
de ruido, usando el modelo FHN, que es un sistema rico en la presencia de bifurcaciones,
que muestra mltiples tipos de comportamientos despus de barreras definidas por sus
bifurcaciones, y es ideal para inducir dinmicas con ruido. Esta caracterstica hace de este
modelo ideal para encontrar resonancias estocsticas y coherentes, adems es un modelo
ampliamente estudiado. Las ecuaciones de este modelo matemtico con sus respectivos
parmetros se presentan a continuacin.
dx
x3
e = x- - y
dt
3
(3.1a)
dy
= x + a + Dx ( t ) - S
dt
(3.1b)
Los parmetros usados son a=1.05 para Resonancia Estocstica Aperidica (para una seal
S de pulsos aperidicos) y Resonancia Coherente (una seal S de cero) y a=1.25 para
Resonancia Estocstica Peridica (para una seal S de pulsos peridicos) y e=0.01, y una
amplitud de ruido entre 0.02 y 2, usando Ruido Blanco Gaussiano, donde el uso del punto a
asegura que la seal subumbral no provoca una dinmica.
Las simulaciones del sistema autnomo revela que para a<1 se presentan oscilaciones de
periodo uno y para a>1 se encuentra una dinmica de punto fijo.
Pgina 33
METODOLOGIA
1.5
1
1.5
0.5
1
0
-0.5
0.5
-1
0
-1.5
-2
-0.5
-1
-1.5
-2
-2
-1.5
-1
-0.5
0
x
0.5
1.5
Figura 3.1 Sistema FHN con a>1 (a=1.25) en la presencia de dinmica de punto fijo, izquierda
plano fase y a la derecha la serie de tiempo.
En el caso en que el valor de a sea mayor que 1 se puede observar como el sistema se dirige
a un punto fijo y se mantienen en un estado pasivo (Figura 3.1) y en caso de que a sea
menor que 1 el sistema se mantienen en un estado activo (Figura 3.2) manifestado por
oscilaciones, el sistema se encuentra en una rbita.
2
2
1.5
1.5
1
0.5
0
0.5
-0.5
-1
0
-1.5
-2
-0.5
10
12
-1
-1.5
-2
-2
-1.5
-1
-0.5
0
x
0.5
1.5
Figura 3.2Sistema FHN con a<1 (a=0.8) con la presencia de oscilaciones de periodo-1, a la
izquierda se presenta el plano fase y la derecha la serie de tiempo.
Para la solucin estocstica, el sistema fue integrado numricamente usando un mtodo

Runge-Kutta de segundo orden para ecuaciones diferenciales estocsticas tipo It en un
proceso Wiener multidimensional, y el algoritmo del procedimiento numrico fue
elaborado en FORTRAN y se us un tamao de paso constante igual a 1x10-3.
Pgina 34
METODOLOGIA
Modelo electroqumico
Se plantea un modelo electroqumico con una dinmica compleja en el caso de un ciclo
lmite de un oscilador electroqumico descrito solo por dos variables, desarrollado y
analizado previamente (Karantonis & Nakabayashi, 2001), el objetivo de usar un modelo
electroqumico es analizar el comportamiento simulado de un sistema que trate de emular el
efecto de un sistema experimental que se pondr en marcha.
Este modelo plantea varias simplificaciones, entre las que se pueden sealar:
Asume que solamente hay una especie electroactiva, la cual es producida sobre la
superficie del electrodo por reacciones electroqumicas y es la encargada de
producir la corriente en la solucin.
Las especies electroqumicas se mueven hacia la superficie del electrodo va
difusin y migran debido al gradiente de potencial presente.
El perfil de concentracin en la capa de difusin se considera lineal y de ancho
constante.
La corriente total fluyendo a travs del sistema es igual a la corriente fardica ms
la corriente presente en la doble capas.
Las dos variables que describe el sistema son el potencial del electrodo y la concentracin
de una especie inica. Bajo estas consideraciones el modelo propuesto se describe con estas
ecuaciones diferenciales.
Conservacin de carga
e u& =
v -u
- c a1u + a2u 2 + a3u 3
R
(3.2a)
Balance de masa
c& = (1 - c ) -
v -u
+ a c a1u + a2u 2 + a3u 3
R
(3.2b)
En el modelo anterior u(t) es el potencial sobre el electrodo y c(t) es la concentracin en la

superficie respectivamente. Los parmetros del sistema, e representa la capacitancia de
doble capa, R la resistencia hmica y v el potencial aplicado. La observable de la
dinmica del modelo es la corriente andica definida como I =
v-u
.
R
Pgina 35
METODOLOGIA
Las bifurcaciones en el sistema anterior dependen fuertemente de los valores de los
parmetros, por lo que los parmetros necesarios para el caso de estudio seran: e = 0.03
R = 10 , a = 0.1 , a1 = 1.125 , a2 = -0.075 , a3 = 0.00125 .

El sistema electroqumico usado presenta bifurcaciones del sistema, que pueden ser
analizadas con una aplicacin para MATLAB (pplane8) que muestra grficamente el
comportamiento del sistema en la medida que van cambiando sus parmetros. Cuando
e = 0.03 el ciclo lmite se bifurca, cuando v < 20.097 el sistema se encuentra en estado
estable (Figura 3.3). Para 20.097 v 29.235 existe un ciclo lmite el cual desaparece a
travs de una conexin heteroclnica (Figura 3.4 y Figura 3.5). A v = 29.581 una
bifurcacin de nodo punto de silla aparece y se presenta una rbita heteroclnica En este
caso cuando el ciclo lmite aparece a travs de la rbita heteroclnica acoplndose siempre
hacia la sincronizacin en caso de presentarse varias celdas electroqumicas.
20
30
15
c and u
25
20
10
15
0
0
10
10
12
0
0
0.1
0.2
0.3
0.4
0.5
c
0.6
0.7
0.8
0.9
Figura 3.3 Presencia de un punto fijo en v<20.097 del modelo electroqumico, izquierda el plano
fase y derecha la serie de tiempo.
El software se utiliza para identificar puntos de equilibrio, orbitas cerradas o inestables,

cerolneas y otras caractersticas no lineales del sistema, en este mismo software se seala
el punto con las condiciones iniciales del problema, se inicia con una c0=0 indicando la
concentracin de superficie inicial del electrodo, considerndose limpia, y un potencial del
electrodo u0=25, se tom este valor para evitar que la concentracin adquiriera valores
negativos al inicio.
Pgina 36
METODOLOGIA
30
25
25
u
20
20
15
10
15
10
15
20
25
30
10
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figura 3.4 Presencia de un orbita en 20.097 v 29.235que muestra la bifurcacin homoclnica,

izquierda el plano fase y derecha la serie de tiempo.
En una bifurcacin homoclnica surgen, desaparecen o coexisten rbitas peridicas de

diferentes propiedades, segn sean las races del polinomio caracterstico que describe el
sistema en su punto de equilibrio, es decir hay una trayectoria conecta a la variedad estable
e inestable de un punto de equilibrio tipo silla, se puede encontrar informacin ms
detallada de los diferentes tipos de bifurcaciones homoclnicas (Kahan, 2003).
30
30
25
20
c and u
25
15
10
20
5
0
15
10
12
10
0
0
0.1
0.2
0.3
0.4
0.5
c
0.6
0.7
0.8
0.9
Figura 3.5 Desaparicin de las rbitas homoclnicas en el ciclo lmite v>29.235 que da como
resultado un estado estacionario, izquierda el plano fase y derecha la serie de tiempo.
Control RNA-FK (Neuronal Asistido)

Para desarrollar el control se necesita un modelo que determine el comportamiento
estadstico del sistema tomando solo un fragmento de informacin, y lo suficientemente
robusto para adaptarse en presencia de perturbaciones. Se us una Red Neuronal Artificial
Pgina 37
METODOLOGIA
(ANN) asistida por un filtro de Kalman modificado para construir un aproximador de la
Varianza Normalizada (VN) del sistema, esta estrategia ya ha sido usada para aproximar el
comportamiento del sistema electroqumico basado en un mapa de puntos mnimos
(Ramrez-lvarez, Rico-Martnez, & Parmananda, 2010; Ramrez-lvarez, CaldernRamrez, Rico-Martnez, Gonzlez-Figueredo, & Parmananda, 2013). Se us una RNA con
treinta y dos neuronas con una funcin de activacin sigmoidal en las capas ocultas con seis
variables de entrada, tres para la distancia entre picos y otras tres para su respectiva altura,
y una salida para la prediccin de la VN, donde el Filtro de Kalman (FK) en su forma
adaptada RNA-FK se dise para corregir y mejorar la prediccin en caso de efectos de
desplazamiento drift o perturbaciones experimentales.
Las distancias entre picos fueron tomadas despus de 10000 datos para proveer una VN
estadsticamente cierta. Para entrenar la RNA se tomaron solo 20 distancias entre picos
relacionadas a su VN en un grupo de entrenamiento de entre 0.02<D>0.2 de amplitud de
ruido (D) y 0.0001 entre la variacin de cada amplitud, con esto se obtiene la informacin
suficiente para la construccin de un modelo robusto del comportamiento estadstico del
sistema. El modelo se relaciona con el comportamiento del sistema en una prediccin
ruidosa y por esto se utiliza un tipo de control promediado (estocstico), la red predice la
Varianza Normalizada con los datos de una pequea seccin de picos, esto puede provocar
que con una combinacin determinada el clculo sea errneo, pero el uso del Filtro de
Kalman acoplado, es capaz de corregir el modelo en la prediccin, o por lo menos se
garantiza una certeza estadstica. Controlar un sistema significa lograr un estado deseado,
en este caso nuestro objetivo es alcanzar la mxima coherencia producida por la induccin
de ruido, tomando solo una pequea parte de informacin y que el modelo complete o de la
informacin desconocida restante, en este caso como los datos generados son resultado de
un anlisis estadstico, su comportamiento modelado en ocasiones es ruidoso.
Se propone un control basado en optimizacin estocstica (Spall, 2003), tomando una
derivada suavizada tratando de usar la mnima cantidad de informacin posible, para la
suavizacin se usa un filtrado promedio de la curva estocstica en un intervalo (CEI), ms
que la aproximacin en un punto fijo, debido a que as se usa menos informacin y por
regin se necesita una mayor cantidad de datos para un mejor clculo, donde los valores de
Pgina 38
METODOLOGIA
las funciones y sus gradientes usan el promedio aritmtico con un tamao de muestra p
(Krejic, Luzanin, & Stojkvska, 2013; Chen & Kao, 2006). El algoritmo combina la
derivada para la bsqueda de la regin del mnimo, basado en la disminucin de un error
(Ecuacin 3.3), manipulando sus parmetros, Nmero de intervalos (N) y distancia de los
intervalos ( D I ), de forma emprica, considerando un avance al mnimo del cien por ciento
de acierto, esto es verdad en sistemas con ruido moderado, en caso de incrementar el ruido
en la prediccin, la certidumbre de avance debe modificarse, a costa del detrimento de la
velocidad de avance y por lo tanto resultando en un controlador ms lento. La ecuacin de
CEI puede ser expresada como sigue:
e% =
1
N
CEI k +1 - CEI k
DI
k =0
N
(3.3)
En la Figura 3.6 se muestra un esquema del control usado, donde Q y R son las
covarianzas constantes del filtro de Kalman aadido al modelo, esto puede ajustar la
solucin del modelo y adaptarse cerca de una solucin estadstica mejor. Se utiliza un
parmetro de progreso de la derivada (l), que va disminuyendo el avance de la trayectoria
para evitar que el sistema se desestabilice cuando salga del rango de prediccin de la red, si
el parmetro es lo suficientemente alto es posible que la regin de bsqueda se mueva muy
lejos y la prediccin se pierda en el futuro, y si est muy bajo, el algoritmo de bsqueda
oscila en mnimos locales sin alcanzar el objetivo, este parmetro se obtiene
empricamente, depende del modelo y es una caracterstica intrnseca del sistema, el
sistema se acopla a una bsqueda de error de control clsico Proporcional Integral (PI).
Figura 3.6 Diagrama del control de optimizacin estocstica retroalimentado usando modelo de
referencia.
Pgina 39
METODOLOGIA
Sistema Experimental
El sistema experimental consta de una celda electroqumica de tres electrodos, usando un
potensiostato PAR 263 para estudiar la elctrodisolucin potenciostatica del Hierro en una
mezcla de sulfato de potasio y cido sulfrico. El nodo est hecho de un cilindro de hierro
al 99.9% de Aldrich, de 4 mm de dimetro rodeado por epxica que es aislante elctrico y
resistente a la corrosin del cido. La solucin electroltica es una mezcla de 1.0 M de cido
sulfrico y 0.4 M de sulfato de potasio, en un volumen constante de 150 ml del Kit
analtico de Princeton Applied Research 616 y como ctodo un cilindro de grafito al 99.9%
de Aldrich de 5 mm de dimetro, este sistema ya ha sido estudiado previamente (EscaleraSantos, Rivera, Eiswirth, & Parmananda, 2004), y este tipo de sistemas han sido estudiados
con diferentes tipos de iones (Sazou, Diamantopoulou, & Pagitsas, 2000; Sazou,
Diamantopoulou, & Pagitas, 2000b).El esquema experimental mostrado en la Figura 3.7 es
el usado en nuestro experimento. El potencial andico se midi relativo a un electrodo
saturado Calomel como electrodo de referencia.
Figura 3.7 Esquema del sistema electroqumico usado en el experimento.
Pgina 40
METODOLOGIA
Como parmetro de control se utiliz una seal de voltaje externo de ruido blanco
Gaussiano, el ruido externo se gener con otra computadora y es tomado de una subrutina
de generacin pseudoaleatoria, la razn de usarla as es para brindar reproducibilidad al
experimento, debido a lo tardado que se espera que vaya a ser el control, y se le aade al
potenciostato sobreimpuesto al voltaje andico fijo de 450 mV, un valor alejado de la
bifurcacin de tal forma que el efecto del "drift" no destruya la dinmica del sistema, la
salida se transform a una seal analgica a travs de una tarjeta USB-3101 de
Measurement Computing a una amplitud variable con una frecuencia de aproximada de 1.8
Hz. Las oscilaciones en la corriente andica se capturaron con una tarjeta USB-1608fs de
16 bits a una frecuencia de 10 Hz. Se utiliz una interfaz Labview 2012 para el sistema de
control con los complementos necesarios para el funcionamiento de las tarjetas, las rutinas
principales de RNA-FK fueron codificadas en FORTRAN y acopladas como libreras
dinmicas, est conformacin mostr ser la ms rpida al hacer el procesamiento de la
seal que usar MATLAB o cdigo grfico de Labview.
Antes de realizar el control se estudi el comportamiento autnomo del sistema cambiando
el voltaje andico como parmetro de bifurcacin y realizando un mapeo de la corriente
observada, mientras que otros parmetros como la concentracin de electrolito y la
temperatura se mantenan sin variacin significativa, para este escaneo se utiliz el
Labview conectado al potenciostato a travs de una tarjeta IEEE-488.2M GPIB de National
Instruments con rutinas elaboradas directamente desde las instrucciones GPIB para el
control del equipo, la interfaz permite la comunicacin y control del equipo sin la necesidad
de programas adicionales o el uso de otras tarjetas.
Se utiliza una RNA de alimentacin hacia adelante, de cuatro capas de forma regular, con
20 neuronas con seal de activacin sigmoidea en las capas ocultas, seis neuronas en la
capa de entrada, tres para las distancias entre picos previas y las dems para sus alturas
respectivas, con una neurona de salida que represente un valor equivalente al de la derivada
de la varianza normalizada, esta caracterstica es diferente a la usada en las simulaciones
que se realizaba el clculo directo de la VN y luego se calculaba la derivada. Para entrenar
la red se tomaron 20 datos en un escaneo donde se encuentra el punto de mxima
coherencia entre 210 mV y 240 mV en intervalos de 25 mV, con un total de 299 datos, se
Pgina 41
METODOLOGIA
eligi de esta forma porque se observ que con intervalos muy pequeos no exista una
variacin significativa en la aparicin de los disparos de seal, el mtodo de minimizacin
usado fue gradiente conjugado y 100 ciclos, en la primera parte de la minimizacin y
posteriormente se utiliz Levenberg-Marquardt en la ltima etapa de la minimizacin, el
entrenamiento se detuvo cuando datos de prediccin del error eran menores del 10-5 .
Control RNA-FK Continuo

El filtrado de seales es muy til en muchas situaciones de ingeniera para remover
componentes no deseables de seales, un buen filtro puede remover el ruido sin afectar la
informacin til. El Filtro de Kalman es una herramienta que puede estimar las variables en
un gran rango de procesos, en trminos matemticos este filtro estima estados de sistemas
lineales, adems de que funciona en la prctica y es un filtro que minimiza las varianzas de
los errores en los estimados (Simon, 2001).
Supongamos que se tiene un sistema, se desea usar las medidas disponibles y para
estimar los estados del sistema x, se sabe cmo el sistema se comporta de acuerdo a
alguna ecuacin de estado y se tienen mediciones, as que la pregunta es Cmo se puede
determinar el mejor estimado del estado x?, se desea que el estimador calcule con certeza
el verdadero estado, aun cuando no se pueda medir directamente, por lo que para lograr
esto se necesitan dos requerimientos:
Se requiere que el valor promedio de nuestro estimado sea igual al valor promedio
de nuestro estado verdadero, matemticamente hablando se dice que el estimado
deber ser igual al valor esperado del estado.
Se requiere un estimado del estado que cambie del estado verdadero tan poco como
sea posible, se desea que el estimador de la menor variacin posible,
matemticamente hablando se dice que el estimado debe tener el menor error de
varianza posible.
El Filtro de Kalman cumple con lo anterior siempre que se cumplan ciertas suposiciones
acerca del ruido del sistema.
El promedio del error del proceso y su medicin deber ser cero.
Pgina 42
METODOLOGIA
No hay correlacin entre el error del proceso y su medicin, es decir que en

cualquier tiempo los errores son variables aleatorias independientes.
Estas caractersticas pueden ser ciertas en general, y por lo tanto es posible la aplicacin de
este filtro en la mayora de las aplicaciones (Brown & Hwang, 2012).
La caracterizacin matemtica de un proceso es un aspecto muy importante en la
ingeniera, y se busca que en dicho modelo queden reflejadas explcitamente todas las
variables que intervienen en su dinmica,. La forma ms popular que cumple con
esta
condicin es la representacin en variables de estado. Una vez obtenidas estas
variables de estado se necesita obtener informacin de la dinmica del proceso sin

necesidad de medir toda la informacin y haciendo uso del conocimiento de su dinmica
inferir u observar algunas de ellas. Pero el problema surge cuando intentamos utilizar este
modelo con mediciones contaminadas por algn tipo de incertidumbre. Estos tres
conceptos se abordan con la llamada estimacin estadstica de seales y su versin ms
conocida es el Filtro de Kalman-Bucy (Kalman & Bucy, 1961).
El filtro de Kalman en su forma original es una buena herramienta predictora y correctora
de seales con cierta incertidumbre, pero est enfocado a sistemas gobernados por
ecuaciones diferenciales estocsticas lineales. La versin extendida para sistemas no
lineales est basada en mtodos de linealizacin alrededor de un punto o trayectoria
provocando un error del modelo. En trabajos previos se propusieron modificaciones a la
estructura del filtro, de modo que incorpore la no linealidad de un sistema a travs de una
Red Neuronal y reducir el error de prediccin acoplndolo al Filtro de Kalman (BernalOsorio, 2006; Ramrez Alvarez, 2007) y esta metodologa (RNA-FK) ha sido probada con
xito tanto terico como experimentalmente (Ramrez-lvarez, Rico-Martnez, &
Parmananda, 2010; Ramrez-lvarez, Caldern-Ramrez, Rico-Martnez, GonzlezFigueredo, & Parmananda, 2013).
Las redes Neuronales han sido usadas para predicciones discretas de tiempo, pero en
periodos de tiempo cortos. Sin embargo se han desarrollado estrategias para ampliar sus
capacidades y poder predecir comportamientos de largos periodos y donde juegan un rol
importante las bifurcaciones observadas. Generalmente se usan aproximaciones de mapas y
Pgina 43
METODOLOGIA
muestran caractersticas muy tiles del comportamiento del sistema, pero son incapaces de
reproducir secuencias de bifurcacin observadas, sin embargo si el inters radica en la
prediccin de comportamiento peridico temporal los mapas son la mejor solucin. Una
dinmica completa que incluya bifurcaciones de estado estable, solo puede ser capturada
por un modelo continuo en el tiempo (Rico-Martinez, Krischer, & Gevrekidis, 1992).
En base a lo anterior entonces se prev la necesidad de ampliar el modelo RNA-FK para
que sea usado en una red continua, la propuesta se basa en la adaptacin del Filtro de
Kalman Continuo, llamado Kalman-Bucy, usndolo como comparacin:
Kalman-Bucy
RNA-FK Continuo
Descripcin
PREDICCION
x& = Ax + Bu + w
dxk= f RNA ( xk -1, s )

dt
z = Hx + v
dz
= f RNA ( z k -1 , s )
dt
Inicia el filtro con un

estimado inicial xk -1
usando la red neuronal para
obtener una prediccin xk
del estado
Se obtiene una prediccin
de la RNA a partir de zk -1
del sistema real con el fin
de obtener el valor de
referencia o medicin
ruidosa zk
ACTUALIZACION
K = PH T R -1
K = Pk -1H T R -1
x& = Ax + Bu + K ( z - Hx )
dx
= f RNA ( xk -1 , s ) + K ( zk - Hxk- )
dt
= xk- + K ( zk - Hxk- )
P& = AP + PAT - KRK T + Q
dP
= APk -1 + Pk -1 AT - KRK T + Q
dt
xk = xk -1
Pk = Pk -1
Se calcula la Ganancia de
Kalman con un estimado
de Covarianza previo.
Los estimados se utilizarn
en la correccin y
actualizacin de
mediciones donde se
incorpora el valor actual de
la medicin errnea zk
Se calcula la covarianza
con la ecuacin diferencial
de Ricatti
Estimados arrojados por el
filtro que son
retroalimentados
Pgina 44
METODOLOGIA
z k -1 Es la respuesta del sistema real en el tiempo anterior k-1;

zk La salida de referencia de RNA alimentada con z k -1 ;
xk -1 La prediccin final corregida por el filtro previa o dato retroalimentado del filtro;
xk- La prediccin de RNA a partir de xk -1 ;
xk El valor de la prediccin final corregida por el filtro actual;

P Es la covarianza del error;
K La ganancia de Kalman;
Q y R Son matrices de covarianza del proceso y la medicin;
A Matriz constante que relaciona el estado previo xk -1 con el valor actual xk ;
H Matriz constante que relaciona el estado medido z k -1 con el valor actual xk ;
Esta metodologa est pensada para corregir un error lineal en el tiempo provocado por una
variacin del sistema experimental que tienda a ser constante, el filtro de Kalman puede
adaptarse a cualquier perturbacin siempre que este sea de promedio cero y varianza uno.
El objetivo de esta metodologa es compensar la no linealidad de un sistema a travs de la
red (RNA), y acoplarla a un observador linear robusto (FK) sin perder generalidad y sin
errores de linearizacin como sera es el caso del uso del Kalman extendido.
Pgina 45
CAPITULO IV
Resultados
Control sin seal subumbral
El control desarrollado fue previamente probado de forma terica en el sistema FHN y el
modelo electroqumico, con el objetivo de corroborar su funcionalidad y verificar si era
factible de implementarse. El objetivo en esta simulacin es el seguimiento de la funcin
VN hasta alcanzar su mnimo y as considerar que el sistema se encuentra en su mxima
resonancia coherente y estabilizar la funcin en ese punto.
Figura 4.1 Varianza Normalizada del sistema FHN (Izquierda) y el Electroqumico (Derecha)
Se calcularon las grficas de VN de los dos sistemas en cuestin como se muestra en la

Figura 4.1, para el sistema FHN se observa que el mnimo de la VN se encuentra en la
vecindad de 0.65 de amplitud de ruido, que corresponde al valor reportado en la
bibliografa (Pikovsky & Kurths, 1997), y el valor calculado para el sistema electroqumico
se encuentra un poco desviado del valor reportado, aunque si se encuentra en el mnimo, el
crecimiento posterior se ve ms lento en comparacin al reportado en la bibliografa
(Escalera-Santos, Rivera, Eiswirth, & Parmananda, 2004).
Los valores obtenidos deben corresponder en un espectro de potencia a un pico ms alto y
ms estrecho en la amplitud de ruido que proporcione la mxima regularidad, en la Figura
4.2 se puede observar ese efecto en ambos sistemas modelados, en el sistema FHN se ve
Pgina 46
RESULTADOS
claramente un pico con estas caractersticas, en el caso del sistema electroqumico es
necesario considerar tambin lo ancho, y se puede ver la correspondencia con la VN.
Figura 4.2 Espectro de potencias calculados para el sistema FHN (Izquierda) y el Electroqumico
(Derecha).
Con la informacin obtenida de la presencia de la amplitud de ruido que corresponde a la

mxima coherencia, se dispone a aplicar la metodologa diseada para el control. El control
muestra ser muy dependiente de las ganancias del PI en el caso del modelo de FHN, e
incluso se ve cierta irregularidad al alcanzar la estabilidad, as como el valor necesario para
alcanzar el estado estacionario al compensar la prediccin futura, sin embargo en el caso
del modelo electroqumico, mostr una mayor estabilidad.
La Figura 4.3 izquierda muestra el comportamiento del sistema FHN y se observa el
seguimiento del control con diferentes amplitudes iniciales, en algunos casos se presenta un
seguimiento irregular, esto es ms marcado para grandes amplitudes de ruido, y para el
panel derecho, el comportamiento del sistema electroqumico es ms suave, siempre existe
un seguimiento ms directo, una posible causa es que la amplitud de ruido necesaria para
alcanzar la VN mnima es en un nivel de ruido menos que el modelo FHN, y por lo tanto
existe menos variabilidad. Esta simulacin prueba la eficiencia de este mtodo y permite
corroborar que es posible hacer un seguimiento de la Varianza Normalizada hacia la
amplitud de ruido que provea la seal ms regular.
Pgina 47
RESULTADOS
Figura 4.3 Seguimiento del control aplicado con diferentes amplitudes de ruido iniciales para el
sistema FHN (Izquierda) y el Electroqumico (Derecha).
Control con seal subumbral

Por la definicin de Resonancia Estocstica (RE), ciertas caractersticas de la respuesta de
salida son amplificadas significativamente por un nivel ptimo de ruido sobreimpuesto,
provocando:
Coincidencia con la seal subumbral de entrada, como es el caso de la Resonancia

Estocstica Peridica y Aperidica.
Incrementando el orden o la regularidad como sera el caso de la Resonancia

Coherente y la Resonancia Peridica en cierta frecuencia.
Nuestros resultados muestran que esta amplitud ptima de ruido corresponde al punto de
resonancia de un sistema con una seal subumbral peridica, aperidica o con constante
igual a cero, que a su vez corresponde a la Resonancia Estocstica Peridica (REP),
Resonancia Estocstica Aperidica (REA) y Resonancia Coherente (CR), siendo estas
probadas con la estrategia de seguimiento de arquitectura RNA-FK.
Resonancia Estocstica Peridica
Este Tipo de resonancia se asocia a una seal peridica. La bibliografa muestra que el
comportamiento de un sistema en presencia de este tipo de resonancia puede presentar un
estado doble (Escalera Santos, Rivera, & Parmananda, 2004), es decir pueden aparecer dos
Pgina 48
RESULTADOS
mnimos de VN, uno provocado por la seal subumbral, donde la amplitud de ruido permite
que la seal subumbral se magnifique, y otra donde el ruido opaque el efecto de la seal
subumbral y sea este quien dirija la dinmica estocstica.
Dado que la frecuencia de la seal subumbral es el factor primordial que permite la
aparicin del efecto de doble VN, se realiza un escaneo de diferentes frecuencias, iniciando
con la frecuencia de 1/52, que se sabe que existe este fenmeno (Escalera Santos, Rivera, &
Parmananda, 2004), y se va aumentado hasta observar el punto de frecuencia que se
confunda con el ruido en una nica VN, y ser la que se utilizar, para el estudio.
Figura 4.4 Varianza Normalizada del modelo FHN con diferentes Frecuencias de una seal
subumbral peridica.
En la Figura 4.4 se observa que a la frecuencia de 1/7 el sistema presenta un nico mnimo
de VN, ya que la presencia doble no se manifiesta claramente, cabe mencionar que el ruido
se supone de frecuencia infinita, dado que en la integracin a cada paso se le asigna un
valor aleatorio, sin notar efecto significativo por la variacin de este tamao de paso, en
otras palabras no parece haber una correlacin entre la frecuencia del ruido aplicado y la
frecuencia de la seal subumbral.
Pgina 49
RESULTADOS
La Figura 4.5 (a, b, c) muestra tres series de tiempo representativas al modelo FHN, donde
su dinmica se representa por tres amplitudes de ruido diferentes. En la parte superior de
estas series de tiempo se muestra la seal subumbral sobre impuesta en intervalos de
tiempo de 7s, una amplitud de pulso de 0.2 y con un ancho de 2s, la amplitud de pulso y el
ancho se eligieron segn la bibliografa (Escalera Santos, Rivera, & Parmananda, 2004).
Se puede observar que en la Figura 4.5 d muestra el efecto de incremento en la similitud
entre la seal subumbral y la seal de respuesta y el punto mximo de regularidad, esta
observacin se caracteriza por el valor mximo de la correlacin, que indica la similitud, y
el valor mnimo de la Varianza Normalizada, que indica la regularidad, se muestra una
lnea punteada sealando que para esta frecuencia especfica la misma amplitud
corresponde tanto a la fidelidad como a la regularidad de la seal, la Figura 4.5 (e, f, g)
pertenecen a los espectros de potencia equivalentes a las series de tiempo determinadas en
los puntos sealados donde corresponde el comportamiento de la seal.
Figura 4.5 Clculos numricos de la serie de tiempo que es inducido por una seal peridica en el
modelo FHN, a) bajo, b) medio, c) alta amplitud de ruido. El panel d) muestra la correlacin
cruzada y la VN en la misma grfica y el espectro de poder (e, f, g) de sus respectivas series de
tiempo.
La Figura 4.6 muestra la implementacin del protocolo de seguimiento, donde el panel de

la izquierda inicia en un nivel bajo de ruido y a travs de la metodologa RNA-FK sigue el
Pgina 50
RESULTADOS
trmino de correlacin hasta llegar al mximo (panel superior), y la amplitud aumenta hasta
llegar a un estado estacionario correspondiente al valor de mxima fidelidad (panel
inferior), el control fue realizado en 15 pasos y converge a una amplitud de 0.0785 que
corresponde al valor mximo de la Figura 4.5 d. En los paneles de la derecha el sistema
inicia desde una amplitud de ruido grande y se ve el efecto de sobrepaso, por esta razn en
el panel superior no se distingue claro su avance, sin embargo en el panel inferior se puede
observar este fenmeno de sobrepaso y se llega a un nivel de ruido estable, en 40 pasos de
control y alcanzando un valor ptimo de amplitud de ruido de 0.0796, ligeramente superior
al avance realizado del otro lado. Es importante sealar que las ganancias usadas en el
controlador PI influyen primordialmente en el comportamiento del control, y que en
nuestro caso fueron ajustadas de forma emprica.
Figura 4.6 Seguimiento de la curva de REP, donde el panel izquierdo inicia con valores iniciales
bajos y el derecho en alto de ruido impuesto, en los paneles superiores est la relacin correlacin
contra la amplitud de ruido y en el inferior el seguimiento de la amplitud de ruido en cada control
de paso.
Pgina 51
RESULTADOS
Resonancia Estocstica Aperidica
La Figura 4.7 (a, b, c) muestra tres series de tiempo representativas de la dinmica del
modelo FHN, provocado por la seal Estocstica Aperidica, en donde la parte superior se
muestra la seal subumbral construida en intervalos sucesivos entre 10 a 25 segundos, estos
intervalos fueron distribuidos con el uso de un nmero pseudoaleatorio de distribucin
uniforme, donde la amplitud del pulso se eligi de 0.05 y con una duracin de 2 segundos.
En la serie de tiempo de en medio es evidente que existe una mayor correspondencia de las
seales entrada/salida y estas se pueden verificar estadsticamente con la grfica de
correlacin que se muestra en la Figura 4.7 d. En el proceso de resonancia estocstico no
fue necesario el uso del espectro de potencias, debido a que la seal generada debe
corresponder a una seal aleatoria, por lo que el espectro no sealara informacin de
regularidad, debido a que no la habra.
Figura 4.7 Series de tiempo de una seal subumbral aperidica del modelo FHN para amplitudes a)
bajo, b) medio y c) alto. El panel d) es la correlacin cruzada.
La Figura 4.8 muestra la implementacin del protocolo de seguimiento para la Resonancia

estocstica aperidica. En el panel izquierdo el punto inicial corresponde a un nivel bajo de
Pgina 52
RESULTADOS
amplitud de ruido. La parte alta de este panel exhibe la evolucin de la evolucin de la
correlacin como funcin de la amplitud del ruido. En donde se puede observar que el
sistema converge a su ptimo hasta alcanzar aproximadamente los 50 pasos de control, el
modelo converge a un nivel ptimo de ruido a una amplitud de 0.0091 por la cual es
mximo se puede observar. Despus de lograr la convergencia deseada el sistema se
restringe para mantener la solucin en el punto de resonancia se muestra en el panel
inferior.
Figura 4.8 En esta figura se muestra el camino de seguimiento para la correlacin en la curva de
Resonancia Estocstica Aperidica, el panel izquierdo corresponde a un nivel bajo de ruido como
valor inicial y el derecho a un nivel alto en la amplitud de ruido, los paneles superiores muestran el
seguimiento y la convergencia al punto de resonancia y los inferiores la convergencia al valor
ptimo de ruido.
El panel derecho es anlogo a los resultados mostrados en el panel izquierdo, pero con la
diferencia que el punto inicial fue una amplitud alta, en este caso la convergencia se alcanza
en aproximada 60 pasos de control y el valor ptimo de amplitud de ruido corresponde a
0.0106. En este caso, como en el anterior, los coeficientes de ganancia del controlador PI se
obtuvieron empricamente y son muy sensibles para obtener la solucin
Pgina 53
RESULTADOS
Resonancia Coherente
La Figura 4.9 (a, b, c) muestra tres series de tiempo representativas de la dinmica del
modelo FHN provocado por tres diferentes amplitudes de ruido para el fenmeno de
Resonancia Coherente, y las grficas corresponden a los valores obtenidos en otras
referencias (Pikovsky & Kurths, 1997). De las series de tiempo se puede observar que la
serie de tiempo intermedia muestra la mayor regularidad del sistema.
Los datos visualizados en las series de tiempo, fueron corroborados con el estudio
estadstico de la Varianza Normalizada, en la Figura 4.9 d, en la que se marcan las
diferentes series de tiempo
y su lugar respectivo dentro de la grfica de la VN,
corroborando que la serie de en medio es la que mayor coherencia presenta, y en los incisos
(e, f, g) se presentan los espectros de potencia que corroboran la presencia de una
frecuencia dominante.
Figura 4.9 Series de tiempo del sistema inducido por ruido FHN donde se tiene bajo a) intermedio
b) y alto c) nivel de ruido, la grfica d) muestra el comportamiento de la VN, y (e, f, g) sus
respectivos espectros de potencia.
La Figura 4.10 muestra la implementacin del protocolo para la resonancia Coherente. As

como en los casos anteriores, en el panel izquierdo se corresponde a un punto inicial de
baja amplitud de ruido. Y en el que el panel superior muestra la evolucin de la Varianza
Normalizada como funcin de la cantidad de ruido, en este panel se ve que el control se
Pgina 54
RESULTADOS
estabiliza como hasta 60 pasos de control y el seguimiento converge en el nivel ptimo de
ruido de 0.0607 en el cual se encuentra la Varianza mnima, indicando el mayor grado de
regularidad, adems que concuerda con los resultados obtenidos anteriormente, concuerda
con lo presentado en la bibliografa (Pikovsky & Kurths, 1997), subsecuentemente como se
desea la convergencia, el sistema se restringe a mantener el punto de la curva de VN
mnimo.
Figura 4.10 Seguimiento de la Varianza Normalizada en la curva de resonancia estocstica, en la

izquierda corresponde a valore iniciales bajos de ruido sobreimpuesto, y en la derecha corresponde
a valores iniciales altos. Los paneles superiores se muestran el seguimiento y la eventual
convergencia al punto de mnima Resonancia Coherente, y los paneles inferiores corresponden a la
convergencia del valor del ruido impuesto.
Anlogo al panel izquierdo, el panel derecho muestra lo mismo, pero con la diferencia de
iniciar en un nivel ms amplio de ruido, donde se logra el control a 65 tamaos de paso y el
ruido ptimo corresponde a 0.0591. Es de sealar que el control es muy parecido al
presentado en la primera parte del captulo, las diferencias radican en las ganancias
utilizadas para el controlador PI y que en esta ocasin cambiaron ligeramente, adems de
Pgina 55
RESULTADOS
que se utilizaron las grficas de Varianza Normalizada contra Amplitud de ruido, que
permiten ver el seguimiento en la curva.
Control del Sistema Experimental.

La bifurcacin experimental del sistema de cido sulfrico y Hierro, descrito en la
metodologa, fue construida con el voltaje andico como parmetro variable como se
muestra en la Figura 4.11, este sistema presenta la estructura de bifurcacin clsica de este
tipo de sistemas, y se considera que es un sistema robusto y reproducible. En la Figura
4.11presenta dos tipos de dinmicas, dependiendo de hacia donde sea el escaneo de voltaje,
si es de menor hacia el mayor (panel izquierdo) no se presentan oscilaciones y se observa
un cambio de corriente abrupto, seal de la presencia de una bifurcacin de punto fijo, si el
sistema va de mayor a menor voltaje (panel derecho) se presentan oscilaciones de periodo 1
surgiendo de la vecindad de la bifurcacin cerca de los 265 mV y con un aumento de las
oscilaciones hasta su desaparicin. Este comportamiento es similar al sistema reportado en
la bibliografa con la utilizacin de sulfato de cobre como sal de complemento (EscaleraSantos, Rivera, Eiswirth, & Parmananda, 2004).
Figura 4.11 Bifurcacin experimental del sistema H2SO4 Fe, en la izquierda el voltaje fue
variando de menor a mayor, y en la derecha de mayor a menor.
Para cuantificar la presencia de las bifurcaciones resultante a partir del surgimiento del
punto fijo, se analiza la disminucin de la frecuencia de las oscilaciones como funcin del
voltaje andico. Al ir aumentando el valor del voltaje la frecuencia comienza a disminuir,
esto muestra la cercana a una bifurcacin homoclnica, pues la definicin de esta indica el
Pgina 56
RESULTADOS
incremento de las orbitas hasta llegar a su desaparicin en una infinita. En la Figura 4.12
(panel izquierdo) se observa el efecto antes mencionado en las series de tiempo, en cambio
en el panel derecho se grafica la distancia entre aparicin de picos contra el voltaje,
observndose que a potenciales menores de 230 mV se encuentra un punto fijo y
ligeramente abajo de 265 mV se localizan oscilaciones de periodo 1 con cada vez mayor
retardo en la aparicin, por lo tanto de baja frecuencia, por cuestiones prcticas del
experimento retardos mayores no se consideraron para graficar.
Figura 4.12 Frecuencia en las oscilaciones de los voltajes fijos 260 mV, 255mV, 250 mV y 245
mV mostrados en la izquierda de arriba hacia abajo (panel izquierdo). Incremento de la distancia
entre picos contra voltaje andico (panel derecho).
Al sistema descrito anteriormente, se le aadi una seal ruidosa, partiendo de un voltaje

fijo de 450 mV y se observ el efecto del disparo de las seales. Para la coherencia es
necesario saber las distancias entre picos y sacar su relacin estadstica de variacin, en la
Figura 4.13 se calcul la relacin normalizada entre una distancia anterior y posterior de
los picos de los datos experimentales recolectados, donde t representa la distancia entre
picos, en los diferentes amplitudes de ruido se puede observar que existe una amplitud de
Pgina 57
RESULTADOS
ruido que se acerca ms hacia cero, un atractor nulo, con una menor dispersin, es decir
distancias entre picos que se repiten, esta caracterstica seala que en la vecindad de la
amplitud 0.22 existe una mayor coherencia de la seal, los puntos estn ms cercanos al
punto nulo y algunos se sobreponen indicando secuencias ser repiten.
Figura 4.13 Mapa de distancias entre picos normalizado de la seal ruidosa a diferentes
amplitudes de ruido.
La varianza normalizada se utiliza para cuantificar la induccin de regularidad, definida

como la raz de la varianza entre el promedio de la distancia de picos, mientras menor sea el
valor, ms regular se encuentra la seal, en la Figura 4.14 se muestra la varianza
normalizada en funcin de la amplitud del ruido, se puede ver que el mnimo est en la
vecindad de la amplitud 0.2175, esto corresponde con la relacin de plano fase presentado
Pgina 58
RESULTADOS
anteriormente, esto concluye que el nivel de ruido que induce la coherencia debe estar en
las cercanas de 0.22.
El control desarrollado con la metodologa RNA-FK muestra el seguimiento en base a cada
etapa de aplicacin hacia un valor de amplitud de ruido de aproximadamente 0.217, es de
sealar que el control experimental tard aproximadamente 24 Horas en la captura de los
datos de la Figura4.15, y el factor de avance es fundamental para este control
experimental, primero porque el error de la red pierde predictibilidad y segundo porque el
experimento es muy tardado.
Figura 4.14 Grafica de la varianza normalizada experimental
Pgina 59
0.95
0.217
0.90
0.216
0.85
0.215
Amplitud de ruido
Varianza Normalizada
RESULTADOS
0.80
0.75
0.214
0.213
0.70
0.212
0.65
0.211
0.60
0.210
0.210
0.211
0.212
0.213
0.214
0.215
0.216
0.217
Amplitud de Ruido
10
15
20
25
30
35
40
45
50
55
Etapa de control
Figura 4.15 Seguimiento de la VN hacia la Amplitud de ruido de mayor regularidad (Panel

Izquierdo), seguimiento de la Amplitud de ruido por cada etapa de control (Panel derecho).
Caso de Estudio RNA-FK continuo

Para caso especfico de una Red Neuronal continua, es necesario utilizar una metodologa
de solucin que involucre los datos de las variables de estado para sistemas continuos y
para lograr esto la red debe ser estructurada dentro de un sistema de integracin numrica
en el cual la red prediga el comportamiento del sistema, en otros trminos sean las
derivadas las que prediga la red.
En este tipo de problemas se implementan mtodos como el Euler o Runge-Kutta acoplados
con RNA tal como se muestra en la Figura 4.16, esto permite descripciones de sistema
continuos basados en redes neuronales, en donde la red est asociada a una respectiva
derivada.
En el esquema mostrado en la Figura 4.16 el vector de salidas de la red consta de
mediciones de derivadas temporales y los vectores de entrada corresponden en variables de
estados atrasadas en el tiempo, informacin ms detallada se puede encontrar en la
bibliografa (Rico-Martnez, 1994; Gonzlez-Garca, 1999; Rico-Martinez, Krischer, &
Gevrekidis, 1992; Herrera Hernndez, 2005).
Pgina 60
60
RESULTADOS
Figura 4.16 Representacin esquemtica de RNA acoplada a un Runge-Kutta de 4 orden para

describir sistemas dinmicos.
Esta Red dinmica se representa como una ecuacin diferencial, donde su funcin es
expresada por una RNA, se le acopla un filtro de Kalman para la correccin de un error
acumulado en el modelo dinmico, una desviacin lineal que se vaya presentando en el
sistema dinmico, o un ruido blanco presente en el sistema, la propuesta de este
acoplamiento se presenta en la metodologa.
Para corroborar la correccin de una dinmica, se propone una ecuacin diferencial no
lineal de comportamiento simple, a la cual se le acoplar un trmino de desviacin lineal
acumulativa x ( t ) (ecuacin 4.1). El Filtro de Kalman acoplado a una RNA continua
corregir el modelo Neuronal que proporciona la trayectoria, que se espera se desve, se
Pgina 61
RESULTADOS
aclara que la red continua fue entrenada sin considerar esta desviacin, para asegurar que
FK sea capaz de modificar la trayectoria final de la prediccin.
dy
= y 3 - 1.2 y + x ( t )
dt
(4.1)
El trmino x ( t ) se determina para dos casos, para el caso a)como un escalar de 0.005 veces
el valor de "y" con un incremento de variacin progresivo cada 0.04segundos, para el caso
b) como una seal ruidosa entre -1 y 1 de ruido blanco Gaussiano en ese mismo intervalo
de tiempo.
Figura 4.17 Trayectorias de la RNA, un modelo experimental y el modelo de referencia RNA-FK.
El panel izquierdo de la Figura 4.17 muestra las trayectorias de la Red Neuronal sin el
Filtro de Kalman, en la que se puede observar la falta del trmino acumulativo, al llegar a
un estado estacionario cerca de 6 segundos, los datos considerados experimentales, son
aquellos que incluyen esta desviacin lineal, la cual se manifiesta con un incremento
progresivo en el tiempo y una clara separacin de la dinmica original, creando otra
dinmica diferente lineal en el tiempo. Tambin se muestra el comportamiento del modelo
de referencia propuesto RNA-FK continuo, en el cual se puede ver como se compensa la
prediccin con un acercamiento a la trayectoria experimental. En el panel derecho la seal
aadida es ruido blanco Gaussiano, en este segundo caso la red fue entrenada en un rango
menor de prediccin, se observa una desviacin provocada por un modelo RNA de mala
prediccin y la RNA-FK sigue la dinmica de la red en las inmediaciones estadsticas de la
seal ruidosa.
Pgina 62
CAPITULO V
CONCLUSIONES
El control de dinmica inducida por el ruido es un problema cientficamente relevante y
tiene importancia en sistemas umbrales sujetos a seales externas de ruido. En sistemas
umbrales con ruido, generalmente no se tiene control sobre la respuesta del sistema, por
consecuencia, regular las caractersticas de la seal de salida no es posible (EscaleraSantos, Escalona, & Parmananda, 2006). Sin embargo se han implementado estrategias de
control basadas en retraso, y se ha observado que se puede alterar y/o regular las
propiedades observadas en las secuencias de picos (Li, Yang, & Liu, 2012; Ma, Hou, &
Xin, 2009; Janson, Balanov, & Sholl, 2004; Escalera-Santos, Escalona, & Parmananda,
2006) y esta estrategia supone ser usada por la naturaleza como estrategia de regulacin en
la presencia de ruido (Han, y otros, 2014).
El mtodo comnmente usado para inducir el estado coherente con la aplicacin de ruido,
consiste en la inyeccin progresiva de ruido de amplitud creciente, en una regin debajo de
la barrera de la bifurcacin supercrtica, en una seal de ruido fijo la SNR muestra la
existencia de periodicidad, sin embargo es posible inducir coherencia ajustando la cantidad
de ruido re-inyectado (Ma, Hou, & Xin, 2009). Hay estrategias que utilizan la misma idea
pero tratando de cambiar los parmetros usando retraso en el tiempo modulando el efecto
del ruido, o aadiendo perturbaciones determinsticas (Janson, Balanov, & Sholl, 2004; Li,
Yang, & Liu, 2012; Escalera-Santos, Escalona, & Parmananda, 2006).
En este estudio se presenta un control inteligente que puede predecir el efecto que tendr el
ruido en un sistema, esta forma de abordar es viable por la metodologa de la RNA-FK que
permiten una adaptacin de la prediccin del modelo en base al error que va surgiendo en la
medida que la dinmica se desenvuelve (Bernal-Osorio, 2006).
El control predictivo de arquitectura RNA-FK ha mostrado ser funcional para el
seguimiento de las curvas estadsticas que permiten inducir el estado regularidad o
fidelidad en la dinmica de sistemas, tanto terico como experimental.
Pgina 63
CONCLUSIONES
La ventaja de la estrategia actual respecto a las otras estrategias usadasconsiste en dos
caractersticas:
Con un fragmento de informacin de la serie de tiempo se puede predecir todo el

comportamiento estadstico de un sistema, capturando todos sus componentes
variables expresados en una curva, sea Varianza Normalizada o Correlacin.
Esta estrategia puede ser implementada para sistemas en lnea y lograr que el
sistema converja hacia un punto y se mantenga ah.
Se prob que la metodologa RNA-FK fue igualmente eficiente en la estabilizacin

de dinmicas estocsticas, tanto en la presencia de seales subumbrales como en su
ausencia.
Dado que es posible encontrar mltiples problemas estocsticos que requieran el control de
este tipo, se prev una tremenda aplicacin en el futuro.
El trabajo terico se corrobor en un estudio experimental en un sistema caracterstico
electroqumico H 2 SO4 - Fe el cual fue el caso de estudio del control predictivo auto
correctivo usando RNA-FK, este control se implement para alcanzar la resonancia
coherente y prob que con poca informacin es posible completar un modelo estadstico
complejo y ser corregido en lnea, de forma real.
Esta metodologa es novedosa dado que usa el efecto del ruido en un sistema, modela y
predice su efecto, adems es capaz de retroalimentar la informacin para ser usada en un
controlador de seguimiento.
Tambin se propuso una metodologa de la arquitectura RNA-FK empleada, pero para
sistemas continuos, se valid para un caso de estudio muy elemental, pero abre las puertas
para aplicaciones ms avanzadas, ahora el modelo de referencia podr ser corregido
continuamente y no solo a travs de mapas.
Pgina 64
Bibliografa
Anishchenko, V., Astakhov, V., Neiman, A., Vadivasova, T., & Schimansky-Geier, L.
(2006). Nonlinear Dynamics of Chaotic and Stochastic Systems Tutorial and Modern
Developments. Saratov, Berlin & St. Louis,: Springer.
Anishchenko, V., Neiman, A., Moss, F., & Schimansky-Geier, L. (1999). Stochastic
resonance: noise-enhanced order. Physics-Uspekhi , 42 (1), 7-36.
Arana-Chavez, D. (Junio de 2007). Modelo para sistemas de flujo incompresible, basado en
redes neuronales artificiales. Tesis de Maestra. Celaya, Gto., Mxico: Instituto
tecnolgico de Celaya.
Baker, G., & Gollub, J. (1996). Chaotic Dynamics an introduction (2 ed ed.). Cambridge
University Press.
Bernal-Osorio, A. (Marzo de 2006). Anticontrol del caos en un sistema electroqumico.
Tesis de Maestra . Celaya, Gto., Mxico: Instituto Tecnolgico de Celaya.
Borgogno, F., DOdorico, P., Laio, F., & Ridol, L. (2012). Stochastic resonance and
coherence resonance in groundwater-dependet plant ecosystems. Journal of
Theoretical Biology , 293, 65-73.
Brown, R., & Hwang, P. (2012). Introduction to Random Signals and applied Kalman
Filtering. John Wiley & Sons, Inc.
Buric, N., Todorovic, K., & Vasovic, N. (2009). Dynamics of noisy FitzHugh-Nagumo
neurons with delayed coupling. Chaos, Solitons and Fractals , 40, 2405-2413.
Burrage, K., Lenane, I., & Lythe, G. (2007). Numerical methods for second-order
stochastic differential equations. SIAM J. Sci. Comput , 29 (1), 245-264.
Carletti, M., Burrage, K., & Burrage, P. (2004). Numerical simulation of stochastic
ordinary differential equations in biomathematical modellig. Mathematics and
computers in simulation , 64, 271-277.
Castillo-Quiroz, G. (2006). Anlisis cualitativo del modelo de FitzHugh-Nagumo. Tesis de
Grado .
Chen, S., & Kao, C. (2006). A stochastic quasi-Newton method for simulation response
optimization. European Journal of Operational Research , 173, 30-46.
Collins, J., Chow, C., & T.T., I. (1995). Aperiodic resonance in excitable systems. Physical
Review E , 52 (4), R3321.
Pgina 65
BIBLIOGRAFIA
Cybenko, G. (1989). Approximation by superposition of a sigmoidal function. Math
Control Signal Systems. , 42, 303-314.
Debrabant, K., & Rsler, A. (2009). Families of efficient second order Runge-Kutta
methods for the weak approximation of It stochastic differential equations. Applied
Numerical Mathematics , 59, 582-594.
Demuth, H., & Beale, M. (2000). Neural Network Toolbox, For use with MATLAB.
MATLAB user's guide, v4 . Natick, MA., USA: The MathWorks, Inc.
Duan, W., Long, F., & Li, C. (2014). Reverse resonance and stochastic resoance in
intracellular calcium oscillations. physica A , 401, 52-57.
Eichwald, C., & Walleczek, J. (1997). Aperiodic stochastic resonance with chaotic input
signals in excitable systems. Physicial Review E , 55 (6).
El-Samad, H., & Khammash, M. (2006). Coherence resonance: A mechanism for noise
induced stable oscillations in gene regulatory Networks. Proceedings of the 45th
IEEE Conference on Decision & Control. San Diego, CA, USA.
Escalera Santos, G., Rivera, M., & Parmananda, P. (2004). Experimental evidence of
coexisting periodic stochastic Resoance and Coherence resoance phenomena.
Physical review letters , 92 (23), 230601-1-4.
Escalera-Santos, G. (Octubre de 2006). Interaccin del Ruido con dinmica excitable. Tesis
de Doctorado. Cuernavaca: Universidad Autnoma del Estado de Morelos.
Escalera-Santos, G., Escalona, J., & Parmananda, P. (2006). Regulating noise-induced
spiking using feedback. Physical Review E , 73, 042102.
Escalera-Santos, G., Rivera, M., Eiswirth, M., & Parmananda, P. (2004). Effects of noise
near homoclinic bifurcation in an electrochemical system. Physical Review E , 70,
021103.
Fadhel, S., & Abdulamear, A. (2011). Explicit Runge-Kutta methods for solving stochastic
differential equations. Journal of Basrah Researcher , 37 (4), 300-313.
Gammaitoni, L., Hnggi, P., Jung, P., & Marchesoni, F. (1998). Stochastic Resonance.
Reviews of Modern Physics , 70 (1), 223-287.
Gardiner, C. (1985). Handbook of Stochastic Methods. Springer.
Pgina 66
BIBLIOGRAFIA
Gonzlez-Figueredo, C., & Rico-Martnez, R. (2005). Towards Bifurcation Detection in
Kinetic Monte Carlo Simulations: Robust Identification with Artificial Neural
Network and Nonlinear Kalman. Int. J. Chem. Reac. Eng. , 3, 1-7.
Gonzlez-Garca, R. (1999). Identificacin y caracterizacin de sistemas dinmicos
mediante redes neuronales artificiales. Tesis Doctoral . Celaya, Gto., Mexico:
Instituto Tecnolgico de Celaya.
Guckenheimer, J., & Kuehn, C. (2010). Homoclinic Orbits of the FitzHugh-Nagumo
Equation: Bifurcations in the Full system. SIAM J. Applied Dynamical Systems , 9
(1), 138-153.
Han, Q., Yang, T., Zeng, C., Wang, H., Liu, Z., Fu, Y., y otros. (2014). Impact of time
delays on stochastic resonance in an ecological system describing vegetation. Physica
A , 408, 96-105.
Haykin, S. (2005). Neural Networks a comprehensive foundation (2 ed ed.). Ontario,
Canada: Prentice Hall.
Herrera Hernndez, E. (Octubre de 2005). Modelos compactos de redes neuronales a partir
de datos de simulacin Monte Carlo. Tesis de Maestra . Celaya, Gto., Mxico:
Instituto Tecnolgico de Celaya.
Herrera-Hernandez, E. (Noviembre de 2010). Algoritmo computacional para reconstruir
variables de estado en sistemas dinmicos de baja dimension. Tesis de Doctorado.
Celaya, Gto., Mxico: Instituto Tecnolgico de Celaya.
Higham, D. (2001). An algorithmic Introduction to numerical simulation of stochastic
Differential Equations. SIAM Review , 43 (3), 525-246.
Hu, D., Yang, J., & Liu, X. (2012). Delayed-induced vibrational multiresonance in
FitzHugh-Nagumo system. Commun Nonlinear Sci Numer Simulat , 17, 1031-1035.
Hu, D., Yang, J., & Liu, X. (2014). Vibrational resonance in the FitzHugh-Nagumo system
with time-varying delay feedback. Computers in Biology and Medicine , 45, 80-86.
Janson, N., Balanov, A., & Sholl, E. (2004). Delayed feed back as a means of control of
noise-induced motion. Phys. Rev. Lett , 93, 010601.
Kahan, S. (2003). Bifurcaciones homoclnicas en el circuito de chua. Tesis de Grado .
Kalman, R., & Bucy, R. (1961). New results in linear filtering and prediction theory. ASME
J. Basic Eng. Ser. D , 83, 95-108.
Pgina 67
BIBLIOGRAFIA
Karantonis, A., & Nakabayashi, S. (2001). Phase flow deformations and coupled
electrochemical oscillators. Chemical Physics Letters , 347, 13.
Krejic, N., Luzanin, Z., & Stojkvska, I. (2013). A gradient method for unconstrained
optimization in noisy enviroment. Applied Numerical Mathematics , 70, 1-21.
Lapedes, A., & Farber, R. (1987). Nonlinear system processing using neural networks:
Prediction and system modeling. Los Alamos, Texas.: Los Alamos Report.
Li, X., Yang, J., & Liu, X. (2012). The coherence resonance in Van Der Pol system induced
by noise recycling. Fluctuation and Noise Letters , 11 (2), 1250002.
Lindner, B., Garca-Ojalvo, J., Neiman, A., & Schimansky-Geier. (2004). Eects of noise
in excitable systems. Physics Reports (392), 321-424.
Liu, Z., Lai, Y., & Lopez, J. (2002). Noise-induced enhancement of chemical reactions in
nonlinear ows. Chaos , 12 (2), 417-425.
Louvier-Hernandez, J. (Octubre de 2000). Control del caos con redes neuronales. Tesis de
Maestra. Celaya, Gto., Mxico: Instituto Tecnolgico de Celaya.
Louvier-Hernndez, J., Rico-Martnez, R., & Parmananda, P. (2001). Maintenance of
transient chaos using a neural-network assisted feedback control. Physical Review E ,
65, 016203.
Ma, J., Hou, Z., & Xin, H. (2009). Control coherence resonance by noise recycling. Eur.
Phys. J. B. , 69, 101-07.
Mauthner, S. (1998). Step size control in the numerical solution of stochastic differential
equations. ournal of computational and applied mathematics , 100, 93-109.
Parmananda, P., Escalera-Santos, G., Rivera, M., & Showalter, K. (2005). Stochastic
resonance of electrochemical aperiodic spike trains. Physical Review E , 71, 031110.
Pikovsky, A., & Kurths, J. (1997). Coherence Resonance in a Noise-Driven Excitable
System. Physical Review Letters , 78 (5), 775-778.
Raffo-Lecca, E., & Meja-Puente, M. (2006). Aplicaciones computacionales de las
ecuaciones diferenciales estocsticas. Industrial Data , 9 (1), 64-75.
Ramrez Alvarez, E. (Diciembre de 2007). Implementacin de algorimto para
caracterizacin y control de sistemas no lineales en un sistema electroqumico. Tesis
de Maestra . Celaya, Gto., Mxico: Instituto Tecnolgico de Celaya.
Pgina 68
BIBLIOGRAFIA
Ramrez-lvarez. (Junio de 2012). Modelo Genrico para la manipulacin de sistemas no
lineales. Tesis de Doctorado. Celaya, Gto., Mxico: Instituto Tecnolgico de Celya.
Ramrez-lvarez, E., Caldern-Ramrez, M., Rico-Martnez, R., Gonzlez-Figueredo, C.,
& Parmananda, P. (2013). Detecting Bifurcations in an Electrochemical Cell
Employing an Assisted Reference Model Strategy. J. Phys. Chem. A , 117 (3), 535
540.
Ramrez-lvarez, E., Rico-Martnez, R., & Parmananda, P. (2010). Chaos Induction Using
a Reference Model Assisted Control. J. Phys. Chem. A. , 114, 12819-12824.
Rico-Martnez, R. (1994). Neural Networks for the characterization of nonlinear determinic
systems. PhD thesis . N.J., U.S.A: Princeton University.
Rico-Martinez, R., Krischer, K., & Gevrekidis, I. (1992). Discrete vs continuous time
nonlinear signal processing of Cu electrodissolution data. Chem. Eng. Comm. , 118,
25-48.
Ripoll Massanes, S., & Prez Vicente, C. (1999). Nonadiabatic resonances in a noisy
Fitzhugh-Nagumo neuron model. Physical Review E , 59 (4), 4490-4497.
Rsler, A. (2007). Second order runge-kutta methods for stratonovich stochastic differential
equations. BIT numerical Mathematics , 47, 657-680.
Rsler, A., & Debrabant, K. (2008). Classification of stochastic Runge-Kutta methods for
weak approximation of stochastic differential equations. Mathematics and computers
in simulation , 77, 408-420.
Sazou, D., Diamantopoulou, A., & Pagitas, M. (2000b). Complex periodic and chaotic
current oscillations related to different states of the localized corrosion of iron in
chloride-containing sulfuric acid solutions. Journal of Electroanalytical Chemistry ,
489, 1-16.
Sazou, D., Diamantopoulou, A., & Pagitsas, M. (2000). Chemical perturbation of the
passive-active transition state of Fe in a sulfuric acid solution by adding halideions.
Current oscilations and stability of the iron oxide film. Electrochemica Acta , 45,
2753-2769.
Sedano-Franco, J., Alonso-lvarez, A., & Villar-Flecha, J. (2007). Identificacin de
sistemas no lineales mediante redes neuronales artificiales. Tcnica Industrial , 4753.
Pgina 69
BIBLIOGRAFIA
Sethia, G., Kurths, J., & Sen, A. (2007). Coherence resonance in an excitable system with
time delay. Physics Letters A , 364, 227-230.
Silva, I., Rosso, O., Vermelho, M., & Lyra, M. (2014). Ghost stochastic resonance induced
by a power-law distributed noise in the FitzHugh-Nagumo neuron model. Commun
Nonlinear Sci Numer Simulat , In Press.
Simon, D. (Junio de 2001). Kalman Filtering. Embedded Systems Programming , 72-79.
Spall, J. (2003). Introduction to stochastic search and optimization, estimation, simulation
and control. John Wiley & Sons.
Strogatz, S. (2000). Nonlinear Dynamics and Chaos. Perseus Publishing.
Tatchim Bemmo, D., Siewe Siewe, M., & Tchawoua, C. (2013). Combined effects of
correlated bounded noises and weak periodic signal input in the modified FitzHughNagumo neural model. Commun Nonlinear Sci Numer Simulat , 18, 1275-1287.
Tocino, A., & Ardanuy, R. (2002). Runge-kutta methods for numerical solution of
stochastic differential equations. Journal of computational and applied mathematics ,
138, 219-241.
Trk, C. (1994). Numerical Solution of Linear stochastic Differential Equations.
Computers Math. Applic. , 27 (4), 1-10.
Valinejad, A., & Mohammad-Hosseini, S. (2012). A stepsize control algorithm for SDEs
with small noise based on stochastic Runge-Kutta Maruyama methods. Numer Algor .
Volkov, E., Ullner, E., Zaikin, A., & Kurths, J. (2003). Oscillatory amplification of
stochastic resonance in excitable systems. Physical Review E , 68, 026214.
Wang, J., Zhang, T., & Deng, B. (2007). Synchronization of FitzHugh-Nagumo neurons in
external electrical stimulation via nonlinear control. Chaos, Solitons and Fractals ,
31, 30-38.
Wu, D., & Zhu, S. (2008). Stochastic resonance in FitzHugh-Nagumo system with timedelayed feedback. Physics Letters A , 372, 5299-5304.
Ya Jia, M.Y., Liu, Q., Li, J., & Zhu, C. (2006). Enhancement of internal-noise coherence
resonance by modulation of external noise in a circadian oscillator. Physical Review
E , 73, 041923.
Pgina 70
BIBLIOGRAFIA
Yu, G, Yi, M., Jia, Y., & Tang, J. (2009). A constructive role of internal noise on coherence
resonance induced by external noise in a calcium oscillation system. Chaos Solitons
& Fractals , 41, 273-283.
Pgina 71
ANEXOS
ANEXO A: MTODOS DE ENTRENAMIENTO DE REDES
Gradiente Conjugado
En los mtodos de entrenamiento de las redes, se busca que los datos de entrenamiento, que
son los de salida de la red, correspondan a algunos datos dados, esto convierte el problema
en un problema de minimizacin.
El mtodo del gradiente conjugado lo vamos a utilizar como mtodo de ajuste, porque
permite que la red proporcione datos continuos, es decir los factores de peso no crecern
demasiado al irse ajustando y por lo tanto se evita que haya saltos o puntos infinitos entre
red, adems que ya se ha desarrollado una metodologa especfica para el caso de redes
neuronales.
Tomando la capa de salida de la RNA, se tiene que todas las neuronas procesan la
informacin de forma lineal, por lo tanto la expresin para dicha capa se representa por la
ecuacin:
n3
V4 j = Yij = W4 jkV3k + q3 j
(A.1)
k =1
Se supone que un conjunto P de vectores de entrada-salida estn disponibles para el

entrenamiento. si t jp es la salida deseada para la j-sima neurona de la capa de salida para psimo vector de entrada en el conjunto de entrenamiento, la red es entrenada para
minimizar la funcin:
1 P n4
E = ( t jp - V4pj )
2 p =1 j =1
(A.2)
Partiendo de un punto inicial arbitrario (Es, Xs) el objetivo es obtener una secuencia de
puntos sucesivamente ms cercano al mnimo, usando la siguiente ecuacin:
xi +1 = x + a i Pi
(A.3)
Pgina 72
ANEXOS
Donde (ai > 0) Ri , Pi R n y n es el nmero de parmetros involucrados en la
optimizacin de los pesos y umbrales de la red. en esta nomenclatura, xi representa el
vector de pesos y umbrales y Pi es el vector de bsqueda.
Mediante un desarrollo se llegan a las siguientes expresiones para m-sima iteracin de
pesos y umbrales de la RNA (Rico-Martnez, 1994):
Wijkm = Wijkm -1 + DWijkm
(A.4)
q ijm = q ijm-1 + Dqijm
(A.5)
con:
E
DWijkm = -a m
Wijk
E
+ b m-1
m
Wijk

m -1
(A.6)
E
E
Dqijm = -a m
+
b
m -1
q
q ij m
ij
m -1
(A.7)
Para m=1, la primera iteracin de ciclo de gradiente conjugado, se tiene:
E
DWijkm = -a1
W
ijk
E
Dq ijm = -a1
q
ij
(A.8)
(A.9)
Donde b m se calcula de la siguiente manera

2
E
E
i j k W + i j q
ijk m
ij
b m -1 =
2
E
E
i j k W + i j q
ijk m-1
ij
m
2
m-1
(A.10)
Este procedimiento se contina hasta que m=n y entonces se reinicia la bsqueda del
mnimo (m=1) con un paso de descenso ms inclinado si una mejor convergencia hacia el
ptimo es deseada.
Pgina 73
ANEXOS
Levenberg-Marquardt
Este Algoritmo es de los ms usados en la optimizacin, y es el que se usa predeterminado
para el ajuste de las redes en el software comercial, como MATLAB. Este mtodo tiene la
ventaja de que tiene una convergencia cuadrtica, es decir es el mtodo ms rpido, pero
tiene la desventaja que las funciones de peso, pueden incrementarse provocando
indeterminaciones en datos intermedios, es decir, para redes que son continuas este mtodo
necesita suficientes datos de entrenamiento para garantizar la continuidad, por lo que
requiere ms proceso computacional.
Este algoritmo se basa en la solucin del problema de optimizacin de la funcin objetivo
de mnimos cuadrados
N
S () = (YEXP - YMOD ) 2
(B.1)
La primera derivada proporciona una trayectoria de mxima inclinacin de la funcin error

e indica que se ha alcanzado un punto ptimo. La segunda derivada indicar si es un
mximo o un mnimo. La segunda derivada se denota por:
H( ) H 2 f ( )
(B.2)
que se denomina matriz Hessiana. La matriz Hessiana, est conformada por segundas
derivadas de la funcin multidimensional con respecto a las variables independientes, en el
caso de Entrenamiento de Redes, corresponde a los factores de peso.
La matriz Hessiana tiende a ser singular en general para las RNA por lo tanto se hace una
suposicin, si los errores son lo suficientemente pequeos respecto de sus residuales la
Hessiana se puede linealizar y convertir en:
H() H 2 f () = J ( ) J ( )
T
(B.3)
Lo anterior es cierto si se inician con valores cerca de la solucin que es el caso para RNA
adimensionalizadas.
Pgina 74
ANEXOS
Si S(q) es convexa, H(q) es definida positiva casi en todos los puntos de q. Si S(q) no es
estrictamente convexa,como el caso de regiones lejos del ptimo, H(q) puede no ser
definida positiva donde quiera, por lo que una estrategia para forzar la convergencia es
remplazar H(q) por otra matriz definida positiva. El mtodo de Marquardt es una forma de
hacer esto.
El mtodo de Levenberg proporciona un algoritmo con la regla de actualizacin siguiente
-1
i +1 = i - H ( ) + lI f ( i )
(B.4)
Marquardt sugiere que la matriz Hessiana de S(q) sea modificada en cada etapa de la
bsqueda como sea necesario para asegurar que la matriz modificada de H(q) sea definida
positiva. El mtodo agrega valores a los elementos diagonales de H(q) de la forma
-1
i +1 = i - H ( ) + l diag H ( ) f ( i )
(B.5)
dondel es una constante positiva lo suficientemente grande para hacer que H(q) se defina
positiva cuando no lo es. Escoger el valor l no es una cuestin trivial, ya que este
parmetro impacta directamente con el nmero de iteraciones requeridas para que se llegue
a un vector de minimizacin. Se puede notar que si el valor es cero, se reduce el
algoritmo al mtodo de Newton. Por el otro lado, si es muy grande, se tiende al mtodo
del gradiente.
Se ha observado que al ajustar una RNA adimensional con factores de peso iniciales
aleatorios, el mtodo Levenberg ha dado mejor convergencia que el Marquardt, adems
para evitar el uso de la inversa se rearregla el sistema para que se resuelva lineal.
H ( ) + l I [ i +1 - i ] = -f ( i )
(B.6)
H ( ) + l I D = -f ( i )
(B.7)
Donde D = i +1 - i , D es la incgnita y al despejar i+1 se puede obtener el valor del

parmetro siguiente que minimice la funcin.
Pgina 75
ANEXOS
ANEXO B: PREPARACION DE EXPERIMENTO

Eleccin de la celda: La siguiente combinacin de sistemas equivalentes fue probada antes de la
eleccin propuesta en este trabajo.
Electrodo de
Contra electrodo
Solucin
Fierro
Grafito
Sulfato de cobre 0.4 M, cido sulfrico 1.0M
Fierro
Cobre con epoxy
Fierro
Cobre desnudo
Fierro
Platino
Fierro
Grafito
Sulfato de potasio 0.4 M, cido sulfrico 1.0M
Fierro
Cobre con epoxy
Fierro
Cobre desnudo
Fierro
Platino
Trabajo
Los electrodos de cobre y el sulfato de cobre formaba una delgada capa de cobre en el electrodo de
Hierro, por lo que estas opciones se descartaron, y quedo el uso de grafito o platino en sulfato de
potasio, se descart el platino por el mantenimiento, se formaba una capa oscura que se tena que
limpiar con cido ntrico antes o despus de cada experimento, por lo tanto se decidi usar grafito
como contra electrodo.
Preparacin de la Solucin para una celda de 250 ml:
cido Sulfrico
Sulfatos
1M de H2SO4 de 250 ml
0.4 M Sulfato de Cobre pentahidratado
PM=98 g/mol
PM=249.68 g/mol
M= mol /litro
(249.68g/mol)(0.4mol/L)=(99.87g/L)(0.25L)=24.96g
Ro=1.84 g/ml
(98g/mol)(1mo/L)=(98g/L)(0,25L)= 24.5 g
24.5g para 0.25 L
0.4M Sulfato de potasio
Transformar esos gramos en ml
PM=174.26
(24.5g)/(1.84g/ml)=13.3 ml
(174.26/mol)(0.4mol/L)=(69.704g/L)(0.25L)=17.42g
Ajustar con una pureza esperada del 98%

13.3ml*((1-0.98)+1)=13.58 ml
Aforar a 250 ml con agua destilada.
Pgina 76

Tesis Doctorado Mario

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Tesis Doctorado Mario

Încărcat de

Drepturi de autor:

Formate disponibile

TECNOLOGICO NACIONAL DE MEXICO

INSTITUTO TECNOLOGICO DE CELAYA

"MODELOS DE REFERENCIA ACOPLADOS CON

MARIO CALDERN RAMREZ

TESIS PRESENTADA AL DEPARTAMENTO DE

CELAYA, GTO., FEBRERO DE 2015

Dedico esta Tesis a mi esposa Rubria

Sistema Experimental ............................................................................................... 40

FIGURA 2.4 DIAGRAMA DE LA ARQUITECTURA RNA-FK ...................................................................... 20

FIGURA 3.4 PRESENCIA DE UN ORBITA EN 20.097 V 29.235QUE MUESTRA LA BIFURCACIN

FIGURA 3.7 ESQUEMA DEL SISTEMA ELECTROQUMICO USADO EN EL EXPERIMENTO. .............................. 40

FHN (IZQUIERDA) Y EL ELECTROQUMICO (DERECHA). ..................................... 48

VN EN LA MISMA GRFICA Y EL ESPECTRO DE PODER (E, F, G) DE SUS

RESPECTIVAS SERIES DE TIEMPO. ............................................................................................

FIGURA 4.8 EN ESTA FIGURA SE MUESTRA EL CAMINO DE SEGUIMIENTO PARA LA CORRELACIN EN LA

RESONANCIA ESTOCSTICA APERIDICA, EL PANEL IZQUIERDO CORRESPONDE A UN NIVEL

FIGURA 4.10 SEGUIMIENTO DE LA VARIANZA NORMALIZADA EN LA CURVA DE RESONANCIA ESTOCSTICA,

RESONANCIA COHERENTE, Y LOS

FIGURA 4.14 GRAFICA DE LA VARIANZA NORMALIZADA EXPERIMENTAL ................................................. 59

FIGURA 4.16 REPRESENTACIN ESQUEMTICA DE RNA ACOPLADA A UN RUNGE-KUTTA DE 4 ORDEN PARA

Mario Caldern Ramrez

dependiendo de las propiedades

derminsticas inherentes en el ecosistema y la intensidad de los rectores estocsticos que

Mario Caldern Ramrez

Mario Caldern Ramrez

Mario Caldern Ramrez

Planteamiento del problema

Mario Caldern Ramrez

Mario Caldern Ramrez

Determinar de diferentes maneras la relacin estadstica de regularidad en un

Adaptacin del esquema acoplado de Redes Neuronales y Filtro de Kalman basado

Validacin y Replicacin del experimento electroqumico del sistema Hierro y

Implementacin experimental del algoritmo RNA-FK para la manipulacin del

Desarrollo preliminar de un algoritmo RNA-FK continuo y su aplicacin en un

Mario Caldern Ramrez

a ser nuestro caso de estudio, posteriormente se describe el

controlador que se va a emplear, se presenta el sistema experimental que va a fungir como

Mario Caldern Ramrez

En estos sistemas U representa al vector de variables dependientes o variables de estado, m

Herramientas de Anlisis de Sistemas dinmicos

Mario Caldern Ramrez

Mario Caldern Ramrez

Mario Caldern Ramrez

Mario Caldern Ramrez

Bifurcacin de nodo-silla: La bifurcacin de nodo-silla o punto de silla es el

Mario Caldern Ramrez

Bifurcacin en horquilla: Este tipo de bifurcaciones est relacionado con las

Bifurcacin transcrtica: Este es un tipo particular de bifurcaciones locales que se

Bifurcacin de Hopf. Con la aparicin de este tipo de bifurcaciones se generan

Bifurcacin homoclnicas. Tambin denominadas rbitas homoclnicas, son

Mario Caldern Ramrez

Bifurcaciones Heteroclnicas. Tambin denominadas rbitas heteroclnicas, son

Redes neuronales artificiales

g (Yij ) = 0.5 1 + tanh ( Yij ) =

neuronas (V) y Q el umbral, este desarrollo se observa ms claro en la Figura 2.2.

Mario Caldern Ramrez

Figura 2.2 Esquema de activacin de las neuronas para producir la salida.

Existen distintos tipos de redes neuronales artificiales dependiendo de la manera como

Mario Caldern Ramrez

Mtodos de Aprendizaje de las RNA

Filtro de Kalman neuronal

Figura 2.4 Diagrama de la arquitectura RNA-FK

Mario Caldern Ramrez

z k -1 Es la respuesta del sistema real en el tiempo anterior k-1;