DESCRIPTOR NEURONAL DINMICO CON CORRECTOR LINEAL KALMAN

Mario Caldern Ramreza, Ramiro Rico Martnezb

a
Departamento de Ciencias Bsicas, Instituto Tecnolgico de Celaya, Av. Tecnolgico y A. Garca Cubas S/N, Celaya,
Guanajuato, 38010, MEXICO, mario.calderon@itcelaya.edu.mx
b
Departamento de Ingeniera Qumica, Instituto Tecnolgico de Celaya, Av. Tecnolgico y A. Garca Cubas S/N, Celaya,
Guanajuato, 38010, MEXICO.

Resumen

Las Redes Neuronales Artificiales (RNA) se usan para predicciones discretas en el tiempo y con
certidumbre en cortos periodos y la informacin que predice no puede categorizar el efecto estadstico
de sus variaciones. Por lo que se necesita una estrategia para modelizaciones de datos experimentales en
largos periodos que presenten variacin experimental, para lograr esto se plantea una estrategia
utilizando una RNA acoplada a un integrador tipo Runge-Kutta que permita la caracterizacin de
bifurcaciones de estado estable acoplado a un estimador de estados de sistemas continuos. Se plantea un
estimador continuo Kalman-Bucy para la correccin de un modelo continuo usando informacin de
muestreo discreta, con correccin lineal. Esta estrategia permite la caracterizacin de bifurcaciones de
sistemas no lineales con perturbacin significativa y en este trabajo se presenta esta estrategia aplicada a
un modelo no lineal con perturbaciones estocsticas.

Introduccin

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 es un filtro que minimiza las varianzas de los errores en los estimados (Simon, 2001).

La caracterizacin matemtica de un proceso es un aspecto importante en la ingeniera, y busca que

dicho refleje las variables que intervienen en su dinmica. Una forma que cumple con esta condicin
es la representacin en variables de estado. Una vez obtenidas estas variables de estado solo se necesita
informacin de la dinmica sin necesidad de medir toda la informacin y haciendo uso de esto inferir y
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).

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 (Bernal-Osorio, 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, Gonzlez-Figueredo, &
Parmananda, 2013).

Metodologa

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. 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).

Para 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 (Rico-Martnez, 1994; Gonzlez-Garca,
1999; Rico-Martinez, Krischer, & Gevrekidis, 1992; Herrera Hernndez, 2005).

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:

Kalman-Bucy RNA-FK Continuo Descripcin

PREDICCION

xk1
dxk
Inicia el filtro con un estimado inicial

x Ax Bu w f RNA xk 1 , s usando la red neuronal para obtener una

dt x
prediccin k del estado
Se obtiene una prediccin de la RNA a partir de
dz
z Hx v f RNA zk 1 , s zk 1 del sistema real con el fin de obtener el
dt valor de referencia o medicin ruidosa z k
ACTUALIZACION
T 1
K PH RT 1 KP H Rk 1
Se calcula la Ganancia de Kalman con un
estimado de Covarianza previo.

dx
f RNA xk 1 , s K zk Hxk Los estimados se utilizarn en la correccin y

x Ax Bu K z Hx
actualizacin de mediciones donde se incorpora
dt
zk
xk K zk Hxk
el valor actual de la medicin errnea

P AP PAT KRK T Q
dP
APk 1 Pk 1 AT KRK T Q Se calcula la covarianza con la ecuacin
diferencial de Ricatti
dt
xk xk 1 Estimados arrojados por el filtro que son

Pk Pk 1 retroalimentados

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.

Resultados

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 con una
desviacin lineal que se vaya presentando en el sistema dinmico, o ruido blanco Gaussiano 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 simple no lineal, a la
cual se le acoplar un trmino de desviacin lineal acumulativa t (Ecuacin 1). El Filtro de Kalman
acoplado a una RNA continua, corregir el modelo Neuronal que proporciona la trayectoria, que se
espera se desve (se 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 t (1)
dt
El trmino t se determina para dos casos, para el primer caso, un escalar de 0.005 veces el valor de
"y" con un incremento de variacin progresivo cada 0.04 segundos y para el segundo caso, se aade
extra una seal ruidosa entre -1 y 1 de ruido blanco Gaussiano en ese mismo intervalo de tiempo.

Figura 1.- Trayectorias del sistema usando datos experimentales, modelo de la red y modelo de la red con un
observador lineal continuo, para los dos casos de estudio.

En la Figura 1 se muestran las trayectorias de la Red Neuronal, los datos experimentales simulados y La
red con el filtro de Kalman continuo. El modelo Neuronal sin el Filtro de Kalman observar desviacin la
cual se manifiesta con un incremento progresivo en el tiempo y una clara separacin de la dinmica
original (Ambos paneles), 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.

Conclusiones

En este trabajo plante una metodologa funcional para la descripcin de sistemas con comportamiento
no lineal y desviacin lineal estocstica en continuo, esta se verific con un modelo matemtico simple,
pero el objetivo de esta tcnica es su implementacin en el desarrollo de sistemas experimentales
complejos como los electroqumicos o reactores biolgicos, esto permitir el desarrollo de controladores
continuos que permitan el uso de actuadores continuos en un sistema complejo.

Referencias
1. Simon, D. Kalman Filtering. Embedded Systems Programming, p.72-79. 2001.
2. Kalman, R., y Bucy, R. New results in linear filtering and prediction theory. ASME J. Basic Eng. Ser. D, 83, 95-108.
(1961).
3. Bernal-Osorio, A. Anticontrol del caos en un sistema electroqumico. Tesis de Maestra, Instituto Tecnolgico de
Celaya. Celaya, Gto., Mxico. 2006
4. Ramrez-lvarez, E., Rico-Martnez, R., & Parmananda, P. Chaos Induction Using a Reference Model Assisted
Control. J. Phys. Chem. A. Vol. 114, p.12819-12824, 2010.
5. Ramrez-lvarez, E., Caldern-Ramrez, M., Rico-Martnez, R., Gonzlez-Figueredo, C., y Parmananda, P. Detecting
Bifurcations in an Electrochemical Cell Employing an Assisted Reference Model Strategy. J. Phys. Chem. A , Vol. 117
(3), p. 535540, 2013.
6. Rico-Martinez, R., Krischer, K., y Gevrekidis, I. Discrete vs continuous time nonlinear signal processing of Cu
electrodissolution data. Chem. Eng. Comm., Vol. 118, p. 25-48, 1992.
7. Rico-Martnez, R. Neural Networks for the characterization of nonlinear determinic systems. PhD thesis, Princeton
University. N.J., U.S.A. 1994.
8. Gonzlez-Garca, R.. Identificacin y caracterizacin de sistemas dinmicos mediante redes neuronales artificiales.
Tesis Doctoral, Instituto Tecnolgico de Celaya. Celaya, Gto., Mexico, 1999.
9. Rico-Martinez, R., Krischer, K., y Gevrekidis, I. Discrete vs continuous time nonlinear signal processing of Cu
electrodissolution data. Chem. Eng. Comm., Vol. 118, p. 25-48. 1992.
10. Herrera Hernndez, E. Modelos compactos de redes neuronales a partir de datos de simulacin Monte Carlo. Tesis de
Maestra, Instituto Tecnolgico de Celaya. Celaya, Gto., Mxico, 2005.