Sunteți pe pagina 1din 4

DESCRIPTOR NEURONAL DINÁMICO CON CORRECTOR LINEAL KALMAN

Mario Calderón Ramírez a , Ramiro Rico Martínez b a Departamento de Ciencias Básicas, Instituto Tecnológico de Celaya, Av. Tecnológico y A. García Cubas S/N, Celaya, Guanajuato, 38010, MEXICO, mario.calderon@itcelaya.edu.mx b Departamento de Ingeniería Química, Instituto Tecnológico de Celaya, Av. Tecnológico y A. García 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 información que predice no puede categorizar el efecto estadístico de sus variaciones. Por lo que se necesita una estrategia para modelizaciones de datos experimentales en largos periodos que presenten variación experimental, para lograr esto se plantea una estrategia utilizando una RNA acoplada a un integrador tipo Runge-Kutta que permita la caracterización de bifurcaciones de estado estable acoplado a un estimador de estados de sistemas continuos. Se plantea un estimador continuo Kalman-Bucy para la corrección de un modelo continuo usando información de muestreo discreta, con corrección lineal. Esta estrategia permite la caracterización de bifurcaciones de sistemas no lineales con perturbación significativa y en este trabajo se presenta esta estrategia aplicada a un modelo no lineal con perturbaciones estocásticas.

Introducción

El Filtro de Kalman es una herramienta que puede estimar las variables en un gran rango de procesos, en términos matemáticos este filtro estima estados de sistemas lineales, además de que funciona en la práctica es un filtro que minimiza las varianzas de los errores en los estimados (Simon, 2001).

La caracterización matemática de un proceso es un aspecto importante en la ingeniería, y busca que dicho refleje las variables que intervienen en su dinámica. Una forma que cumple con esta condición es la representación en variables de estado. Una vez obtenidas estas variables de estado solo se necesita información de la dinámica sin necesidad de medir toda la información y haciendo uso de esto inferir y observar algunas de ellas. Pero el problema surge cuando intentamos utilizar este modelo con mediciones contaminadas por algún tipo de incertidumbre. Estos tres conceptos se abordan con la llamada estimación estadística de señales y su versión más 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 través de una Red Neuronal y reducir el error de predicción acoplándolo al Filtro de Kalman (Bernal-Osorio, 2006; Ramírez Alvarez, 2007) y esta metodología (RNA-FK) ha sido probada con éxito tanto teórico como experimentalmente (Ramírez-Álvarez, Rico-Martínez, & Parmananda, 2010; Ramírez-Álvarez, Calderón-Ramírez, Rico-Martínez, González-Figueredo, & Parmananda, 2013).

Metodología

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 dinámica 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 metodología de solución 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 integración numérica en el cual la red prediga el comportamiento del sistema, en otros términos sean las derivadas las que prediga la red. En este tipo de problemas se implementan métodos como el Euler o Runge-Kutta acoplados con RNA (Rico-Martínez, 1994; González-García, 1999; Rico-Martinez, Krischer, & Gevrekidis, 1992; Herrera Hernández, 2005).

En base a lo anterior, entonces se prevé la necesidad de ampliar el modelo RNA-FK para que sea usado en una red continua, la propuesta se basa en la adaptación del Filtro de Kalman Continuo, llamado Kalman-Bucy:

Kalman-Bucy RNA-FK Continuo Descripción x  Ax  Bu  w PREDICCION x ˆ 
Kalman-Bucy
RNA-FK Continuo
Descripción
x  Ax  Bu  w
PREDICCION
x ˆ
dx
k  1
 f
Inicia el filtro con un estimado inicial
k
x ˆ
,
s
dt
RNA
k  1
usando la red neuronal para obtener una
x ˆ
k
z  Hx  v
predicción
del estado
z
dz ˆ
Se obtiene una predicción de la RNA a partir de
 f
z
,
s
k
1
del sistema real con el fin de obtener el
dt
RNA
k  1
z
ˆ k
K
PH R 
valor de referencia o medición ruidosa
T
1
K
ACTUALIZACION
P
H
T
R 
1
k  1
Se calcula la Ganancia de Kalman con un
estimado de Covarianza previo.
dx ˆ
xˆ Ax  Bu  K z  Hx
f
x ˆ
,
s
K
z
ˆ
Hx ˆ
Los estimados se utilizarán en la corrección y
RNA
k
1
k
k
dt
z
actualización de mediciones donde se incorpora
ˆ k
el valor actual de la medición errónea
 ˆ 
x
K
z
ˆ
Hx ˆ
P  AP  PA  KRK
Q
k
k
k
T
T
dP
AP
P
A
T
KRK
T
Q
dt
k
1
k
1
Se calcula la covarianza con la ecuación
diferencial de Ricatti
x
ˆ
 ˆ
x
k
k  1
P
P
Estimados arrojados por el filtro que son
retroalimentados
k
k  1

Esta metodología está pensada para corregir un error lineal en el tiempo provocado por una variación del sistema experimental que tienda a ser constante, el filtro de Kalman puede adaptarse a cualquier perturbación siempre que este sea de promedio cero y varianza uno.

Resultados

Esta Red dinámica se representa como una ecuación diferencial, donde su función es expresada por una RNA, se le acopla un filtro de Kalman para la corrección de un error acumulado en el modelo con una desviación lineal que se vaya presentando en el sistema dinámico, o ruido blanco Gaussiano presente en el sistema, la propuesta de este acoplamiento se presenta en la metodología.

Para corroborar la corrección de una dinámica, se propone una ecuación diferencial simple no lineal, a la cual se le acoplará un término de desviación lineal acumulativa t(Ecuación 1). El Filtro de Kalman acoplado a una RNA continua, corregirá el modelo Neuronal que proporciona la trayectoria, que se espera se desvíe (se aclara que la red continua fue entrenada sin considerar esta desviación) para asegurar que FK sea capaz de modificar la trayectoria final de la predicción.

dy

dt

y

3

1.2 y



t

(1)

El término tse determina para dos casos, para el primer caso, un escalar de 0.005 veces el valor de "y" con un incremento de variación progresivo cada 0.04 segundos y para el segundo caso, se añade extra una señal 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
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 desviación la cual se manifiesta con un incremento progresivo en el tiempo y una clara separación de la dinámica original (Ambos paneles), creando otra dinámica diferente lineal en el tiempo. También se muestra el comportamiento del modelo de referencia propuesto RNA-FK continuo, en el cual se puede ver como se compensa la predicción con un acercamiento a la trayectoria experimental. En el panel derecho la señal añadida es ruido blanco Gaussiano, en este segundo caso la red fue entrenada en un rango menor de predicción, se observa una desviación provocada por un modelo RNA de mala predicción y la RNA-FK sigue la dinámica de la red en las inmediaciones estadísticas de la señal ruidosa.

Conclusiones

En este trabajo planteó una metodología funcional para la descripción de sistemas con comportamiento no lineal y desviación lineal estocástica en continuo, esta se verificó con un modelo matemático simple, pero el objetivo de esta técnica es su implementación en el desarrollo de sistemas experimentales complejos como los electroquímicos o reactores biológicos, esto permitirá el desarrollo de controladores continuos que permitan el uso de actuadores continuos en un sistema complejo.

Referencias

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 electroquímico. Tesis de Maestría, Instituto Tecnológico de Celaya. Celaya, Gto., México. 2006

4. Ramírez-Álvarez, E., Rico-Martínez, R., & Parmananda, P. Chaos Induction Using a Reference Model Assisted Control. J. Phys. Chem. A. Vol. 114, p.12819-12824, 2010.

5. Ramírez-Álvarez, E., Calderón-Ramírez, M., Rico-Martínez, R., González-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-Martínez, R. Neural Networks for the characterization of nonlinear determinic systems. PhD thesis, Princeton University. N.J., U.S.A. 1994.

Identificación y caracterización de sistemas dinámicos mediante redes neuronales artificiales.

8. González-García, R

Tesis Doctoral, Instituto Tecnológico 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 Hernández, E. Modelos compactos de redes neuronales a partir de datos de simulación Monte Carlo. Tesis de Maestría, Instituto Tecnológico de Celaya. Celaya, Gto., México, 2005.