10/11/2017 Red Neuronal Recurrente Dinmica con Circuitos Magnticamente Acoplados

Pgina 1

Red Neuronal Recurrente Dinmica con

Circuitos magnticamente acoplados

Extracto - Dynamic recurrentes Redes Neuronales (DRNNs)

son modelos no lineales que se pueden aplicar en la identificacin del sistema
y control. Este artculo presenta la implementacin de DRNN
con circuitos acoplados magnticamente; los conceptos de relativo
grado, cero dinmica y linealizacin de retroalimentacin tambin son
introducido.

I. INTRODUCCIN
norteLas redes digitales (NN) son modelos matemticos que intentan
emular algunas caractersticas de cerebros biolgicos; en
la ingeniera hay muchos problemas interesantes donde
Los NN son parte de la solucin [1, 2]. En particular, dinmico
Las redes neuronales recurrentes (DRNN) son afines no lineales
sistemas que pueden usarse para el control adaptativo [3]. Este tipo
de redes se ha estudiado en el marco de
Teora de sistemas no lineales donde conceptos tales como relativo
grado, cero dinmica y linealizacin de retroalimentacin tienen slidos
fundamentos matemticos [4].
Por otro lado, circuitos acoplados magnticamente con dos
bobinas se introducen a los estudiantes de ingeniera elctrica durante
el programa de pregrado [5].
En este documento, se muestra que los DRNN pueden implementarse
como circuitos no lineales acoplados magnticamente; tambin estos circuitos
tener un grado relativo de una dinmica y cero N - 1, con N el
nmero de bobinas. La linearizacin de retroalimentacin produce un primer orden
sistema lineal debido a la naturaleza del acoplamiento magntico.
El documento est organizado de la siguiente manera; la seccin dos presenta el
Sistema de bobinas N y las ecuaciones de variables de estado. Seccin tres
introduce los conceptos de control del sistema afn, relativo Figura 1.
grado y cero dinmica. Finalmente, se aplica la seccin cuatro x actual),
Circuitos dispositivo
acoplados no lineal.
magnticamente Cuando
con la N
bobinas corriente entra en
(inductancia un punto, elR,
L, resistencia
el voltaje inducido es positivo en el otro punto.
linealizacin de retroalimentacin a DRNN magnticos dando como resultado una primera
ordenar sistema lineal. Las conclusiones estn formuladas enLas la seccin
variables de estado son corrientes,
cinco
1 ()
II. SISTEMA DE BOBINAS N 2 ()
()=[ ]
En esta seccin, se demuestra que acoplado magnticamente .
circuitos con dos o ms bobinas son sistemas dinmicos con una ()
estructura similar a los DRNN. El acoplamiento magntico entre
los circuitos se describen mediante la matriz de inductancia LEntrada
{Lij; i, yj =
salida,
1,
2, ..., N}; cada circuito tiene una i resistencia R, y un no lineal
()=()
dispositivo de i con tensin dependiente de la x corriente I como se muestra () = 1 (t)
en la figura 1.

Pgina 2

https://translate.googleusercontent.com/translate_f 1/4
10/11/2017 Red Neuronal Recurrente Dinmica con Circuitos Magnticamente Acoplados
Las ecuaciones de malla en forma de matriz son las siguientes, III. CONTROL AFFINE SYSTEM

R 0.0 x Ahora considere el inverso de menos la matriz de inductancia,

1 1
0 R 0. x 2 + .
2 11 12 1norte
. ... .
.
- - L 1 = 21 22
2norte
0 .0 R x . ...
norte norte
L L . L xx .
11 12 1norte
1 norte
1 norte
2 NN
L 21 L 22 . L 2norte xx2
. ... . . Entonces,

L L . L xx un un . un
norte
1 norte
2 NN norte 11 12 1norte

0.01 ) x( 1 un un . un
1 1 UN= 21 22 2norte

0.10 2) x( 2 = 0 . ...
+
.... . . . .V un un . un
norte
1 norte
2 NN
1.00 ) x( 0
nortenorte
un = R
Resolviendo la derivada en el tiempo del vector de estado y la escritura ij ij j
el resultado en forma compacta con la x actual 1 como la salida,
norte
x) ( = ) (. + ))tx(( + tirn ) x(
txAtx ) (. j=1 1j j j
(1)
) (.)=(
txcty norte ) x(
) x( = 2j j j
Donde estn las matrices, j =1
.
- norte
) x(
L L . L 1 R 0.0
11 12 1norte
1 j=1 jN j j
= - L 21 L 22 . L 2norte 0 R 2 0.
UN . .
. ... ...
11
L L . L 0 .0 R 21
norte
1 norte
2 NN norte =
gramo
- .
L L . L 1 ) x(
11 12 1norte
1 1

) x( = - L 21 L 22 . L 2norte 2) x( 2 norte
1
. ... .
Finalmente,
L L . L ) x(
norte
1 norte
2 NN nortenorte
- norte + norte
L L . L 1 1 xx = xa ) x( + tu
11 12 1norte
yo ij j ij j j yo
1
L L . L 0 j =1 j=1
=
gramo 21 22 2norte
. ... . xy = (2)
1
L L . L 0 yo= , ..., 2,1 norte
[ norte
1 norte
2 ] NN
do= 0.01 Tambin,

xx = xf ) ( + ug .
Tenga en cuenta que, si se eliminan las no linealidades, una respuesta magntica
circuito acoplado es un sistema lineal con algunas restricciones yo yo yo (3)
(valores propios) en la matriz A debido a la simetra de la matriz L. yo= , ..., 2,1 norte

Pgina 3

Dnde, x=
xfx )( + ug.
(4)
norte norte xhy= )(
+ ) (x
xf ) (
yo = xa
ij j ij j j
j =1 j=1 Finalmente, la figura 4 es una red recurrente que capta la naturaleza
=
gramo de circuitos acoplados magnticamente; la red est completamente
yo yo
1 conectado, es decir, cada corriente afecta a otras corrientes con conocidos
yo= , ..., 2,1 norte pesas

Las ecuaciones (2) y (3) se parecen a un DRNN, pero en este caso

la matriz A tiene algunas restricciones derivadas de la simetra de
matriz L. Esta propiedad puede limitar la aproximacin
capacidades del DRNN para sistemas dinmicos no lineales.

La Figura 2 es una representacin de la frmula (3), observe el circuito de retroalimentacin

https://translate.googleusercontent.com/translate_f 2/4
10/11/2017 Red Neuronal Recurrente Dinmica con Circuitos Magnticamente Acoplados
y la funcin no lineal f i (x).

Fig.4
Circuitos acoplados magnticamente como una red recurrente totalmente conectada.
IV. LINEARIZACIN DE RETROALIMENTACIN
Despus de probar que los circuitos acoplados magnticamente tienen control
Figura 2. Sistema dinmico que representa el x corriente en sistemas
iacopladasafines
magnticamente
que se parecen a los DRNN, el marco de
circuitos con N bobinas. se pueden aplicar sistemas de control no lineales [4].
En ms detalle, la figura 3 muestra el sistema dinmico asociado
El concepto principal aqu es el grado relativo, es decir, el nmero
con una corriente en funcin de los parmetros (2). de derivadas de tiempo de la salida y (t) requerida para tener la entrada
u (t) que aparece explcitamente.

Para circuitos acoplados magnticamente, figura 1, la primera vez

derivada de la salida y (t),
xh) (
yx = = xx = xf ) ( + ug
x 1 1 1 ,
1

la entrada u (t) aparece explcitamente, por lo que el grado relativo es r = 1

y la dinmica cero es N - 1. El concepto de dinmica cero
est cerca de la idea de ceros en sistemas lineales.

Cuando un sistema no lineal tiene un grado relativo uno, el

sistema
Fig. 3. Actual x depende de las corrientes restantes por el inverso
i delineal
la correspondiente es de primer orden despus de la retroalimentacin
matriz de inductancia linealizacin.
Teniendo en cuenta la salida, Considere la entrada de linealizacin

xh) =(X v - . x - xf ) (
1 tu = 1 1
(5)
gramo
El sistema (3) se puede escribir en forma compacta, 1

Pgina 4

Cuando la entrada (5) se aplica a la primera ecuacin en (3), entonces la

dinmica resultante entre la salida y (t) y la nueva entrada
v (t) sigue la expresin,

yx +. vy = (6)

En otras palabras, el sistema (4) con la entrada de linealizacin (5)

da como resultado un sistema lineal de primer orden (6).

El nmero restante de estados, N - 1, despus de la retroalimentacin

linealizacin, se llama dinmica cero,

norte + norte

xx = xa ) x(
yo ij j ij j j
=
j 1 =
j 1
[ ]
+ 1 v - . x - xf ) (
yo
1 1
11
=
yo , ..., 2 norte

Mediante el uso de la definicin de f i (x) la dinmica cero se indica,

[ ]
xx = xf ) ( + 1 v - . x - xf ) (
yo
yo yo 1 1
11
yo= , ..., 2 norte

V. C ONCLUSIONES
Este documento ha demostrado que los DRNN se pueden implementar como

https://translate.googleusercontent.com/translate_f 3/4
10/11/2017 Red Neuronal Recurrente Dinmica con Circuitos Magnticamente Acoplados
circuitosa la
debido nosimetra
lineales de
acoplados
la matrizmagnticamente
de inductancia; con algunas
tambin limitaciones
estos
Los circuitos tienen un grado relativo de una dinmica y cero N-1, con
N el nmero de bobinas. La linearizacin de retroalimentacin produce una primera
ordenar sistema lineal debido a la naturaleza del acoplamiento magntico.

Un CKNOWLEDGMENT

R EFERENCIAS
[1] DJ Amit, Modelado de la funcin cerebral, Nueva York: Cambridge University
Prensa, 1989
[2] S. Haykin, Neural Networks, Nueva York: Macmillan College Publishing
Compaa, 1994.
[3] GA Rovithakis y MA Christodoulou, Control adaptativo con
Recurrente de alto orden Redes Neuronales, Londres: Springer-Verlag,
2000.
[4] A. Isidori, Sistemas de control no lineal, Berlin: Springer - Verlag, 1989.
[5] RC Dorf y JA Svoboda, Introduccin a los circuitos elctricos, Nueva
Jersey: John Wiley & Sons, 2006.

https://translate.googleusercontent.com/translate_f 4/4