Propuesta de un sistema neuro-DBR y su aplicación en la predicción de la serie de tiempo de Lorenz

  • Lina Morales Laguado Universidad Distrital Francisco José de Caldas
  • Helbert Espitia Cuchango Universidad Distrital Francisco José de Caldas
  • José Soriano Méndez Universidad Distrital Francisco José de Caldas
Palabras clave: ecuaciones de Lorenz, DBR, back-propagation, sistemas neuro-DBR, sistemas no lineales

Resumen

Este artículo propone la predicción de la serie de tiempo Lorenz usando un nuevo método conocido como sistema Neuro-DBR y su comparación, con un diseño Neurodifuso convencional. La técnica Neuro-DBR es el resultado de la unión de las redes neuronales y la metodología de Defuzificación basada en relaciones booleanas (DBR). La teoría DBR pretende facilitar la implementación de una inferencia difusa y mejorar el tiempo de procesamiento de los sistemas difusos, para obtener a su vez, un buen desempeño. Los sistemas Neuro-DBR tratan de explotar la complementariedad que existe entre ambas técnicas, aprovechando las ventajas y eludiendo las desventajas de cada una de ellas. En una primera parte, se presenta el algoritmo de entrenamiento Neuro-DBR propuesto para identificar sistemas no lineales. Después, se presenta el diseño del identificador para las Ecuaciones de Lorenz, usando un sistema Neuro-DBR y comparándolo con un diseño Neurodifuso convencional mediante la raíz del error cuadrático medio (RMSE), y el coeficiente de correlación (IC), como índices de desempeño. Los resultados obtenidos con el sistema propuesto, muestran la reducción del tiempo de entrenamiento y cálculo computacional. La teoría relacionada con lógica y conjuntos booleanos es una buena herramienta para diseñar de automatismos y sistemas digitales; una variación con la cual se busca mejorar los sistemas basados en automatismos consiste en emplear conjuntos difusos en lugar de booleanos. Lo anterior se realiza con el objetivo de tener una acción continua en el actuador del automatismo. Al realizar esta variación y aplicar la metodología de diseño de los sistemas de automatismos, aparecen los sistemas de inferencia difusa basados en relaciones booleanas.

Descargas

La descarga de datos todavía no está disponible.

Referencias

Badjate S., Dudul S. (2008). Prediction of Mackey-Glass chaotic time series with effect of superimposed noise using FTLRNN model, En: Proceedings on Advances in Computer Science and Technology, pp 384-389.

Ballén Alexander, Rodriguez Cesar (2003). Dise-o e implementación de un controlador difuso autosintonizado sobre microcontroladores, aplicado al control del péndulo invertido, Tesis de pregrado, Bogotá, Universidad Distrital Francisco José de Caldas.

De Jesús R. (2000) Dise-o y aplicación de Controladores Neurodifusos integrados en modo mixto de alta complejidad., Málaga, Espa-a, 301p, Tesis de doctorado. Universidad de Málaga.

Dougherty Edward, Giardina Charles (1998). Mathematical methods for artificial intelligence and autonomous systems. Upper Saddle River. Prentice-Hall. 446 p.

Dubisch Roy (1964). Lattices to Logic. New York: Blaisdell Publishing Company, 88 p.

Figueiredo M., Gomide F. (1999). Design of Fuzzy Systems using Neurofuzzy Networks. En: IEEE transactions on Neural Networks, Vol. 10, No. 4, pp. 815-827. http://dx.doi.org/10.1109/72.774229

Goldfeld S., Quandt R. (1972). Nonlinear Methods in Econometrics. Amsterdam North Holland, 292 p.

Irazo Pascual J. (2005). Lógica Simbólica para informáticos Madrid: Alfaomega Ra-Ma, 328 p.

Klir George, Yuan Bo (1995). Fuzzy Sets and Fuzzy Logic, Upper Saddle River. Prentice Hall, 592 p.

Martín J. (2000). Implementación de Redes Neurodifusas para ser aplicadas en problemas de clasificación y modelización. Universidad de Valencia, Espa-a. Dissertation.com, 112 p.

Meesand D., Yen, G. (2001). A Neurofuzzy Networks and its application to machine health monitoring, En: IEEE Neural Networks IJCNN'01, Vol. 3, pp.2298-2303.

Mendel J. (2001). Rule Based Fuzzy Logic Systems, Upper Saddley River N.J. Prentice Hall, 576 p.

Morales L. (2009). Estudio y evaluación del método de defuzificación basado en Relaciones Booleanas (DBR) aplicado a las redes Neurodifusas, para la identificación de sistemas no lineales; Bogotá, Colombia. Tesis de pregrado, Universidad Distrital Francisco José de Caldas.

Ogata Katsuhiko (1987). Dinámica de Sistemas. México: Prentice-Hall Hisp, 631p.

Pe-a Carlos A. (2004). Coevolutionary Fuzzy Modeling. Germany: Springer Verlag, 129 p.

Rovatti Riccardo, Guerrieri Roberto e Baccarani Giorgio (1995). An Enhanced Two-Level Boolean Synthesis Methodology for Fuzzy Rules Minimization, En: IEEE Transactions On Fuzzy Systems, Vol. 3, No. 3, pp. 288-299. http://dx.doi.org/10.1109/91.413227

Soriano, J. J. (2001). Propuesta de concresor basado en relaciones booleanas, En: Revista de Ingeniería. Vol. 6, No. 1, pp. 44-50, Universidad Distrital Francisco José de Caldas.

Soriano, José J., Gálvez Camilo A., Vargas David E., (2004). Identificación de personas por medio de diometria en la planta de la mano usando técnicas digitales de procesamiento de imágenes y concresor difuso basado en relaciones booleanas, Bogotá, 47 p. Tesis de grado, Ingeniería Electrónica, Universidad Distrital Francisco José de Caldas.

Soriano J., Figueroa, J. (2007). A Comparison of ANFIS, ANN and DBR systems on volatile Time Series Identification, En: Proceeding on NAFIPS, pp. 319-324.

Strogatz, S. (1994). Nonlinear dynamics and chaos with applications to physics, biology, chemistry and engineering, Cambridge, Perseus Books, 512 p.

Velásquez, J. (2004). Pronóstico de la serie de tiempo Mackey-Glass usando modelos de regresión no lineal, En: Revista de la Facultad de Minas, Vol. 71, No.142, p. 85-95. Medellín: Universidad Nacional de Colombia.

Wang L. X. (1996). A course on Fuzzy Systems and Control, New Jersey: Prentice Hall, 448 p.

Zak S. (2003). Systems and Control. New York: Oxford University Press, 720 p

Cómo citar
Morales Laguado, L., Espitia Cuchango, H., & Soriano Méndez, J. (2010). Propuesta de un sistema neuro-DBR y su aplicación en la predicción de la serie de tiempo de Lorenz. Ciencia E Ingeniería Neogranadina, 20(2), 31-51. https://doi.org/10.18359/rcin.275
Publicado
2010-12-01
Sección
Artículos