Resumen de Herramienta para la identificación de procesos y simulación de redes neuronales mediante una agenda digital programable

Javier A. Minotta Hurtado, Eval B. Bacca Cortes

• español

  Este artículo describe el diseño, implementación y prueba de la herramienta denominada UV-SRNA-PDA (simulador de redes neuronales artificiales de la Universidad del Valle para una agenda digital programable), que está orientada a la simulación de redes neuronales artificiales y a la identificación de procesos industriales complejos. Esta aplicación trabaja sobre una agenda digital programable (PDA) Palm T5 usando un sistema de adquisición de datos diseñado para tal fin. Dos tipos de redes neuronales fueron implementados: el perceptrón y el perceptrón multicapa (MLP) usando como algoritmos de aprendizaje los siguientes: propagación hacia atrás, gradiente descendente, velocidad de aprendizaje variable y momentum. Las pruebas se realizaron sobre plantas de primer y segundo orden (sólo esta última es reportada en este artículo), obteniendo su modelo neuronal y validando sus resultados en dos plataformas conocidas: MATLAB y UV-SRNA 2.0 (versión de la UV-SRNA-PDA para PC). Estas pruebas arrojaron un error de entrenamiento promedio de 5.62 × 10-3 ± 3.55 × 10-4 y un error de validación promedio de 4.56 × 10-3 ± 5.95 × 10-4. En ambos casos, los resultados son mejores o comparables con los de las otras herramientas de simulación. Sin embargo, el tiempo de entrenamiento típico en UV-SRNA-PDA fue de 900 s en comparación con los 3 s para MATLAB y 8 s para la UV-SRNA 2.0

• English

  This paper describes the design, implementation and testing of the software tool designated as UV-SRNA-PDA (Universidad del Valle’s artificial neural network simulator for a personal digital assistant), which is oriented to artificial neural networks simulation and complex industrial processes identification. This application works on a PDA (personal digital assistant) Palm T5 using a customized data acquisition system. Two kinds of artificial neural networks were implemented: perceptron and multi-layer perceptron (MLP) using as learning algorithms the following: backpropagation, descendent gradient, variable learning rate and momentum. To test the proposed system, first and second order systems were selected (only the latter is reported here), finding their neural models and validating their results with MATLAB and UV-SRNA 2.0 (PC version of UV-SRNA-PDA). These tests achieved an average training error of 5.62 × 10-3 ± 3.55 × 10-4 and an average validating error of 4.56 × 10-3 ± 5.95 × 10-4. In both cases, the results were better or comparable with those from other software simulation tools. However, the typical training time on the UV-SRNA-PDA was 900 s compared to 3 s in MATLAB and 8 s in UV-SRNA 2.0.