Mostrar el registro sencillo del ítem

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

dc.creatorMorales Laguado, Lina
dc.creatorEspitia Cuchango, Helbert
dc.creatorSoriano Méndez, José
dc.date2010-12-01
dc.identifierhttps://revistas.unimilitar.edu.co/index.php/rcin/article/view/275
dc.identifier10.18359/rcin.275
dc.descriptionThis paper proposes the Lorenz time series prediction using a new method known as neural-DBR system and comparing this with a typical fuzzy-neural design. The neuralDBR technique is a union of neural networks and the defuzzification methodology based on Boolean relations (DBR). The DBR theory aims to facilitate the implementation of a fuzzy inference and improve processing time of fuzzy systems, getting also a good performance. Neural-DBR systems try to take advantage of the complementarity between both techniques, using their benefits and avoid the unfavorable ones of each. Firstly, the paper presents the neural-DBR training algorithm proposed for identification of nonlinear systems. Later, the identifier for Lorenz equations, using a neural-DBR system and comparing it with a typical fuzzy-neural design through the root mean square error (RMSE) and the correlation coefficient (IC) as performance indices. The results of the system proposed show the reduction in training time and computation calculation. Boolean logic is accepted as a useful tool for automata and digital systems design. An alternative to improve automation systems is using fuzzy sets instead of Boolean logic. This is to obtain a continuous description for the actuator. By such a change and implementing the methodology of design automation systems, the fuzzy inference systems based on Boolean relations may appear.en-US
dc.descriptionEste 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.es-ES
dc.formatapplication/pdf
dc.formattext/html
dc.languagespa
dc.publisherUniversidad Militar Nueva Granadaes-ES
dc.relationhttps://revistas.unimilitar.edu.co/index.php/rcin/article/view/275/85
dc.relationhttps://revistas.unimilitar.edu.co/index.php/rcin/article/view/275/1916
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/Dougherty Edward, Giardina Charles (1998). Mathematical methods for artificial intelligence and autonomous systems. Upper Saddle River. Prentice-Hall. 446 p.
dc.relation/*ref*/Dubisch Roy (1964). Lattices to Logic. New York: Blaisdell Publishing Company, 88 p.
dc.relation/*ref*/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
dc.relation/*ref*/Goldfeld S., Quandt R. (1972). Nonlinear Methods in Econometrics. Amsterdam North Holland, 292 p.
dc.relation/*ref*/Irazo Pascual J. (2005). Lógica Simbólica para informáticos Madrid: Alfaomega Ra-Ma, 328 p.
dc.relation/*ref*/Klir George, Yuan Bo (1995). Fuzzy Sets and Fuzzy Logic, Upper Saddle River. Prentice Hall, 592 p.
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/Mendel J. (2001). Rule Based Fuzzy Logic Systems, Upper Saddley River N.J. Prentice Hall, 576 p.
dc.relation/*ref*/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.
dc.relation/*ref*/Ogata Katsuhiko (1987). Dinámica de Sistemas. México: Prentice-Hall Hisp, 631p.
dc.relation/*ref*/Pe-a Carlos A. (2004). Coevolutionary Fuzzy Modeling. Germany: Springer Verlag, 129 p.
dc.relation/*ref*/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
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/Strogatz, S. (1994). Nonlinear dynamics and chaos with applications to physics, biology, chemistry and engineering, Cambridge, Perseus Books, 512 p.
dc.relation/*ref*/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.
dc.relation/*ref*/Wang L. X. (1996). A course on Fuzzy Systems and Control, New Jersey: Prentice Hall, 448 p.
dc.relation/*ref*/Zak S. (2003). Systems and Control. New York: Oxford University Press, 720 p
dc.rightsDerechos de autor 2016 Ciencia e Ingeniería Neogranadinaes-ES
dc.sourceCiencia e Ingenieria Neogranadina; Vol. 20 No. 2 (2010); 31-51en-US
dc.sourceCiencia e Ingeniería Neogranadina; Vol. 20 Núm. 2 (2010); 31-51es-ES
dc.sourceCiencia e Ingeniería Neogranadina; v. 20 n. 2 (2010); 31-51pt-BR
dc.source1909-7735
dc.source0124-8170
dc.subjectLorenz equationsen-US
dc.subjectDBRen-US
dc.subjectback-propagation algorithmen-US
dc.subjectneuro-DBR systems nonlinear systems.en-US
dc.subjectecuaciones de Lorenzes-ES
dc.subjectDBRes-ES
dc.subjectback-propagationes-ES
dc.subjectsistemas neuro-DBRes-ES
dc.subjectsistemas no linealeses-ES
dc.titleProposal of a neuro-DBR system and its application to the prediction of Lorenz time seriesen-US
dc.titlePropuesta de un sistema neuro-DBR y su aplicación en la predicción de la serie de tiempo de Lorenzes-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion


Archivos en el ítem

ArchivosTamañoFormatoVer

No hay archivos asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem