Autor: Johnny Omar Medina Durán

Director: Ph. D. Oscar Eduardo Gualdrón Guerrero

 

RESUMEN

 

En este documento se propone una metodología para la implementación en hardware de las tres topologías de redes neuronales artificiales existentes (monocapa, multicapa y redes recurrentes). Siguiendo la metodología propuesta se implementan dos modelos de redes neuronales Artificiales de aprendizaje supervisado para el control del desplazamiento de un robot móvil en un ambiente desconocido, en una tarjeta de desarrollo Nexys de Digilent que contiene un FPGA (Field Programmable Gate Array) X3S1000. El primer modelo en hardware que se implemento fue un Perceptron, dado que este es un controlador reactivo, es decir las acciones a ejecutar solo dependen de la información actual suministrada por los sensores del robot móvil no puede realizar giros de 90° grados. Para solucionar los inconvenientes del Perceptron se desarrolló el modelo en hardware de la Red Recurrente de Jordan la cual debido a sus conexiones hacia atrás y a los elementos de memoria presentes en estas conexiones, tiene en cuenta los estados anteriores del robot móvil permitiendo realizar acciones que siguen una secuencia especifica como los giros de 90°. Se utilizó para la creación, el entrenamiento y la simulación del modelo computacional de las RNAs, la herramienta de Matlab, llamada NNTool. Esta red computacional es traducida a un modelo realizable en hardware, descrito mediante bloques en Matlab/Simulink y Xilinx System Generator (XSG). El desempeño de la RNA se valida en un robot móvil que tiene sensores infrarrojos para obtener la información del medio ambiente por el cual se desplaza y cuatro moto _ reductores como actuadores.

 

Bibliografía

 

 Acosta M. I, Zuluaga C. A. Tutorial sobre redes neuronales aplicadas en Ingeniería Eléctrica y su implementación en un sitio Web. [en línea]. Universidad Tecnológica de Pereira, 2000. p-5. http://ohm.utp..edu.co/neuronales.

 

Asada M., Stone P., Kitano H., Drogoul A., Duhaut D., Veloso M., Asama H., Suzuki S. .The RoboCup Physical Agent Challenge: Goals and Protocols for Phase I.. Kitano Horoaki (Eds). (1998). RoboCup .97: Robot Soccer World Cup I. Lectures Notes in Computer Science; Vol 1935: Lectures Notes in Artificial Intelligence. Berlin: Springer-Verlag.

 

Azoff, E. M., (1994), Neural Network Time Series Forecasting of Financial Markets, Inglaterra: John Wiley & Sons, pp. 50-51.

 

Battiti, R. First and second order methods for learning: Between steepest descent and Newton's method, Neural Computation. Vol. 4, No. 2, 1992. p. 141-166.

 

Baum, E. B. y Haussler, D., (1988), Neural Computation 1, pp. 151-160.

 

Beale, E.M.L. A derivation of conjugate gradients, in F.A. Lootsma, Ed., Numerical methods for nonlinear optimization. London. Academic Press, 1972.

 

Bond A. H. and Gasser l. An analysis of problems and research in DAI. In A. H. Bond and L. Gasser, editors, Readings in Distributed Artificial Intelligence, pages 3–36. Morgan Kaufmann Publishers: San Mateo, CA, 1988.

 

Bose, N.K.; Liang, P. (1996). Neural Networks Fundamentals with Graphs,Algorithms, and Applications, McGraw-Hill Series in Electrical and Computer Engineering.

 

Brooks, R. “Intelligence without reason”. IJCAI’91. Pág. 569-595. 1991.

 

Brooks, R. A., “New Approaches to Robotics”, Science, Vol. 253. Pág.1227-1232. September 1991.

 

Castiblanco Jiménez D. E., Barreto Ballesteros. F. C. Modelado Cinemático Aplicado al Sistema de Navegación de un Robot Móvil Tipo Skid Steer. Ingeniería Mecatrónica, Universidad de San Buenaventura (Sede Bogotá) 2006.

 

Caudill, M. (1992), “The view from now”, AI Expert, junio, pp. 24-31.

 

Chin-Teng Lin y George Lee, C.S. (1996). Neural Fuzzy Systems. A Neuro-Fuzzy Synergism to Intelligent Systems, Prentice Hall

 

Cirstea M.N., Dinu A., KhorJ.G. ,Mccormick M. ‘Neural and Fuzzy Logic Control of Drives and Power Systems’ An imprint of Elsevier Science 2002, pp 75-76

 

Cruz Torres I., Univesidad Nacional Autonoma de Mexico Capítulo 4: Metodología para pronósticos mediante modelos ARIMA y RNA p59 – 63 Pronósticos en el mercado de derivados utilizando redes neuronales y modelos ARIMA: una aplicación al Cete de 91 días en el MexDer.

 

Dennis, J.E. Schnabel R.B. Numerical Methods for Unconstrained Optimization and Nonlinear Equations, Englewood Cliffs. NJ: Prentice-Hall, 1983.

 

Dorfman M. and Thayer, R. H. editors. Software Engineering. IEEE Computer Society Press,1997.

 

Dracopoulos, D.C. (1997). Evolutionary Learning Algorithms for Neural Adaptive Control, Springer. Una visión más general (1994). Introduction to Neural Networks. California Scientific Software Press, 6ª Edición.

 

Ellacott, S.; Bose, D. (1996). Neural Networks: Deterministic Methods of Analysis, International Thomson Computer Press.

 

Fletcher, R. Reeves, C.M. Function minimization by conjugate gradients. En: Computer Journal, Vol. 7, 1964. p. 149-154.

 

Gey S. S., Suny Z., Leey T. H. and Mark W. Spongz. Feedback Linearization and Discontinuous Control of Second-Order Nonholonomic Chained Systems, National University of Singapore,

 

Gómez Martínez M .1999. Teoría y simulación de redes neuronales artificiales

 

Goslin, G.R.: ‘Using Xilinx FPGAs to Design Custom Digital Signal Processing Devices’, Proceedings of the 1995 DSP Technical Program, pp. 595–604.

 

Guzzo, M.A. Garguilo, E. Patiño, H.D. Diseño y desarrollo de un Neuro-chip basado en FPGAs, Universidad Nacional de San Juan, San Juan, Argentina. P-24

 

Hagan, M.T. Demuth, H.B. Beale, M.H. Neural Network Design, Boston, MA: PWS Publishing, 1996.

 

Hagan, M.T. Menhaj M. Training feed-forward networks with the Marquardt algorithm. En: IEEE Transactions on Neural Networks. Vol. 5, No. 6, 1999, p. 989-993.

 

Hertz, J.; Krogh, A. Palmer R.G. (1991). Introduction to the theory of neural computation, Addison-Wesley Publishing Company.

 

Hilera, J.R. y Martínez, V.J. (1995). Redes neuronales artificiales. Fundamentos, modelos y aplicaciones, pp. 350, Ra-Ma, Madrid.

 

Hornik, K. Stinchcombe M. 1992. Multilayer Feedforward Networks are Universal Approximators. (referenciado en White, H. (1992). Artificial Neural Networks. Approximation and Learning Theory,Blackwell Publishers).

 

Huerta Rico, R. (1994). Algoritmos para la predicción de series temporales basados en modelos deterministas de baja dimensión, Tesis Doctoral, Universidad Autónoma de Madrid, Madrid.

 

Isasi V. P. y Galvan L. I. M. (2003) Redes de Neuronas Artificiales un Enfoque Practico, Universidad Calos III de Madrid, Prentice Hall, pp 109-112

 

Jordan, M.L. (1986) An introduction to linear algebra in Paralell Distribut Processing. En Rumelhart, DE. , McClelland, JL. (eds.) (1986) Parallel Distributed Processing. Explorations in the Microstructure of Cognition. Cambridge, MA: MIT Press.

 

Jordan, M.I. (1986), “Serial Order: A Parallel Distributed Processing Approach”, ICS-UCSSD, Report No. 8604

 

Kartalopoulos, S.V. Biological neural networks. In Understanding Neural Networks an Fuzzy Logic Basic Concepts and Applications, The Institute of Electrical and Electronic Engineers, Inc., New York, 1996.

 

Kolen, J.F. y Goel, A.K. (1991) Learning in parallel distributed processing networks: Computational complexity and information content. IEEE Transactions on systems, man and cybernetics, 21, 359-367.

 

Lawrence S., Tsoi A. C. y Giles, C. L. (1996), “Noisy time series prediction using symbolic representation and recurrent neural network grammatical inference”, Technical Report UMIACS-TR-96-27 y CS-TR-3625, USA: University of Maryland.

 

McCulloch, W; Pitts, W. (1943). A logical calculus of the ideas immenent in nervous activity. Bull. Math.Biophys. 5:115-133. pp. 96-104. Referenciado en Hastie, T; Tibshirani, R.; Friedman, J. (2001). The Elements of Statistical Learning. Data Mining, Inference, and Prediction, Springer.

 

Moctezuma Eugenio, Juan Carlos. Torres Huitzil, Cesar. Estudio sobre la implementación de redes neuronales artificiales usando Xilinx System Generator. Puebla, México. P.1. Benemérita Universidad Autónoma de Puebla.

 

Moller, M.F. A scaled conjugate gradient algorithm for fast supervised learning, Neural Networks. Vol. 6, 1993. p. 525-533.

 

Muñoz Quevedo M. F., Rodríguez Ortega G G , Pontificia Universidad Javeriana, Santafé de Bogotá, D.C. Colombia(2006).

 

Olmeda, I.; Romero, S.B. (1993). Redes Neuronales Artificiales. Fundamentos y aplicaciones, Universidad de Alcalá, servicio de publicaciones, Madrid.

 

Patiño, H.D. Apuntes Curso Introducción a las redes Neuronales Artificiales en Ingeniería (Rama Estudiantil IEEE de la UNSJ), San Juan, Argentina, 2000.

 

Patterson, Dan W. (1996). Artificial Neural Networks. Theory and Applications, Prentice Hall.

 

Parnell k. y Mehta. N. Xilinx. Programmable logic design quick start handbook. Agosto 2003.

 

Pérez-Rodríguez, J.V.; Torra Porras, S.; Borrell Vidal, M. (1998). Tipos de interés a corto plazo, volatilidad condicional y redes neuronales, Documento de trabajo, 39/98 Universidad de las Palmas de Gran Canaria. Departamento de Economía Aplicada

 

Powell, M.J.D Restart procedures for the conjugate gradient method. Mathematical Programming, Vol. 12, 1977. p. 241-254.

 

Quinlan,(1991). Connectionism and Psychology. Harvester Wheateaf. N.Y.

 

Ratcliff, R. (1990) Connectionism models of recognition memory.: Constraints imposed by learning and forgettiong functions. Psychological Review, 97, 285-308

 

Raudys, S. (2001). Statistical and Neural Classifiers. An Integrated Approach to Design, Springer; Borra. S.; Rocci, R. Vichi, M. Schader, M. (2000). Advances in Classification and Data Analisys, Springer y Ripley, B. D. (1994). Neural Networks and Related Methods for Classification, J. Royal Statistical Society, 56, No. 3, pp. 1-29.

 

Rumbaugh J., Blaha M., Premerlani W., and Eddy V. F.. Object-Oriented Modeling and Design. Prentice-Hall, 1991.

 

Pressma, R. S. Software engineering. In M. Dorfman and R. H. Thayer, editors, Software engineering, pages 57–74. IEEE Computer Society, 1997.

 

Riedmiller, M. Braun, H. A direct adaptive method for faster backpropagation learning: The RPROP algorithm. Proceedings of the IEEE International Conference on Neural Networks, 1993.

 

Rosenblatt, F., Principles of Neurodynamics, Washington, D.C.: Spartan Press, 1961.

 

Shih, Y., (1994), Neural User’s Guide, Cheshire Engineering Corporation, USA, p. 21.

 

Stewart B., Alexander S.. Xilinx DSP Primer WorkBook. Agosto2005. Tanco F., Verrastro C., Grinberg D., Roitman J. Universidad Tecnológica Nacional, Facultad Regional Buenos Aires, Grupo de Investigación de Inteligencia Artificial (GIA),2005.

 

Tiira, T. (1999). Detecting teleseismic events using artificial neural networks, Computers & Geosciences, 25, pp. 929-938, donde realiza una comparativa entre redes MLP, Jordan y Elman.

 

Ting-Yung Wen, J. (1997) Control of Nonholonomic System”. The Control Handbook, CRC Press, IEEE Press.

 

Tommisca, M.T. Efficient digital implementation of the sigmoid function for reprogrammable logic. En: Computers and Digital Techniques. Finlandia. Vol 150, no. 6 (Nov. 2003); p.403-411

 

Torres S., Becerra V.M., Méndez J.A., Acosta L., Marichal G.N., Hamilton A.F., Sigut M., Grupo de Computadoras y Control. Departamento de Física, Electrónica y Sistemas. Universidad de La Laguna, España(2003).

 

Tosini, M. A. - Acosta G. (Universidad Nacional del Centro de la Prov. de Bs. As. UNCPBA) - Boemo, Eduardo Ivan(Universidad Autónoma de Madrid), 2005.

 

Vivas, R. L. pasantia: estudio de métodos de inteligencia artificial y desarrollo de códigos y aplicativos en Matlab para el modelamiento de sistemas basados en árboles de decisión, lógica difusa y redes neuronales. Universidad Francisco de Paula Santander. Cúcuta, Colombia, 2005. P.25

 

Zhang Y., Mackworth A.K. “Constraint Nets: A Semantic Model for Hybrid Dynamic Systems”. Theoretical Computer Science 130. Pág. 211-239, 1995.

Zhang, G.P. (2001). An investigation of neural networks for linear time-series forecasting, Computers & Operations Research, 28, pp. 1183-1202;

Autor: johnny omar medina durán