Page 51 - Ingeniantes 511 interactivo

Revista Ingeniantes 2018 Año 5 No. 1 Vol. 1

tro de las coordenadas correspondientes a cada con- elemento no está restringido para pertenecer o no per-
torno. Así el vector de entrada está conformado por: tenecer a un conjunto. En cambio, un elemento puede te-
ner un grado de pertenencia o membresía intermedio en
p  R G B H S V T Ec. (2) todo el rango (0, 1). Entonces, un sistema basado en lógica
difusa proporciona una metodología formal para repre-
El aprendizaje de la RNA es supervisado, por lo que es sentar, manipular e implementar el conocimiento heurís-
necesario establecer previamente los valores desea- tico de un ser humano sobre cómo controlar un sistema
dos (vectores objetivo) para cada conjunto de datos [14]. La estructura básica de un sistema difuso, con cinco
presentes a la entrada. El vector objetivo tiene el mis- bloques funcionales, se muestra en la Figura 3. La función
mo número de elementos que neuronas en la capa de de cada bloque es la siguiente:
salida. Un ejemplo del vector objetivo para el color rojo • La base de reglas, contiene las reglas difusas de tipo
es:
rojo  1 0 0 0 0 0 0 T Ec. (3) IF-THEN.
• La base de datos, define las funciones de membresía
Entrenamiento de la RNA.
El propósito general del entrenamiento de una RNA es de los conjuntos difusos usados en las reglas difusas.
obtener un conjunto de vectores o matriz de pesos, W, y • La unidad de toma de decisiones, ejecuta las opera-
un conjunto de niveles de umbral de activación b, de tal
forma que se minimice el error entre la salida de la red ciones de inferencia sobre las reglas.
neuronal con el valor deseado del sistema a modelar por • La interface de fusificación, transforma las entradas a
la RNA [2]. Los algoritmos de entrenamiento son los en-
cargados de modificar los pesos de cada neurona para grados de membresía dentro de los valores lingüís-
identificar a lo largo de una serie de iteraciones, cuál es el ticos.
patrón que mejor se ajusta a los objetivos. En la caja de • La interface de defusificación, transforma los resulta-
herramientas de redes neurales de MATLAB se incluyen dos de la inferencia a los valores de salida.
diferentes algoritmos de entrenamiento que usan méto-
dos basados en gradiente o Jacobiano [13]. De acuerdo Figura 3. Sistema basado en lógica difusa.
con Hagan, Demuth y Beale en [2] y [13] los algoritmos
más rápidos son Levenberg-Marquardt (trainlm) y BFGS Para este trabajo, el objetivo del controlador difuso es
Quasi Newton (trainbfg), y para aplicaciones con recono- entregar la posición angular de cada servomotor ins-
cimiento de patrones, los algoritmos de Gradiente Con- talado en las articulaciones del brazo robot, tomando
jugado Escalado (trainscg) y Retroprogación resistente como entrada el error en la posición, en coordenadas
(trainrp) son las elecciones apropiadas. En esta investiga- X-Y, del objeto detectado por la cámara con respec-
ción se propuso utilizar como algoritmos de entrenamien- to al centro de la imagen capturada. El esquema del
to para la red neuronal backpropagation, los siguientes: diagrama a bloques del controlador se presenta en la
trainlm, trainbfg y trainscg. Figura 4, donde el bloque del controlador difuso está
compuesto por los elementos presentes en la Figura 3.
Para formar los pares entrada/salida para entrenamien-
to y validación de la RNA, se obtuvieron 5 muestras de
4 tonalidades diferentes por color, así se generaron 20
vectores de entrada, p, por cada color. Estos datos se
dividieron en dos sub-conjuntos, el primero para entre-
namiento y el segundo para validación. La matriz de en-
trenamiento está conformada por las componentes R-G-
B-H-S-V obtenidas de las tres primeras tonalidades de
cada color, y la matriz de validación está compuesta por
las componentes de la cuarta tonalidad. De acuerdo con
lo anterior, el entrenamiento de la red utiliza la técnica co-
nocida por su nombre en inglés leave-one-subject-out-
cross-validation. Este proceso es repetido hasta que los
datos de cada tonalidad han sido usados para el conjunto
de validación.

Metodología para el seguimiento autónomo del obje- Figura 4. Diagrama a bloques del control de posición difuso.
to: control difuso.
El principal propósito de la lógica difusa es permitir el uso
de conceptos vagos para caracterizar las variables de un
sistema usando términos lingüísticos humanos. Esto es
posible debido a que, en la teoría de conjuntos difusos, un

47