DOI:
https://doi.org/10.14483/22484728.15183Publicado:
2019-07-30Número:
Vol. 13 Núm. 2 (2019)Sección:
Visión InvestigadoraOptimization of a linear controller using dynamic back-propagation
Optimización de un controlador lineal empleando dynamic back-propagation
Palabras clave:
Controller, DC motor, Dynamic, Optimization (en).Palabras clave:
Controlador, Motor DC, Dinámico, Optimización (es).Descargas
Resumen (en)
This paper presents the optimization of a linear controller for a DC motor using Dynamic Back-Propagation algorithm. This algorithm is commonly employed for neural networks training; however, it can be used for optimization of a linear controller. The results show a satisfactory controller optimization.
Resumen (es)
En este documento se presenta la optimización de un controlador lineal para un motor DC mediante el algoritmo ‘‘Dynamic Back-Propagation’’. Este algoritmo es comúnmente utilizado para el entrenamiento de redes neuronales, sin embargo, puede ser empleado para la optimización de un controlador lineal. Los resultados muestran que la optimización del controlador es satisfactoria.
Referencias
H. Espitia and F. Sierra, “Optimización de un controlador análogo para un seguidor solar empleando algoritmos genéticos y enjambres de partículas”, IEEE SIFAE Simposio Internacional en Fuentes Alternativas de Energía y Calidad Energética, 2012. https://doi.org/10.1109/SIFAE.2012.6478905
H. Espitia and F. Sierra, “Controller optimization for a solar tracking system using differential evolution”, TECCIENCIA, vol. 10, no. 18, 2015, pp. 7-13. https://doi.org/10.18180/tecciencia.2015.18.2
H. Nguyen, N. Prasad, C. Walker and F. Walker, “A First Course in fuzzy and neural control”, Washington, D.C.: CHAPMAN & HALL/CRC, 2003. https://doi.org/10.1201/9781420035520
M. Singh, I. Singh and A. Verma, “Identification on Non Linear Series-Parallel Model Using Neural Network”, MIT International Journal of Electrical and Instrumentation Engineering, vol. 3, no. 1, 2013, pp. 21-23.
J. Sztipanovits, “Dynamic backpropagation algorithm for neural network controlled resonator-bank architecture”, IEEE Transactions on Circuits and Systems II: Analog and Digital Signal Processing, vol. 39, no. 2, 1992, pp. 99-108. https://doi.org/10.1109/82.205813
Z. Qiuping, F. Zhihao and H. Yinbiao, “Dynamic back-propagation neural net for adaptive controller”, Wuhan University Journal of Natural Sciences, vol. 3, no. 2, 1998, pp. 196-200. https://doi.org/10.1007/BF02827551
L. Jin and M. M. Gupta, “Stable dynamic backpropagation learning in recurrent neural networks”, IEEE Transactions on Neural Networks, vol. 10, no. 6, 1999, pp. 1321-1334. https://doi.org/10.1109/72.809078
S. G. Kadwane, A. Kumar and B. M. Karan, “Dynamic Back Propagation based MRAC with Fuzzy Emulator for DC-DC Converter”, Elektronika Ir Elektrotechnika, vol. 73, no. 1, 2007, pp. 49-54.
O. De Jesús and M. T. Hagan, “Backpropagation Algorithms for a Broad Class of Dynamic Networks”, IEEE Transactions on Neural Networks, vol. 18, no. 1, 2007, pp. 14-27. https://doi.org/10.1109/TNN.2006.882371
M. T. Hagan, H. B. Demuth, M. H. Beale and O. De Jesus, “Neural Network Design”, Martin Hagan; Edition: 2, 2014.
H. Espitia, L. Morales and J. Soriano, “Diseño y simulación de un controlador difuso para un motor DC basado en relaciones booleanas”, Visión Electrónica: Algo Más Que Un Estado sólido, vol. 4, no 1, 2010, pp. 12-22. https://doi.org/10.14483/udistrital.jour.tecnura.2012.2.a02
H. Espitia and J. Sierra, “Diseño e implementación de controladores análogos para un seguidor solar”, Visión Electrónica: Algo Más Que Un Estado sólido, vol. 7, no. 1, 2013, pp. 118-135.
S. Garrido, “Identificación, estimación y control de sistemas no-lineales mediante RGO”, thesis PhD., Departamento de Ingeniería de Sistemas y Automática, Universidad Carlos III, Madrid, España, 1999.
M. Hagan, O. De Jesús and R. Schultz, “Training recurrent networks for filtering and control”, Eds. Boca Raton, FL: CRC Press, 2000, pp. 325-354.