Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/702
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nd/4.0es_ES
dc.contributorLuis Alfonso Franco Gascaes_ES
dc.creatorGenaro Mendoza Hernandezes_ES
dc.date2013-05-
dc.date.accessioned2018-12-14T15:10:24Z-
dc.date.available2018-12-14T15:10:24Z-
dc.date.issued2013-05-
dc.identifierANOVAes_ES
dc.identifierANOVAes_ES
dc.identifierANOVAes_ES
dc.identifierARXes_ES
dc.identifierVHDLes_ES
dc.identifierVHDLes_ES
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/702-
dc.descriptionLas redes neuronales artificiales siempre han demostrado su utilidad en la identificación de sistemas gracias a ventajas como la habilidad de emular relaciones de entrada-salida complejas en tiempo real, la capacidad de aproximar cualquier función si es adecuadamente configurada y recientemente la posibilidad de implementarlas usando FPGA que mejora considerablemente su rendimiento, tomando ventaja de la capacidad de ser implementadas en paralelo. Este trabajo se centra en el diseño en FPGA de una red neuronal artificial para la identificación en línea de un sistema, sin embargo, poco se ha hecho para analizar el desempeño de las red debido a su configuración inicial por lo que se propone un diseño estadístico de experimentos del error de aproximación de dos arquitecturas de red neuronal: el perceptron multicapa y un tipo de red neuronal recurrente ("Locally Recurrent, Globally Feedforward") con realimentación en la función de activación. Analizando la varianza del modelo estadístico resultante, en un esfuerzo por generar una metodología de trabajo dedicado a la búsqueda de la mejor red y de la configuración más adecuada en cada caso de estudio. Los resultados de la simulación y el diseño en VHDL de la mejor configuración de red para los datos obtenidos de un motor de corriente directa son reportados.es_ES
dc.descriptionArtificial neural networks have always proved to be useful in systems identification thanks to advantages such as the ability to emulate complex input-output relationships in real-time, the ability to approximate any function if properly configured and recently the ability to implement them using FPGA which considerably improves its performance by taking advantage of the ability to be implemented in parallel. This work is focused on an artificial neural network FPGA design for a system online identification, however, little has been done to analyze the performance of the network due to its initial configuration so a DoE of the approximation error of two neural networks architectures: the multilayer perceptron and a type of recurrent neural network ("Recurrent Locally, Globally Feedforward") with feedback on the activation function is proposed. Analyzing the variance of the resulting statistical model, in an effort to generate a methodology dedicated to finding the best network and the most appropriate configuration for each case of study. The results of the simulation and VHDL design of the best network configuration for the data obtained from a direct current motor are reported.es_ES
dc.formatAdobe PDFes_ES
dc.language.isoEspañoles_ES
dc.relation.requiresSies_ES
dc.rightsAcceso Abiertoes_ES
dc.subjectINGENIERÍA Y TECNOLOGÍAes_ES
dc.subjectCIENCIAS TECNOLÓGICASes_ES
dc.titleDiseño e implementación de una red neutral artificial en FPGA para la identificación de sistemas en líneaes_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidcurpes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorMEHG881104HQTNRN08es_ES
dc.contributor.identificadorFAGL740130HGTRSS07es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias (Instrumentación y Control)es_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ciencias (Instrumentación y Control)

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI003811.pdf1.93 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.