IMPLEMENTACION DE UN MOTOR A PASOS

CON REDES NEURONALES.

Ramos Avecillas Juan Paul, Valdez Garcia Freddy Homero.
Facultad de Ingenierias.
Universidad Politécnica Salesiana, Sede Cuenca.
jramosa@est.ups.edu.ec, fvaldezg@est.ups.edu.ec
 Resumen- Este documento
contiene la implementación
de una red neuronal para el
control de un motor a pasos
con las diferentes secuencias
que tendremos a través de la
entrada basada en unos y
ceros en donde podremos
realizar con las salidas el
movimiento del motor con las
características que se nos
proponen. El uso de
perceptrones nos ayuda
mucho para poder cumplir
con lo establecido ya que es
un tipo de red neuronal
artificial en donde tiene la
capacidad de aprender a
reconocer patrones sencillos y
dando lugar a un
entrenamiento de la red,
estando formado por una
capa de entrada y otra capa
de salida. En general en el
documento entrenaremos una
red que a partir de los
voltajes de entrada como
salida tengamos voltajes que
se pueda asimilar como un
mando de ceros y unos y así
de esa manera poder darle el
funcionamiento requerido al
motor paso-paso.
Palabras Clave- Perceptron,
red neuronal, Neurona
artificial.
INTRODUCCIÓN
Últimamente las redes
neuronales están volviendo
a la actualidad por los
logros que se están
consiguiendo, es un claro
ejemplo en donde google ha
logrado derrotar a su propio
reCAPTCHA con redes
neuronales y así metas
bastantes impresionantes y
que cada vez se acercan más
a esa idea original de
reproducir el
funcionamiento del cerebro
humano en un ordenador. A
continuación, se podrá
revisar en que consiste
simular el funcionamiento
del cerebro del ser humano
atreves de un computador.
OBJETIVOS
 Diseño de un
circuito de dos
perceptrones.
 Conocer el
funcionamiento del
motor Paso-Paso.
 Comprobar las
entradas y salidas.
 Implementar el
circuito diseñado.
MARCO TEÓRICO.
El análisis predictivo se
utiliza hoy día en numerosas
ocasiones como sinónimo
del término "aprendizaje
automático", también
conocido como machine
learning. Si hay una técnica
en análisis predictivo que
captura este aspecto más que
cualquier otro, es el
modelado de redes
neuronales artificiales. Su
funcionamiento se basa en
el aprendizaje, una
búsqueda iterativa de los
coeficientes o pesos dados a
inputs y outputs.
Procesamiento Neuronal:
Una computadora digital
tradicional hace muy bien
muchas tareas. Es muy
rápida, y hace exactamente
lo que le diga que haga. Por
desgracia, no puede ayudarle
cuando usted mismo no
entiende por completo el
problema que desea resolver.
Peor aún, los algoritmos
estándar no manejan bien
los datos ruidosos o
incompletos, sin embargo,
en el mundo real, esos son
frecuentemente los que se
encuentran. Una respuesta
es utilizar una red neuronal
artificial (RNA), un sistema
de cómputo que puede
aprender por sí mismo. [1]
La primera red neuronal
artificial fue inventada en
1958 por el psicólogo Frank
Rosenblatt. Llamada
Perceptrón, intentaba
modelar cómo el cerebro
humano procesaba los datos
visuales y aprendía a
reconocer los objetos.
Eventualmente, alguien se
dio cuenta de que además de
proporcionar conocimientos
sobre la funcionalidad del
cerebro humano, las RNA
pueden ser herramientas
útiles por su propia cuenta.
Su patrón de coincidencia y
las capacidades de
aprendizaje les permitió
hacer frente a muchos
problemas que eran difíciles
o imposibles de resolver por
los métodos de cálculo y
estadística. A pesar de que
las redes neuronales
artificiales se refieren a
menudo simplemente como
redes neuronales, el nombre
Figure 2: Estructura de
más bien pertenece a los una red neuronal.
cerebros biológicos en los
que se basaron en un
principio. [1]
Como aprende una Red
Neuronal.
Las redes neuronales
artificiales suelen comenzar
con pesos al azar para todas
sus neuronas. Esto quiere
decir que no "sabe" nada y
deben estar capacitadas para
resolver el problema
particular para el que están
destinadas. En términos
generales, existen dos
métodos para la formación
de una RNA, dependiendo
del problema que debe
Figure 1: Red Neuronal
resolver: [1]
3 entradas 3 salidas.
 Una auto-
Estructura de las redes organización de
neuronales.
RNA (a menudo
llamada Kohonen,
Una red neuronal artificial
funciona mediante la por su inventor)
creación de conexiones entre está expuesta a
grandes cantidades
muchos elementos de
de datos y tiende a
procesamiento diferentes,
descubrir patrones y
cada uno similar a una sola
relaciones en los
neurona en un cerebro
datos. Los
biológico. Estas neuronas
investigadores
pueden estar físicamente
suelen utilizar este
construidas o simuladas por
tipo para analizar
una computadora digital. [2]
los datos
Cada neurona tiene muchas experimentales.
señales de entrada y luego,
sobre la base de un sistema  Una RNA de retro-
de peso interno, produce una propagación, por el
sola señal de salida que es contrario, está
normalmente enviada como entrenada por los
entrada a otra neurona. Las seres humanos para
neuronas están realizar tareas
estrechamente específicas.
interconectadas y
organizadas en capas Durante el período de
diferentes. La capa de entrenamiento, el entrenador
entrada recibe la entrada, la evalúa si la salida de la RNA
capa de salida produce el es correcta.Si es correcta, los
resultado final. Por lo coeficientes correctores
general, una o más capas neuronal que producen la
ocultas se intercalan entre producción se ven
reforzados, si la salida es
las dos. Esta estructura hace
que sea imposible predecir o incorrecta, los coeficientes
correctores responsables se
conocer el caudal exacto de
los datos. [2] ven disminuidos. [1]
Cómo funcionan las RNA. función de
aproximación. [3]
Uno de los aspectos más 3) Clasificación: las
interesantes del estudio de redes neuronales
las redes neuronales artificiales pueden
artificiales es el que revela ser utilizadas
en qué consiste su eficazmente para
aportación a la analítica clasificar muestras,
predictiva. En esta línea, es decir, asignar los
destacan cuatro usos: datos que se
recogen a diferentes
1) Aproximación: su
función se asemeja clases o categorías.
a una forma [3]
avanzada de modelo 4) Agrupación: la
de regresión lineal agrupación es otra
múltiple. En un forma de
modelo de regresión clasificación, donde
lineal estándar, se se desconoce el
busca ajustar una número de clases
función de línea antes de forma
recta a través de los previa. Por tanto, el
valores de una trabajo de las redes
variable neuronales
independiente. En artificiales para la
un modelo de red agrupación es
similar a la
neuronal artificial
clasificación de
no hay ninguna
restricción, no registros. [3]
existen ese tipo de
Entrenamiento de las redes
límites, la línea no
neuronales.
tiene porqué ser
recta. Esta Se denomina entrenamiento
característica al proceso de configuración
complica su diseño, de una red neuronal para que
pero optimiza los las entradas produzcan las
resultados ya que, salidas deseadas a través del
en base al ajuste de fortalecimiento de las
una función, se conexiones. Una forma de
pueden encontrar llevar esto a cabo es a partir
los pesos correctos o del establecimiento de pesos
coeficientes que se conocidos con anterioridad,
relacionarán con y otro método implica el uso
técnicas estadísticas de técnicas de
estándar. [3] retroalimentación y patrones
2) Previsión: el de aprendizaje que cambian
forecasting que las los pesos hasta encontrar los
redes neuronales adecuados.
artificiales permiten Además, el aprendizaje
llevar a cabo parte puede dividirse en
de una variable supervisado o asociativo y no
objetivo con un supervisado o auto-
valor equiparable al organizado. En el primer
de la que se caso se introducen entradas
pretende medir en que corresponden
un punto del tiempo determinadas salidas, ya sea
en el futuro. Las por un agente externo o por
variables el mismo sistema. En el
independientes son segundo caso el
consideradas entrenamiento se enfoca a
valores históricos de encontrar características
la misma medida. estadísticas entre
De esta manera, un agrupamientos de patrones
problema de en las entradas. Un tipo de
predicción reduce regla que se usa para el
simplemente a una entrenamiento mediante el
ajuste de pesos es la
Hebbiana, propuesta por
Hebb en 1949 y que ha dado
pie a diversas variantes
propuestas en el transcurso
del tiempo. Si dos unidades j
y k están activas al mismo
tiempo, la conexión entre las
dos debe ser fortalecida
mediante la modificación del
peso:
Donde γ es una constante de
proporcionalidad positiva
que representa la tasa de
aprendizaje. Otra regla
usada comúnmente implica
el ajuste de los pesos a través
de la diferencia entre la
activación actual y la
deseada; se le conoce como
Regla Delta:
Donde dk es la activación
deseada.
El Perceptrón.
Figure 3: El Perceptrón.
Es un modelo que nos ayuda
a dividir patrones
linealmente separables y lo
que hace este entrenamiento
es deducir cuando una
entrada pertenece a una de
las dos clases. [4]
Dentro del campo de las
redes neuronales tiene dos
acepciones. Puede referirse a
un tipo de red neuronal
artificial desarrollado por
Frank Rosenblatt. Y dentro
de la misma teoría de
Rosenblatt. También puede
a entenderse como la neurona
artificial y unidad básica de
inferencia en forma de
discriminador lineal, es
decir, un algoritmo capaz de
generar un criterio para
seleccionar un sub-grupo, de
un grupo de componentes
más grande. La limitación de
este algoritmo es que, si
dibujamos en un plot estos
elementos, se deben poder
separar con un hiperplano
los elementos "deseados" de
los "no deseados". El
Perceptrón puede utilizarse
con otros perceptrones u otro
tipo de neurona artificial,
para formar redes neuronales
más complicadas. [4]
ADALINE (Adaptive Linear
Neuron).
La red ADALINE tiene una
topología similar a la del
perceptrón, excepto porque
emplea una función de
activación lineal, usando
para su entrenamiento un
método de
mínimos cuadrados (LMS).
Entre sus aplicaciones se
encuentran:
 Procesamiento de
señales.
 Canceladores de
ECO, en señales
telefónicas.
 Sistemas de
predicción.
Un esquema de predicción
básico es el siguiente, en el
cual se presenta un
entrenamiento con datos del
sistema tanto de la entrada
como de la salida. Después
de realizado el
entrenamiento se elimina la
entrada de datos de la salida
del sistema, como lo muestra
la figura 4. [4]
Figure 4:Red
ADALINE:
Las redes ADALINE son
estructuras de una capa con
una función de escalón como
no linealidad.
Adicionalmente, las entradas
pueden ser de forma
continua, mientras que en el
perceptrón son binarias de
∓ 1. Los pesos son ajustados
mediante la regla de limitaciones, una
Widrow-Hoff para red de perceptrón
minimizar la diferencia entre conserva su
la salida y el objetivo. Este importancia ya que
algoritmo es una sirvió como
implementación iterativa de inspiración para
la regresión lineal, otros tipos de redes.
educiendo el error cuadrado  De acuerdo con las
de un ajuste lineal. [4] entradas podremos
observar las salidas
en donde le voltaje
de salida no debe de
ser superior a 5V
para no tener
inconvenientes con
el arduino en dañar
las entradas, en
donde de 0 a 2.5 V
se tomará como un
cero y si la salida es
de 2.5 a 5 es
Figure 5: ADALINE tomada la salida
con salida de activacion. como un 1.
 El uso del motor se
debe de tener claro
DESARROLLO.
si es unipolar o
bipolar par su
CONCLUSIONES respectiva conexión
 Al escoger una red y no tener
neuronal como inconvenientes con
método de solución el funcionamiento.
de un problema en
particular, es REFERENCIAS
necesario tener un [1] P. P. Cruz, "TECNOLOGIAS
entrenamiento (Informacion Actual.)," 21 07
2013. [Online]. Available:
profundo y https://www.tecnologias-
completo de lo que informacion.com/redes-
es el problema neuronales.html. [Accessed 27
como tal, pues ello 05 2018].
[2] B. M. d. Brio, "gtocoma," 9
facilita la elección Novirmbre 2016. [Online].
de los patrones de Available:
entrenamiento y http://grupo.us.es/gtocoma/pid/p
ofrece una idea id10/RedesNeuronales.htm .
[Accessed 27 Mayo 2018].
general de la [3] B. D. Analytics, "LOGICALIS,"
arquitectura que 26 Enero 2009. [Online].
debe de tener la red Available:
https://blog.es.logicalis.com/ana
y de los que se lytics/redes-neuronales-
espera de ella. artificiales-funcionamiento-y-
 La red de tipo aplicacion-al-negocio.
[Accessed 27 Mayo 2018].
perceptrón es una [4] Z. Oriaj, "Implementacion de un
red que puede Motor a pasos con
implementarse perceptrones.," pp. 4-5, 2010
exitosamente para
resolver problemas
de clasificación de
patrones que sean
linealmente
separables, la red
responderá mejor
entre más sencillos
sean los patrones
que debe de
clasificar.
 A pesar de que
cuenta con serias