Beruflich Dokumente
Kultur Dokumente
PROYECTO DE TESIS
INGENIERO ELECTRÓNICO
JULIACA – PERU
2019
INDICE
1. EL PROBLEMA DE LA INVESTIGACION......................................................................... 1
1.1. PLANTEAMIENTO DEL PROBLEMA ............................................................................ 1
1.1.1. PROBLEMA GENERAL ................................................................................................. 2
1.1.2. PROBLEMA ESPECIFICO ............................................................................................ 2
2. OBJETIVO DE LA INVESTIGACION ................................................................................. 2
2.1. OBJETIVO GENERALES................................................................................................... 2
2.2. OBJETIVO ESPECIFICO ................................................................................................... 2
2.3. JUSTIFICACION DEL ESTUDIO ..................................................................................... 2
3. MARCO TEORICO ................................................................................................................. 3
3.1. ANTECEDENTES DE LA INVESTIGACION ................................................................. 3
3.2. BASES TEORICAS .............................................................................................................. 3
3.3. MARCO CONCEPTUAL .................................................................................................. 21
4. HIPOTESIS ............................................................................................................................. 21
4.1. HIPOTESIS GENERAL..................................................................................................... 21
4.2. HIPOTESIS ESPECIFICO ................................................................................................ 21
4.3. OPERACIÓN DE VARIABLES........................................................................................ 22
5. METODOLOGIA DE LA INVESTIGACION .................................................................... 22
5.1. TIPO DE INVESTIGACION ............................................................................................. 22
5.2. TECNICAS E INSTRUMENTOS ..................................................................................... 22
5.3. PROCEDIMIENTOS.......................................................................................................... 22
5.4. DISEÑO DE LA PRUEBA DE HIPOTESIS .................................................................... 22
5.5. POBLACION Y MUESTRA .............................................................................................. 23
5.6. MATRIZ DE CONSISTENCIA ........................................................................................ 23
6. PRESOPUESTO Y CRONOGRAMA DE ACTIVIDADES ............................................... 23
6.1. PRESOPUESTO.................................................................................................................. 23
6.2. CRONOGRAMA DE ACTIVIDADES ............................................................................. 23
7. ESTRUCTURA TENTATIVA DEL INFORME FINAL .................................................... 24
8. BIBLIOGRAFÍA ..................................................................................................................... 25
INDICE DE ILUSTRACIONES
Ilustración 1 Neurona Artificial y si Relación con una Neurona Biológica ........................... 5
Ilustración 2 Función de Activación Escalón ......................................................................... 8
Ilustración 3 Función de Activación Lineal y Mixta .............................................................. 8
Ilustración 4 Función Tangente Hiperbólica .......................................................................... 9
Ilustración 5 Función Sigmoidal .......................................................................................... 10
Ilustración 6 Función de Activación Gaussiana ................................................................... 10
Ilustración 7 Esquema Básico de una RNA.......................................................................... 11
Ilustración 8 Sensor de Ultrasonido ..................................................................................... 13
Ilustración 9 Medir Distancia ............................................................................................... 14
Ilustración 10 Puente H con Transistores ............................................................................. 15
Ilustración 11 Cambio de Corrientes .................................................................................... 16
Ilustración 12 Circuito Dentro del Chip L298 ...................................................................... 16
Ilustración 13 Ciclo de Trabajo ............................................................................................ 18
Ilustración 14 Ciclo de Trabajo 90 % ................................................................................... 19
Ilustración 15 Ciclo de Trabajo 20% .................................................................................... 20
Ilustración 16 GNU Octave .................................................................................................. 21
1. EL PROBLEMA DE LA INVESTIGACION
Esta investigación propone una nueva metodología para resolver problemas complejos
basada en arreglos neuronales evolutivos. Durante la evolución, cada individuo de la
población está formado por más de una red neuronal e intenta resolver el problema con la
participación colectiva de sus miembros y alguna división funcional de la tarea. El
aprendizaje se basa en una estrategia incremental que evalúa la población en varias etapas,
sobre diferentes tareas de complejidad creciente, hasta alcanzar el comportamiento final
deseado.
La robótica evolutiva se preocupa por usar evolución biológica simulada para crear
automáticamente controladores para robots, que reduce la cantidad de las pruebas del mundo
real, se utilizan generalmente para acelerar la evolución y proceso. Sin embargo, la creación
de cómo controlar robots con inteligencia es una proceso difícil y lento que requiere grandes
conocimientos. Esta investigación describe el uso de las redes neuronales para actuar como
controlador de sensor de distancia ultrasónico en este robot móvil. El entrenamiento de esta
red neuronal artificial. Los datos adquiridos son evaluados por medios de comparación con
datos de prueba. Finalmente, después de varias pruebas se validan desarrollando un
controlador para evitar obstáculos el robot utilizando las redes neuronales. Los resultados
muestran que las redes neuronales pueden ser utilizadas para adquirir datos de un sensor
ultrasónico en la robótica evolutiva.
pág. 1
En este trabajo se realizará el diseño y la implementación de un robot móvil evasor de
obstáculos, que será implementado en un microcontrolador atmega 328, con el uso de varios
componentes electrónicos como sensores de ultrasonido controladores de motores dc, etc.
El objetivo es que el robot pueda realizar la evasión de obstáculos frente a una trayectoria, el
microcontrolador controlara a los actuadores mediante el entrenamiento de la red
2. OBJETIVO DE LA INVESTIGACION
pág. 2
Como propuesta y continuación a proyectos sobre redes neuronales artificiales ya
desarrollados, este estudio se enfoca en el entrenamiento de la red neuronal para el robot
móvil evasor de obtaculos.
3. MARCO TEORICO
Las investigaciones que sirven de base para un modelo artificial van desde la biología,
química, neurología y psicología hasta el estudio de la evolución del sistema nervioso según
la conducta en ambientes naturales o neuroetología; sin contar con los aportes de la
Inteligencia Artificial (IA) son diferentes estudios en ramas multidisciplinares que dan pistas
sobre los comportamientos locales que desembocan en el emergente sistema nervioso y en
una especialización mayor como el cerebro. Por esta razón se hará una revisión de los más
importantes resultados investigativos que describen: tanto detalles que competen a áreas
específicas de la IA basadas en el comportamiento neuronal; como a la IA en sí, estableciendo
criterios generales clave como las propiedades de la vida o la evolución (roanboc, 2016)
pág. 3
Inteligencia artificial: Como se ha dicho, la IA es uno de los componentes importantes de
una MI. Otra definición es: “La ciencia que estudia de manera sistemática el comportamiento
inteligente, con el fin de imitar o simular las habilidades humanas mediante la creación y
utilización de máquinas y computadoras” (Daniel Cohen, Enrique Asín, 2014). Basado en
estas definiciones, se describe la “inteligencia” como máquinas con sistemas capaces de
entender el comportamiento de las personas en un determinado ambiente e imitar un
comportamiento similar al que tendría una persona. Dentro de las habilidades humanas que
podría simular una MI se incluyen el razonamiento, el aprendizaje y las capacidades
sensoriales, entre otras. Asimismo, entre sus objetivos la IA tiene el desarrollo de máquinas
con la capacidad de aprender e incluso realizar actividades físicas, coordinadas, así como
emular experiencias en las cuales se requiere la toma de decisiones. La IA, como campo,
tiene que ver con las áreas de robótica, simulación sensorial, agentes inteligentes, lógica
difusa, redes neuronales, sistemas expertos y lenguajes naturales.
Robótica: según la RAE, un robot es “una máquina o ingenio electrónico programable, capaz
de manipular objetos y realizar operaciones antes reservadas solo a las personas”. La robótica
es el campo de estudio que se encarga de la imitación del movimiento humano a través de
máquinas, la que es utilizada para apoyar procesos -tales como los que son repetitivos- y
realizarlos de manera precisa. Los robots con IA son aquellos autónomos, capaces de tomar
decisiones basados en los estímulos recibidos por sus sensores físicos; a estos se les llama
MI (Gonzales, 2017).
La naturaleza provee una potente herramienta para aprender de sus errores a través de la
selección natural y llega a diseños que generan gran eficiencia y adaptación a su entorno y esa
característica hace que muchos de ellos se vuelvan grandes ideas tecnológicamente hablando.
pág. 4
En el campo de la inteligencia artificial tenemos ejemplos de cómo se han adaptado modelos
naturales para crear algoritmos que permitan aprender de sus errores y volverse más eficientes
en su tarea. Estos algoritmos son particularmente útiles para resolver tareas en las que no es
posible hallar una solución matemáticamente pura. Un ejemplo de lo anterior son las redes
neuronales artificiales.
Las redes neuronales artificiales, son algoritmos de software cuyo fundamento se inspira en
el comportamiento de las neuronas del cerebro humano. En nuestro cerebro ocurren millones
de reacciones químicas que comunican nuestras células cerebrales, o neuronas, unas con otras
mediante estructuras especializadas (Soberanis, 2018).
Las neuronas se conectan entre sí por medio de conexiones llamadas sinapsis las cuales son
intercambios eléctricos entre el botón sináptico de una neurona (emisora o presináptica) y el
botón dendrítico de otra (receptora o presináptica). Dichas conexiones permiten que una
neurona mande descargas eléctricas a las células con las cuales se encuentra conectada. La
descarga eléctrica viaja desde el cuerpo o soma de una neurona hasta el Axón el cual hace la
función de un cañón eléctrico a través de los neurotransmisores.
pág. 5
El perceptrón es una estructura la cual posee una o varias entradas, una función de activación
y una salida (Soberanis, 2018).
Elementos de una red neuronal: Las redes neuronales artificiales (RNA) son modelos que
intentan reproducir el comportamiento del cerebro. Como tal modelo, realiza una
simplificación, averiguando cuáles son los elementos relevantes del sistema, bien porque la
cantidad de información de que se dispone es excesiva o bien porque es redundante. Una
elección adecuada de sus características, más una estructura conveniente, es
el procedimiento convencional utilizado para construir redes capaces de realizar determinada
tarea.
Existen cuatro funciones de transferencia típicas que determinan distintos tipos de neuronas:
Función Escalón
Función Lineal y Mixta
Función Sigmoidal
Función Tangente hiperbólica
Función Gaussiana
pág. 6
Conexiones entre neuronas. Las conexiones que unen a las neuronas que forman una RNA
tiene asociado un peso, que es el que hace que la red adquiera conocimiento. Se considera
que el efecto de cada señal es aditivo, de tal forma que la entrada neta que recibe una neurona
es la suma del producto de cada señal individual por el valor de la sinapsis que conecta ambas
neuronas y es lo que se conoce como red de propagación. Se utiliza una matriz W con todos
los pesos, Si wji es positivo indica que la relación entre las neuronas es excitadora, es decir,
siempre que la neurona i esté activada, la neurona j recibirá una señal que tenderá a activarla.
Si wji es negativo, la sinapsis será inhibidora. En este caso si i está activada, enviará una
señal que desactivará a j. Finalmente si wji es 0 se supone que no hay conxión entre ambas.
Función o Regla de Activación. Se requiere una regla que combine las entradas con el estado
actual de la neurona para producir un nuevo estado de activación. Esta función F produce un
nuevo estado de activación en una neurona a partir del estado que existía y la combinación
de las entradas con los pesos de las conexiones. Esa F es denominada función de activación,
y las salidas que se obtienen en una neurona para las diferentes formas de F serán:
Función de Activación Escalón
Función de Activación Identidad
Función de Activación Lineal -Mixta
Función escalón: La función de activación escalón se asocia a neuronas binarias en las cuales,
cuando la suma de las entradas es mayor o igual que el umbral de la neurona, la activación
es 1; si es menor, la activación es 0 (o -1) (Cruz, 2010, pág. 200).
pág. 7
Ilustración 2 Función de Activación Escalón
pág. 8
Función tangente hiperbolica: La función de activación tangente hiperbólica se emplea en los
casos que presentan variaciones suaves de valores positivos y negativos de la señal a clasifi
car. Como se puede ver en su descripción en la fi gura 3.4, es una de las funciones más
empleadas en entrenamientos supervisados, como en el caso del entrenamiento de
retropropagación del error. Debe tenerse cuidado de emplear esta fi gura entre los umbrales
postivos y negativos antes de la saturación, de otra forma la salida siempre generara valores
saturados iguales a 1 y -1 (Cruz, 2010, pág. 201).
Función sigmoidal: Con la función sigmoidal el valor dado por la función es cercano a uno
de los valores asintóticos. Esto hace que en la mayoría de los casos, el valor de salida esté
comprendido en la zona alta o baja del sigmoide. De hecho, cuando la pendiente es elevada,
esta función tiende a la función escalón. Sin embargo, la importancia de la función sigmoidal
es que su derivada siempre es positiva y cercana a cero para los valores grandes positivos o
negativos; además, toma su valor máximo cuando x 5 0. Esto hace que se puedan utilizar
reglas de aprendizaje defi nidas para las funciones escalón, con la ventaja, respecto a esta
función, de que la derivada está defi nida en todo el intervalo (Cruz, 2010, pág. 201).
pág. 9
Ilustración 5 Función Sigmoidal
Función gauss Los mapeos ocultos algunas veces pueden realizarse con un solo nivel de
neuronas mediante el uso de funciones de activación tipo Gauss, en lugar de funciones tipo
sigmoidales (Cruz, 2010, pág. 202).
Elementos de una red neuronal: Una RNA consta de un conjunto de elementos de procesamiento
conectados entre sí y entre los que se envían información a través de conexiones. Un esquema básico
de una red neuronal artificial se observa en la figura, la cual presenta las diferentes capas que tiene
esta topología, que es una estructura que se conoce con el nombre de feed-forward (hacia delante)
debido al flujo de la información (Cruz, 2010, pág. 202).
pág. 10
Ilustración 7 Esquema Básico de una RNA
Para poder entender este concepto, primero se tiene que entender los conceptos de hardware
libre y el software libre. El hardware libre son los dispositivos cuyas especificaciones y
diagramas son de acceso público, de manera que cualquiera puede replicarlos. Esto quiere
decir que Arduino ofrece las bases para que cualquier otra persona o empresa pueda crear sus
propias placas, pudiendo ser diferentes entre ellas, pero igualmente funcionales al partir de
la misma base.
El software libre son los programas informáticos cuyo código es accesible por
cualquiera para que quien quiera pueda utilizarlo y modificarlo. Arduino ofrece la plataforma
Arduino IDE (Entorno de Desarrollo Integrado), que es un entorno de programación con el
que cualquiera puede crear aplicaciones para las placas Arduino, de manera que se les puede
dar todo tipo de utilidades.
pág. 11
El proyecto nació en 2003, cuando varios estudiantes del Instituto de Diseño Interactivo de
Ivrea, Italia, con el fin de facilitar el acceso y uso de la electrónico y programación. Lo
hicieron para que los estudiantes de electrónica tuviesen una alternativa más económica a las
populares BASIC Stamp, unas placas que por aquel entonces valían más de cien dólares, y
que no todos se podían permitir.
El resultado fue Arduino, una placa con todos los elementos necesarios para conectar
periféricos a las entradas y salidas de un microcontrolador, y que puede ser programada tanto
en Windows como macOS y GNU/Linux. Un proyecto que promueve la filosofía 'learning
by doing', que viene a querer decir que la mejor manera de aprender es cacharreando (FM,
2018).
Midiendo el tiempo entre pulsos, conociendo la velocidad del sonido, podemos estimar la
distancia del objeto contra cuya superficie impacto el impulso de ultrasonidos
Los sensores de ultrasonidos son sensores baratos, y sencillos de usar. El rango de medición
teórico del sensor HC-SR04 es de 2cm a 400 cm, con una resolución de 0.3cm. En la práctica,
sin embargo, el rango de medición real es mucho más limitado, en torno a 20cm a 2 metros.
Pese a esta baja precisión, que impide conocer con precisión la distancia a un objeto, los
sensores de ultrasonidos son ampliamente empleados. En robótica es habitual montar uno o
pág. 12
varios de estos sensores, por ejemplo, para detección de obstáculos, determinar la posición
del robot, crear mapas de entorno, o resolver laberintos.
𝑚 𝑐𝑚 1 𝑠 1 𝑐𝑚
343 ∗ 100 ∗ =
𝑠 𝑚 1000000 𝑢𝑠 29.2 𝑢𝑠
Es decir, el sonido tarda 29,2 microsegundos en recorrer un centímetro. Por tanto, podemos
obtener la distancia a partir del tiempo entre la emisión y recepción del pulso mediante la
siguiente ecuación
𝑡𝑖𝑒𝑚𝑝𝑜(𝑢𝑠)
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 (𝑐𝑚) =
29.2 ∗ 2
pág. 13
El motivo de divir por dos el tiempo (además de la velocidad del sonido en las unidades
apropiadas, que hemos calculado antes) es porque hemos medido el tiempo que tarda el pulso
en ir y volver, por lo que la distancia recorrida por el pulso es el doble de la que queremos
medir (llamas, MEDIR DISTANCIA CON ARDUINO Y SENSOR DE ULTRASONIDOS
HC-SR04, 2015).
La corriente máxima que el L298N puede suministrar a los motores es, en teoría, 2A por
salida (hasta 3A de pico) y una tensión de alimentación de 3V a 35V.
Sin embargo, el L298N tiene una eficiencia baja. La electrónica supone una caída de tensión
de unos 3V, es decir, la tensión que recibe el motor es unos 3V inferior a la tensión de
alimentación.
pág. 14
Estas pérdidas se disipan en forma de calor lo que se traduce en que, a efectos prácticos, es
difícil que podamos obtener más de 0.8-1A por fase sin exceder el rango de temperatura de
funcionamiento.
El L298N incorpora protecciones contra efectos que pueden producirse al manejar motores
de corriente continua. Dispone de protecciones contra sobre intensidad, sobre temperatura, y
diodos de protección contra corrientes inducidas (flyback).
un L298N consiste en dos puentes-H, uno para la salida A y otro para la salida B.
Actuando sobre los 4 transistores, activando los transistores opuestos en diagonal de cada
rama, podemos variar el sentido en el que la corriente atraviesa la carga Conectando
pág. 15
simultáneamente los transistores superiores o inferiores, podemos poner la carga Vcc o Gnd
respectivamente, configuración que usaremos como freno.
Por último, nunca debemos encender ambos transistores de un mismo ramal (izquierda o
derecha), ya que estaremos provocando un cortocircuito entre Vcc y GND.
La placa L298N incorpora electrónica que simplifica la conexión al puente H, agrupando las
conexiones en 3 pines accesibles (por cada salida) y eliminando la posibilidad de generar un
cortorcuito (llamas, CONTROLAR MOTORES DE CORRIENTE CONTINUA CON
ARDUINO Y L298N, 2016).
pág. 16
Motores DC: El motor de corriente continua (motor DC) es una máquina que convierte la
energía eléctrica en mecánica, provocando un movimiento rotatorio. En algunas
modificaciones, ejercen tracción sobre un riel. Estos motores se conocen como motores
lineales.
El sentido de giro de un motor de corriente continua depende del sentido relativo de las
corrientes circulantes por los devanados inductor e inducido. La inversión del sentido de giro
del motor de corriente continua se consigue invirtiendo el sentido del campo magnético o de
la corriente del inducido. Si se permuta la polaridad en ambos bobinados, el eje del motor
gira en el mismo sentido.
Qué es PWM y cómo funciona la modulación de ancho de pulso: PWM son siglas en
inglés que significan Pulse Width Modulation y que lo podemos traducir a español como
Modulación de ancho de pulso. Puede ser que esto no te diga nada de momento.
La modulación de ancho de pulso está formada por una señal de onda cuadrada que no
siempre tiene la misma relación entre el tiempo que está en alto y el tiempo que está en bajo.
pág. 17
En la siguiente imagen vemos una señal que varía entre 5 voltios y 0 voltios. A lo largo del
tiempo la señal varía entre dos valores de tensión. Durante un tiempo determinado la señal
se encuentra en el nivel alto (en este caso 5v) y durante otro periodo de tiempo se encuentra
en el segundo valor de tensión (en este caso 0v).
El tiempo que la señal se encuentra en el nivel alto (5 voltios) lo denominamos como tiempo
on (Ton) mientras que el tiempo que está en nivel bajo lo denominamos tiempo off (Toff).
La suma del tiempo on y el tiempo off es el periodo de la señal (T).
Y como en toda señal periódica, el inverso de del periodo (1 / T) es la frecuencia de la señal.
¿Cómo funciona el PWM? Variando su valor de tensión entre dos valores conocidos, por
ejemplo, Vcc y GND en periodos concretos de tiempo y con una frecuencia fija. Estos
periodos reciben nombres especiales.
Ciclo de trabajo o Duty Cycle: La variación de ancho de pulso consiste en variar los tiempos
de encendido y apagado, es decir Ton y Toff. Al cambiar el valor de un PWM, en realidad se
están modificando estos tiempos.
pág. 18
Uno de las características más importantes de una señal PWM es su ciclo de trabajo o Duty
Cycle, en inglés, ya que este es el que varía en un PWM.
El ciclo de trabajo no es otra cosa que la relación entre el tiempo de encendido y el periodo
o tiempo total del PWM.
𝑇𝑜𝑛
𝐷𝐶 =
𝑇
Cuanto mayor sea el duty cycle, mayor tiempo estará la señal de tensión en alto, sin variar el
periodo. Por consecuencia, como el periodo no vario y la suma de Ton y Toff, si el tiempo
de encendido aumenta, el tiempo de apagado disminuye.
Este es el motivo por el cual se llama modulación de ancho de pulso, porque literalmente se
varía el ancho del pulso de niveles alto.
Normalmente el valor de ciclo de trabajo se expresa en porcentaje y para ello solo debemos
multiplicar por 100.
𝑇𝑜𝑛
𝐷𝐶 = ∗ 100
𝑇
Cuando el ciclo de trabajo es 90%, como en la siguiente imagen, la señal está en nivel alto
durante el 90% del periodo.
Cuando el ciclo es de 20%, como en la siguiente imagen, la señal estará el 20% del tiempo
en nivel alto y el 80% en nivel bajo (Gómez, 2017).
pág. 19
Ilustración 15 Ciclo de Trabajo 20%
Octave tiene amplias herramientas para resolver problemas comunes de álgebra lineal
numérica, encontrar las raíces de ecuaciones no lineales, integrar funciones ordinarias,
manipular polinomios e integrar ecuaciones diferenciales y algebraicas diferenciales
ordinarias. Es fácilmente extensible y personalizable a través de funciones definidas por el
usuario escritas en el propio lenguaje de Octave, o utilizando módulos cargados
dinámicamente escritos en C ++, C, Fortran u otros idiomas.
pág. 20
Ilustración 16 GNU Octave
Sinapsis: Las neuronas no forman redes continuas, sino que existe un pequeño espacio entre
ellas (sinapsis) que debe atravesar el impulso nervioso para pasar de una neurona a otra
(pignatelli, s.f.).
4. HIPOTESIS
pág. 21
H.E.2. Realizar la explicacion de como implementar una red neural artificial en arduino
5. METODOLOGIA DE LA INVESTIGACION
Se usa la metodología comparativa, los datos seran analizados y comparados en el punto
neutro de estabilidad.
5.3. PROCEDIMIENTOS
Adquisición de señales del sensor ultrasonido
Aplicar el entrenamiento
Comprobar resultados
pág. 22
X = datos del sensor ultrasonido
Y = datos analizados
6.1. PRESOPUESTO
ITEM DESCRIPSION CANTIDAD ENVIO/UNIDAD COSTO TOTAL
1 Arduino 1 10 S/. 60.00 S/. 60.00
2 modulo drive l298 3 S/. 30.00 S/. 90.00
3 batería de litio 1 S/. 150.00 S/. 150.00
4 motores dc 3 S/. 150.00 S/. 150.00
5 cables 20 metros S/. 0.50 S/. 50.00
6 cargador de batería 1 S/. 200.00 S/. 200.00
7 internet horas 500 horas S/. 1.00 S/. 500.00
8 bibliografía 3 S/. 200 S/. 200.00
14 accesorios varios 1 S/ 500.00 S/. 500.00
COSTO TOTAL
APROX. S/. 1900.00
pág. 23
ADQUISICIÓN DE DISPOSITIVOS
Y MATERIALES
INMPLEMENTACIÓN DEL
SISTEMA DE CONTROL
REALIZACION DE PRUEBAS Y
RESULTADOS
TITULO
DEDICATORIA
AGRADECIMIENTO
ÍNDICE GENERAL, ÍNDICE DE FIGURAS, ÍNDICE DE TABLAS
RESUMEN, ABSTRACT
INTRODUCCIÓN
CAPITULO I : EL PROBLEMA
1.1. Análisis de la situación problemática
1.2. Planteamiento del Problema
1.2.1. Problema general o pregunta general
1.2.2. Problemas específicos o preguntas específicas
1.3. Objetivos de la investigación
1.3.1. Objetivo general
1.3.2. Objetivos específicos
1.3.3. Justificación del estudio
1.4. Hipótesis
1.4.1. Hipótesis general
1.4.2. Hipótesis específicas
1.4.3. Variables
1.4.4. Operacionalización de las variables
8. BIBLIOGRAFÍA
(21 de abril de 2015). Obtenido de geekbotelectronics:
http://www.geekbotelectronics.com/motores-de-dc/
Christiaan J. Pretorius, M. C. (s.f.). A Neural Network Ultrasonic Sensor Simulator for Evolutionary
Robotics. The Second International Conference on Advanced Communications and
Computation. Nelson Mandela Metropolitan University, South Africa.
Gómez, E. (19 de diciembre de 2017). Que es PWM y para que sirve. Obtenido de
https://www.rinconingenieril.es/que-es-pwm-y-para-que-sirve/
jc2589. (24 de enero de 2014). redes neuronales. Obtenido de Elementos de una Red Neuronal
Artificial: https://redesneuronales1.wordpress.com/2014/01/24/elementos-de-una-red-
neuronal-artificial-2/
pág. 25
llamas, l. (16 de junio de 2015). MEDIR DISTANCIA CON ARDUINO Y SENSOR DE ULTRASONIDOS
HC-SR04. Obtenido de Ingeniería, informática y diseño: https://www.luisllamas.es/medir-
distancia-con-arduino-y-sensor-de-ultrasonidos-hc-sr04/
llamas, l. (26 de mayo de 2016). CONTROLAR MOTORES DE CORRIENTE CONTINUA CON ARDUINO
Y L298N. Obtenido de Ingeniería, informática y diseño:
https://www.luisllamas.es/arduino-motor-corriente-continua-l298n/
roanboc. (20 de noviembre de 2016). PROTOTIPO DE UNA RED NEURONAL ARTIFICIAL CON
ARQUITECTURA dinámica basada en el proceso de neurogénesis de redes neuronales
maduras. Obtenido de https://roanboc.wordpress.com/2016/11/20/prototipo-de-una-
red-neuronal-artificial-con-arquitectura-dinamica-basada-en-el-proceso-de-neurogenesis-
de-redes-neuronales-maduras/#_Toc232495067
Soberanis, M. C. (13 de febrero de 2018). Inspiración biológica de las redes neuronales artificiales.
Obtenido de https://medium.com/@mario.campos.soberanis/inspiraci%C3%B3n-
biol%C3%B3gica-de-las-redes-neuronales-artificiales-9af7d7b906a
pág. 26