See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/319778120

Análisis formal de la dinámica de sistemas no lineales mediante redes

neuronales

Conference Paper · September 2017

DOI: 10.17979/spudc.9788497497749.0376

CITATIONS READS

0 2,466

5 authors, including:

E. Irigoyen Mikel Larrea

Universidad del País Vasco / Euskal Herriko Unibertsitatea Universidad del País Vasco / Euskal Herriko Unibertsitatea
94 PUBLICATIONS 708 CITATIONS 28 PUBLICATIONS 189 CITATIONS

SEE PROFILE SEE PROFILE

Antonio Javier Barragán Jose Manuel Andujar Marquez

Universidad de Huelva Universidad de Huelva
98 PUBLICATIONS 650 CITATIONS 508 PUBLICATIONS 6,248 CITATIONS

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Jose Manuel Andujar Marquez on 15 September 2017.

The user has requested enhancement of the downloaded file.

XXXVIII Jornadas de Automática

ANÁLISIS FORMAL DE LA DINÁMICA DE SISTEMAS NO

LINEALES MEDIANTE REDES NEURONALES
Eloy Irigoyen, Mikel Larrea
DISA, EIB, UPV/EHU, Alda. Urquijo, S/N, 48013, Bilbao; {eloy.irigoyen; m.larrea}@ehu.eus
A.Javier Barragán, Miguel Ángel Martı́nez, José Manuel Andújar
DIESIA, Universidad de Huelva, Campus de La Rábida, 21819, Huelva;
{antonio.barragan; bohorquez; andujar}@diesia.uhu.es
Resumen 1. INTRODUCCIÓN
A la hora de estudiar un sistema (sistema indus- Mediante el análisis dinámico de un sistema se
trial, biológico, económico, etc.), llegar a enfocar puede conocer su comportamiento y qué respuesta
su análisis desde un punto de vista dinámico puede presentará ante diferentes variaciones en su entra-
ser de gran utilidad e interés, en función de los re- da. El análisis formal de dicho sistema se convier-
querimientos que condicionen dicho análisis. Me- te en tarea inalcanzable si no es posible determi-
diante un análisis dinámico se puede conocer qué nar un modelo matemático, bien por ser un siste-
respuesta tendrá un sistema ante determinados ma desconocido, o parcialmente desconocido, bien
estı́mulos de entrada, cuál es su comportamiento, porque su dinámica es lo suficientemente comple-
si es estable en lazo abierto (local y globalmente), ja [1]. Al no conocerse dicho modelo matemático
incluso si viene afectado por fenómenos no linea- se puede proceder generando un modelo en base a
les, como bifurcaciones y ciclos lı́mites, por ejem- datos de entrada-salida, y con dicho modelo, reali-
plo. En ocasiones donde el sistema es desconocido zar un estudio de la dinámica del sistema original.
o su dinámica es lo suficientemente compleja co-
mo para formalizar su análisis dinámico a través Tradicionalmente, los métodos de ingenierı́a de
de modelos matemáticos, las herramientas basa- control utilizados en muchas aplicaciones se han
das en técnicas de Control Inteligente, como son basado en enfoques lineales. Esto es debido a que
las Redes Neuronales, cobran vital importancia ya los problemas han podido ser estudiados y resuel-
que permiten abordar el problema a través de mo- tos en un ámbito local. Pero sin embargo, hoy en
delos del sistema. La literatura ha demostrado que dı́a muchos de dichos problemas se enfocan desde
los modelos neuronales son aproximadores univer- un punto de vista global, lo que lleva al uso de
sales tanto de una función como de su derivada, métodos no lineales.
por lo que en base a datos de entrada/salida per- Una de las razones principales que recomienda la
miten modelar sistemas no lineales. Considerando utilización de los modelos no lineales es que los
que un modelo neuronal es un modelo matemático modelos lineales no tienen una dinámica suficien-
formalmente hablando, en base al mismo se pue- temente rica como para presentar una serie de
den estudiar aspectos de la dinámica del sistema fenómenos que se dan comúnmente en la vida real
modelado real, del mismo modo a como se desa- [2, 3, 4]. El comportamiento dinámico de los siste-
rrolla en la teorı́a de control no lineal. Este trabajo mas lineales, sin tener en cuenta su orden, está go-
presenta una metodologı́a de estudio de los estados bernado fundamentalmente por los autovalores de
de equilibro de un sistema no lineal, la linealiza- su matriz de estado. Por el contrario, los sistemas
ción exacta de su modelo de estado neuronal y el no lineales muestran un comportamiento mucho
estudio de la estabilidad local de los equilibrios a más rico, pudiendo producirse oscilaciones autoex-
partir de dicha linealización. A partir de dicha in- citadas, conocidas como ciclos lı́mite, un compor-
formación, es posible estudiar la estabilidad local tamiento aperiódico y crı́ticamente sensible a las
de los estados de equilibrio, ası́ como la dinámica condiciones iniciales [5], el caos [6], ası́ como otros
del sistema en su entorno y la presencia de oscila- fenómenos dinámicos exclusivos de los sistemas no
ciones, obteniéndose una valiosa información del lineales, como la existencia de múltiples estados de
comportamiento dinámico del sistema. equilibrio y bifurcaciones [7], entre otros.
Palabras clave: Análisis dinámico, estabilidad, Para el análisis de un sistema no lineal, su re-
estado de equilibrio, linealización, modelado presentación mediante un modelo matemático, ge-
neuronal, sistemas dinámicos, red neuronal MLP. neralmente mediante un modelo de estado, es el
planteamiento inicial idóneo. Esto es posible si se
dispone de suficiente conocimiento del sistema co-
mo para generar sus ecuaciones de estado, siempre
y cuando su dinámica no sea excesivamente com-

376
XXXVIII Jornadas de Automática

pleja. Pero la realidad es que en múltiples oca- 2. FORMULACIÓN DEL

siones el sistema objeto de estudio puede ser de- PROBLEMA
masiado complejo, ya sea por su dinámica o por
su dimensión, o simplemente porque se descono- Sea n el orden del sistema y m su número de entra-
cen las ecuaciones que gobiernan su funcionamien- das, un modelo neuronal MLP equivalente de un
to. Las técnicas procedentes del área del Control sistema continuo, que estima tanto sus variables
Inteligente pueden ayudar a mejorar estos estu- de estado, como salida, puede venir representado
dios, como es el caso de la Lógica Difusa [8, 9]. De por [18, 19, 20, 21]:
igual modo, en estas situaciones las redes neuro-
nales (RN) son una poderosa herramienta ya que
x̂(t + 1|θ) = g[ϕ(t, θ), θ]
permite modelar sistemas altamente no lineales a
ŷ(t|θ) = C(θ)x̂(t|θ)
partir de datos de entrada-salida. Esta modeliza-
(1)
ción puede ser cualitativa [10, 11, 12, 4] o estric-  
x̂(t|θ)
tamente analı́tica, aprovechando el hecho de que siendo ϕ(t, θ) = ,
u(t)
las RN son aproximadores universales tanto de la
función [13, 14, 15] como de su derivada [16, 17].
De este modo, aunque el sistema sea desconocido, donde ϕ(t, θ) es el vector de regresión, u(t) las
es posible obtener un modelo neuronal del mis- entradas al sistema y θ el vector de parámetros
mo. Formalmente hablando, un modelo neuronal (ω, W ) de la RN, los pesos y bias de sus capas.
es un modelo matemático. Por lo tanto, a partir De esta forma, la salida de una RN con una capa
de este modelo es posible estudiar aspectos de la oculta y funciones de activación sigmoidal, junto a
dinámica del sistema real siempre que su precisión una capa de salida lineal, puede calcularse a través
sea suficientemente alta. Esta forma de abordar el de la expresión siguiente, que representa el modelo
problema permite enfrentarse a sistemas no linea- neuronal de estado del sistema [20]:
les, cuya modelización por técnicas matemáticas
tradicionales puede resultar realmente difı́cil.
ẋi = fi (x, u) ≡ x̂(t + 1|θ) =
A la hora de analizar o diseñar una solución de
nh
n+m  (2)
control, el conocimiento de los estados de equili- P P
= Wi,j Fj ωj,l ϕl (t) + ωj,0 + Wi,0 ,
brio que posee un sistema, ası́ como la estabilidad j=1 l=1
de dichos estados, son aspectos que resultan de
máximo interés. En el caso en el que el sistema donde Wi,j son los pesos y bias de la capa de sa-
es completamente desconocido, esta información lida, ωj son los pesos y bias de la capa oculta, nh
puede ayudar a aclarar el funcionamiento del mis- el número de neuronas de la capa oculta, ϕl (t) es
mo, ası́ como facilitar el diseño de un control ade- el vector de entrada a la RN en cada instante t y
cuado. Es de destacar que, si bien existen trabajos n+m su dimensión. Considerando neta el resulta-
previos que presentan una novedosa metodologı́a do de la combinación de entradas y pesos a cada
de análisis basada en lógica difusa [9, 8], no se ha neurona y que Fj es la función de activación de
encontrado ningún trabajo que lo haga desde el las neuronas de la capa oculta, se tiene:
punto de vista de las RN.
Este trabajo presenta una metodologı́a para anali- n+m
P
neta = ωj,l ϕl (t) + ωj,0 (3)
zar un sistema no lineal bajo un enfoque generalis- l=1
ta, el cual es inicialmente desconocido, a partir de
un modelo neuronal. En el apartado 2 se introduce eneta −eneta
Fj (neta) = eneta +eneta ,
(4)
la formulación del problema y se ofrecen las ecua-
ciones que se utilizarán para la representación del
modelo del sistema. En el apartado 3 se presenta donde Fj representa la función tangente hiperbóli-
la linealización exacta de un modelo neuronal ge- ca.
neral. A continuación, en el apartado 4 se plantea
una propuesta de procedimiento para el análisis 3. LINEALIZACIÓN DE UN
dinámico del sistema. Finalmente se aplica dicho MODELO NEURONAL DE
procedimiento a dos ejemplos y se presentan las
ESTADO
correspondientes conclusiones.
La linealización es una de las técnicas más utiliza-
das en el diseño de sistemas de control no lineales.
Aunque es una técnica que no se debe emplear en
muchos casos, ya que se desprecian los efectos de
las no linealidades de los sistemas controlados, sı́

377
XXXVIII Jornadas de Automática

que puede ser válida para controlar sistemas no Si el punto (x0 , u0 ) es un estado de equilibrio del
muy complejos, o cuya dinámica se conozca de sistema, la matriz A0 será nula, ya que por defini-
forma aproximada en regiones donde su compor- ción un estado de equilibrio hace nula la ecuación
tamiento se acerque mucho a uno lineal. de estado.
Aparte de ser utilizada como método de control, la
∂f1 (x, u) ∂f1 (x, u)
 
linealización puede emplearse para obtener infor- ...
 ∂x1 ∂xn 
mación de un sistema no lineal. Se puede conside-  
rar que, con algunas salvedades, el comportamien- A= 
 .. .. .. 
(8)
. . . 
to de un sistema no lineal en torno a un estado de
 
 ∂f (x, u) ∂fn (x, u) 
n
equilibrio es muy similar al del sistema linealizado ...
en torno a dicho estado [22, 7, 23]; por lo tan- ∂x1 ∂xn (x0 ,u0 )

to, la obtención del sistema lineal equivalente de

un modelo neuronal no lineal puede ser una he- ∂f1 (x, u) ∂f1 (x, u)
 
...
rramienta muy útil para obtener información del  ∂u1 ∂um 
sistema original.
 
B= 
 .. .. .. 
(9)
. . . 
Sea el modelo de estado genérico de un sistema no
 
 ∂f (x, u) ∂fn (x, u) 
n
lineal dado por: ...
∂u1 ∂um (x0 ,u0 )

ẋ(t) = f (x(t), u(t)) , (5)

Si el sistema (5) se representa mediante un mode-
lo neuronal, su equivalente matemático viene da-
el desarrollo en serie de Taylor hasta orden 1 de
do por (2). Si se linealiza esta expresión en torno
dicho sistema en torno a un punto (x0 , u0 ), deter-
al punto (x0 , u0 ), se puede representar el mode-
mina que este se puede aproximar por:
lo matemático equivalente de un sistema neuronal
linealizado (10),donde x̄q y ūv son las componen-
ẋ(t) ≈ A0 + Ax̄(t) + Bū(t) (6) tes de los vectores x̄0 y ū0 , respectivamente, los
cuales a su vez componen el conjunto de entradas
siendo x̄ = x − x0 y ū = u − u0 , y donde las (n + m) a la RN. Operando con la expresión an-
matrices del sistema lineal se calculan mediante terior se obtiene (11), que desarrollando se puede
las expresiones (7), (8) y (9). expresar como (12).

A0 = f (x0 , u0 ) (7)

n n+m
X ∂fi X ∂fi
ẋi ≈ fi (x0 , u0 ) + x̄q + ūv , (10)
q=1
∂xq (x0 ,u0 ) v=n+1
∂uv (x0 ,u0 )
   
nh
n
" n
#
X  ∂  X X
ẋi ≈ fi (x0 , u0 ) + Wi,j Fj ωj,l ϕl (t) + ωj,0 + Wi,0  x̄q 

∂xq j=1

q=1 l=1
(x0 ,u0 )
   
nh
n+m
" n+m #
X  ∂  X X
+ Wi,j Fj ωj,l ϕl (t) + ωj,0 + Wi,0  ūv  , (11)

∂uv j=1

v=n+1 l=n+1
(x0 ,u0 )

nh
 n
! 
P P
n 
∂ Wi,j Fj ωj,l ϕl (t) + ωj,0 
X  j=1 l=1 
ẋi ≈ fi (x0 , u0 ) +   x̄q +

q=1 
∂xq 

(x0 ,u0 )
 " #! 
nh
P n+m
P
n+m ∂ Wi,j Fj ωj,l ϕl (t) + ωj,0 
X  j=1 l=n+1 
+   ūv . (12)

v=n+1 
∂uv 

(x0 ,u0 )

378
XXXVIII Jornadas de Automática

A continuación, en base a los desarrollos de Pi- equilibrio del sistema. La búsqueda de los estados
rabakaran y Becerra [10] y su extensión general de equilibrio de un sistema de control es uno de
a problemas de identificación de Larrea [24], jun- los primeros problemas que se deben resolver pa-
to a la función de activación Fj (neta) de la RN ra proceder con el estudio de su dinámica. Como
descrita en la ecuación (4), se resolverán indepen- análisis previo al diseño del sistema de control, la
dientemente cada una de las derivadas parciales obtención de los estados de equilibrio proporciona
anteriores. En primer lugar, la primera derivada una valiosa información sobre el comportamiento
de (12) queda representada por: de este, especialmente si se trata de un sistema no
lineal, ya que estos puntos son candidatos ideales
nh
P
 n
P
! para el estudio de estos sistemas mediante técnicas
∂ Wi,j Fj ωj,l ϕl (t) + ωj,0 de linealización. Una vez diseñado el controlador,
j=1 l=1
= la obtención de los estados de equilibrio del sis-
∂xq (13) tema realimentado puede ser útil para comprobar
que el diseño se ha realizado adecuadamente, ası́
nh
=
P
Wj oj (1 − oj ) ωj,q como para poder aplicar análisis de estabilidad a
j=1 dichos estados.
Para el caso de los sistemas neuronales, y dada la
donde oj es la salida de la neurona j de la ca-
inherente capacidad de este tipo de modelos para
pa oculta y q toma valores enteros en el intervalo
representar dinámicas no lineales, se hace necesa-
[1, n].
ria la utilización de métodos numéricos capaces de
Para el cálculo de la segunda derivada se procede resolver el sistema de ecuaciones no lineales que se
del mismo modo, obteniéndose la siguiente expre- plantea:
sión:
nh
P
" #! W1,j Fj (netaj ) + W1,0 = 0
nh
P n+m
P j=1
∂ Wi,j Fj ωj,l ϕl (t) + ωj,0 Pnh
j=1 l=n+1 W2,j Fj (netaj ) + W2,0 = 0
= j=1 (16)
∂uv ..
nh
.
P nh
= Wj oj (1 − oj ) ωj,v P
Wn+m,j Fj (netaj ) + Wn+m,0 = 0
j=1 j=1
(14)
donde v toma valores enteros en el intervalo [n + En el análisis de los sistemas dinámicos no lineales,
1, n + m]. el cálculo de los estados de equilibrio del sistema
puede convertirse en un problema de envergadu-
Sustituyendo las expresiones (13) y (14) en (12), ra. A diferencia de los sistemas lineales que tienen
el modelo matemático equivalente de un sistema uno o infinitos estados de equilibrio, un sistema no
neuronal linealizado en torno a un punto (x0 , u0 ) lineal puede tener uno, ninguno, cualquier número
viene dado por la siguiente expresión: finito o infinitos estados de equilibrio. En este tra-
  bajo se propone emplear métodos numéricos para
n X
X nh resolver el sistema de ecuaciones no lineales dado
ẋi≈fi (x0 , u0 )+  Wj oj (1−oj ) ωj,q  x̄q + en (16), concretamente el método de Levenberg-
q=1 j=1 Marquardt [28], extendido en el trabajo de Moré
(x0 ,u0 )
n+m

nh
 [29]. Este algoritmo requiere de un punto inicial
para comenzar la búsqueda. Con objeto de maxi-
X X
+  Wj oj (1−oj ) ωj,vūv .(15)
v=n+1 j=1
mizar las posibilidades de encontrar todos los es-
(x0 ,u0 )
tados de equilibrio existentes, se procede a inicia-
lizar el algoritmo mediante un barrido de puntos
4. ESTADOS DE EQUILIBRIO Y a lo largo de todo el universo de discurso, tanto
ESTABILIDAD LOCAL de las variables de estado, como de las variables
de entrada del sistema. Existen otras alternativas
Para el procedimiento de análisis, el primer paso tanto dentro del ámbito de los algoritmos numéri-
a dar va enfocado en la obtención de un modelo cos como en el de los bioinspirados para poder
neuronal de estado del sistema a analizar, como realizar esta búsqueda, pero los autores se han de-
el dado por (1), mediante alguna de las muchas cantado por el algoritmo de Levenberg-Marquardt
técnicas de modelado existentes [20], ya sea en por ofrecer una rápida convergencia y precisión en
lı́nea [25, 26], o fuera de lı́nea [4, 27]. Seguidamen- los resultados [30, 31]. Este algoritmo inicializado
te es importante la localización de los estados de en una malla de puntos es capaz de encontrar los

379
XXXVIII Jornadas de Automática

iL (t) L i = h(v)
1

iC (t) iD (t) 0,8

R
+ +

Corriente (mA)
C vC (t) vD (t) 0,6
− −
+
u(t) 0,4
−

0,2

Figura 1: Circuito diodo túnel.

0
0 0,2 0,4 0,6 0,8 1
Tensión (V)
múltiples estados de equilibrio que pueden presen-
tarse en un sistema no lineal con mayor rapidez Figura 2: Caracterı́stica V-I del diodo túnel.
que los algoritmos genéticos.
El funcionamiento del algoritmo de Levenberg-
Marquardt requiere del uso de la matriz Jacobiana salida, y analizar a continuación dicho modelo con
del sistema, la cual puede aproximarse o calcularse objeto de extraer conclusiones sobre la dinámica
de forma explı́cita para mejorar la convergencia. del sistema.
El cálculo de la matriz Jacobiana de un mode-
Para modelar el sistema se ha empleado un con-
lo neuronal se ha resuelto de forma general en la
junto de 3000 datos distribuidos uniformemente en
sección anterior, por lo que puede incluirse en el
el universo de discurso x1 (t) ∈ [0, 1], x2 (t) ∈ [0, 2]
algoritmo numérico para mejorar su precisión y
y u(t) ∈ [0, 2]. Realizando el ajuste de los paráme-
velocidad de convergencia.
tros de la red neuronal MLP, de estructura 3-3-1,
La misma matriz Jacobiana empleada para la reso- mediante un procedimiento de aprendizaje basa-
lución de los estados de equilibrio puede emplearse do en el algoritmo de entrenamiento de segundo
para linealizar el sistema en cada una de las solu- orden de Levenberg-Marquadt [28, 33] se han ob-
ciones obtenidas. De esta forma también es posible tenido unos errores cuadráticos medios (MSE) du-
estudiar las caracterı́sticas de los estados de equi- rante la validación con otro conjunto de datos de
librio encontrados a partir de los autovalores de 0,1147 V /ns y 3,03×10−5 mA/ns, respectivamen-
la matriz dinámica del sistema linealizado. Este te.
análisis puede ayudar a comprender la dinámica
A continuación se ha empleado el algoritmo de mi-
del sistema, su estabilidad local, y a los ojos de
nimización de Levenberg-Marquardt [28, 29] pa-
un experto, incluso se pueden observar comporta-
ra buscar las soluciones al sistemas de ecuaciones
mientos más complejos como bifurcaciones o ciclos
planteado en (16). Para ello se ha partido de una
lı́mite.
malla de puntos iniciales cuyos lı́mites coinciden
con el universo de discurso de cada una de las va-
5. EJEMPLO riables del sistema, empleando un incremento de
0,05 en todas ellas. En la figura 3 se muestran las
soluciones del sistema real junto con las soluciones
En esta sección se presenta un ejemplo de análisis
obtenidas por el algoritmo numérico sobre el mo-
a partir de su modelo neuronal, para un sistema no
delo neuronal, descartando aquellas que se sitúan
lineal que inicialmente se considerará desconocido.
fuera del universo de discurso por carecer de vali-
El sistema elegido es un caso de estudio amplia-
dez.
mente utilizado en estudios y análisis de sistemas
no lineales [9, 8] Empleando la linealización exacta desarrollada en
este artı́culo se han obtenido los modelos linealiza-
Sea el circuito diodo-túnel mostrado en la figura
dos en cada uno de los estados de equilibrio mos-
1, donde R = 1,5 kΩ, C = 2 pF y L = 5 µH,
trados en la figura, y se han caracterizado según
x1 (t) = vC (t), x2 (t) = iL (t) son las variables de
su comportamiento (según los tipos de autovalo-
estado del sistema, y h(v) la caracterı́stica vD −iD
res de la matriz dinámica del sistema linealizado).
no lineal del diodo-túnel mostrada en la figura 2
Como se puede apreciar en la figura, los estados de
[32].
equilibrios del sistema real han sido hallados con
Suponiendo desconocida la dinámica del sistema, bastante exactitud, incluso su tipo se corresponde
el procedimiento a seguir es obtener un modelo con el obtenido a partir del modelo neuronal. Cabe
neuronal del sistema a partir de datos de entrada- mencionar que el algoritmo numérico ha localizado

380
XXXVIII Jornadas de Automática

Figura 3: Estados de equilibrio localizados dentro del universo de discurso del modelo neuronal.

una serie de estados de equilibrio en el modelo neu- al Dr.D. Eloy Irigoyen, con número de expediente
ronal que no existen en el sistema real. Este error M V 2017 1 0032, la cual ha dado lugar al desarro-
puede deberse al propio error inherente de mode- llo del presente trabajo. También desean agradecer
lado o al algoritmo de minimización. Al menos en a la Secretarı́a de Estado de Investigación, Desa-
este caso, estos estados son fácilmente descartables rrollo e Innovación del Ministerio de Economı́a y
porque, a diferencia del resto, no presentan un ti- Competitividad por la financiación asignada a la
po de equilibrio coherente entre sı́, coincidiendo Red de Excelencia, con referencia DPI2015-71320-
prácticamente en un mismo punto distinto tipos REDT.
de estados de equilibrio.
Referencias
6. CONCLUSIONES [1] S. Chen and S. A. Billings. Neural networks
for nonlinear dynamic system modelling and
En este artı́culo se ha planteado el análisis dinámi- identification. International Journal of Con-
co de un sistema desconocido a través de la obten- trol, 56(2):319–346, 1992.
ción de un modelo neuronal, basado en una sen-
cilla estructra MLP, a partir de datos de entrada- [2] H. J. Marquez. Nonlinear control systems.
salida del mismo. Se ha demostrado a través de un Analysis and design. John Wiley & Sons, Inc.,
ejemplo ampliamente utilizado cómo se puede ex- 2003.
traer información muy valiosa únicamente a partir [3] José Manuel Andújar and José Manuel Bra-
del análisis del modelo neuronal, como la localiza- vo. Multivariable fuzzy control applied to
ción de los estados de equilibrio de un sistema y the physical-chemical treatment facility of a
el estudio de su estabilidad local, ası́ como la pre- cellulose factory. Fuzzy Sets and Systems,
sencia y estabilidad de oscilaciones en el sistema. 150(3):475–492, March 2005.
Agradecimientos
[4] E. Irigoyen and G. Miñano. A narx neu-
Los autores quieren agradecer a la Viceconsejerı́a ral network model for enhancing cardiovascu-
de Universidades e Investigación, del Departamen- lar rehabilitation therapies. Neurocomputing,
to de Educación, Polı́tica Lingüı́stica y Cultura 109:9 – 15, 2013. New trends on Soft Compu-
del Gobierno Vasco, por la ayuda del Programa ting Models in Industrial and Environmental
de Movilidad del Personal Investigador concedida Applications.

381
XXXVIII Jornadas de Automática

[5] H. K. Khalil. Nonlinear systems. Prentice- [17] A. Ronald Gallant and Halbert White. On
Hall, NJ, 2000. learning the derivatives of an unknown map-
ping with multilayer feedforward networks.
[6] Stephen Wiggins. Introduction to Applied Neural Networks, 5(1):129 – 138, 1992.
Nonlinear Dynamical Systems and Chaos.
Texts in Applied Mathematics. Springer, 2nd [18] K. S. Narendra and K. Parthasarathy. Iden-
edition, October 2003. tification and control of dynamical systems
using neural networks. IEEE Transactions
[7] S. Sastry. Nonlinear system: analysis, stabi- on Neural Networks, 1(1):4–27, Mar 1990.
lity, and control. Springer, New York, 1999.
[19] S. Jagannathan F.L. Lewis and A. Yesildirek.
[8] A.J. Barragán, B.M. Al-Hadithi, A. Jiménez,
Neural Network Control of Robot Manipula-
and J.M. Andújar. A general methodology
tors and Nonlinear Systems. Taylor & Fran-
for online TS fuzzy modeling by the exten-
cis, 1999.
ded kalman filter. Applied Soft Computing,
18(0):277––289, May 2014. [20] N.K. Poulsen M. Nørgaard, O. Ravn and L.K.
[9] A.J. Barragán, B.M. Al-Hadithi, J.M. Hansen. Neural Networks for Modelling and
Andújar, and A. Jiménez. Metodologı́a for- Control of Dynamic Systems: A Practitio-
mal de análisis del comportamiento dinámico ner’s Handbook. Springer, 2000.
de sistemas no lineales mediante lógica bo- [21] S. Jagannathan. Neural Network Control of
rrosa. Revista Iberoamericana de Automática Nonlinear Discrete-time Systems. Francis &
e Informática Industrial, 12(4):434 – 445, Taylor, 2006.
2015.
[22] Henk Nijmeijer and Arjan van der Schaft.
[10] K. Pirabakaran and V.M. Becerra. Pid auto-
Nonlinear dynamical control systems. Sprin-
tuning using neural networks and model re-
ger Verlag, Berlin, 1990.
ference adaptive control. IFAC Proceedings
Volumes, 35(1):451 – 456, 2002. 15th IFAC [23] Jean-Jacques E. Slotine and Weiping Li. Ap-
World Congress. plied nonlinear control. Prentice-Hall, NJ,
1991.
[11] Nand Kishor, R. P. Saini, and S. P. Singh.
Small hydro power plant identification using [24] Mikel Larrea. Estrategia Adaptativa-
nnarx structure. Neural Computing & Appli- Predictiva Basada en Redes Neuronales para
cations, 14(3):212–222, Sep 2005. el Control de Sistemas No Lineales. phdthe-
[12] R.K. Al Seyab and Y. Cao. Nonlinear system sis, (UPV/EHU), December 2014. ISBN-10:
identification for predictive control using con- 1512179191 ISBN-13: 978-1512179194 Editor:
tinuous time recurrent neural networks and CreateSpace Independent Publishing Plat-
automatic differentiation. Journal of Process form.
Control, 18(6):568 – 581, 2008. [25] Qing Song, Yilei Wu, and Yeng Chai Soh.
[13] G. Cybenko. Approximation by superposi- Robust adaptive gradient-descent training al-
tions of a sigmoidal function. Mathematics of gorithm for recurrent neural networks in
Control, Signals and Systems, 2(4):303–314, discrete time domain. Neural Networks,
Dec 1989. IEEE Transactions on, 19(11):1841–1853,
Nov. 2008.
[14] Kurt Hornik, Maxwell Stinchcombe, and Hal-
bert White. Multilayer feedforward networks [26] T. Dierks and S. Jagannathan. Output feed-
are universal approximators. Neural Net- back control of a quadrotor uav using neural
works, 2(5):359 – 366, 1989. networks. Neural Networks, IEEE Transac-
tions on, 21(1):50–66, 2010.
[15] Ken-Ichi Funahashi. On the approximate rea-
lization of continuous mappings by neural [27] Asier Zubizarreta, Mikel Larrea, Eloy Irigo-
networks. Neural Networks, 2(3):183 – 192, yen, Itziar Cabanes, and Eva Portillo. Real
1989. time direct kinematic problem computation
of the 3prs robot using neural networks. Neu-
[16] Kurt Hornik, Maxwell Stinchcombe, and Hal- rocomputing, pages–, 2017.
bert White. Universal approximation of an
unknown mapping and its derivatives using [28] K. Levenberg. A method for the solution of
multilayer feedforward networks. Neural Net- certain problems in least squares. In Quart.
works, 3(5):551 – 560, 1990. Appl. Math., volume 2, pages 164–168, 1944.

382
 XXXVIII Jornadas de Automática

[29] Jorge J. Moré. The Levenberg-Marquardt

algorithm: Implementation and theory. In
G.A. Watson, editor, Numerical Analysis, pa-
ges 105–116. Springer Verlag, Berlin, 1977.
[30] Zsolt Ugray, Leon Lasdon, John Plummer,
Fred Glover, James Kelly, and Rafael Martı́.
Scatter search and local nlp solvers: A multis-
tart framework for global optimization. IN-
FORMS Journal on Computing, 19(3):328–
340, 2007.

[31] Fred Glover. A template for scatter search

and path relinking, pages 1–51. Springer Ber-
lin Heidelberg, Berlin, Heidelberg, 1998.
[32] Leon O. Chua, Charles A. Desoer, and Er-
nest S. Kuh. Linear and nonlinear circuits.
McGraw-Hill series in electrical and computer
engineering: Circuits and systems. McGraw-
Hill Book Company, New York, 1987.
[33] M. T. Hagan and M. B. Menhaj. Training
feedforward networks with the marquardt al-
gorithm. IEEE Transactions on Neural Net-
works, 5(6):989–993, Nov 1994.

383

View publication stats