Herramienta para la identificación de procesos y simulación de redes neuronales mediante una agenda digital programable
This paper describes the design, implementation and testing of the software tool designated as UV-SRNA-PDA (Universidad del Valle’s artificial neural network simulator for a personal digital assistant), which is oriented to artificial neural networks simulation and complex industrial processes...
Guardado en:
| Autores principales: | , |
|---|---|
| Formato: | Artículo |
| Lenguaje: | español |
| Publicado: |
2007
|
| Materias: | |
| Acceso en línea: | https://dialnet.unirioja.es/servlet/oaiart?codigo=9821460 |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1879193056170737664 |
|---|---|
| author | Minotta Hurtado, Javier A. Bacca Cortes, Eval B. |
| author_browse | Bacca Cortes, Eval B. Minotta Hurtado, Javier A. |
| author_facet | Minotta Hurtado, Javier A. Bacca Cortes, Eval B. |
| author_sort | Minotta Hurtado, Javier A. |
| building | Dialnet |
| collection | Acceso abierto |
| description | This paper describes the design, implementation and testing of the software tool designated as UV-SRNA-PDA (Universidad del Valle’s artificial neural network simulator for a personal digital assistant), which is oriented to artificial neural networks simulation and complex industrial processes identification. This application works on a PDA (personal digital assistant) Palm T5 using a customized data acquisition system. Two kinds of artificial neural networks were implemented: perceptron and multi-layer perceptron (MLP) using as learning algorithms the following: backpropagation, descendent gradient, variable learning rate and momentum. To test the proposed system, first and second order systems were selected (only the latter is reported here), finding their neural models and validating their results with MATLAB and UV-SRNA 2.0 (PC version of UV-SRNA-PDA). These tests achieved an average training error of 5.62 × 10-3 ± 3.55 × 10-4 and an average validating error of 4.56 × 10-3 ± 5.95 × 10-4. In both cases, the results were better or comparable with those from other software simulation tools. However, the typical training time on the UV-SRNA-PDA was 900 s compared to 3 s in MATLAB and 8 s in UV-SRNA 2.0. |
| first_indexed | 2026-10-16T05:09:12Z |
| format | Article |
| fullrecord | <oai_dc:dc xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><identifier>dialnet-ART0001718366</identifier><datestamp>2024-11-23</datestamp><dc:title>Herramienta para la identificación de procesos y simulación de redes neuronales mediante una agenda digital programable</dc:title><dc:creator>Minotta Hurtado, Javier A.</dc:creator><dc:creator>Bacca Cortes, Eval B.</dc:creator><dc:subject>ARTIFICIAL NEURAL NETWORKS</dc:subject><dc:subject>PERCEPTRON</dc:subject><dc:subject>MLP</dc:subject><dc:subject>GDA</dc:subject><dc:subject>PDA</dc:subject><dc:subject>SYSTEM IDENTIFICATION</dc:subject><dc:subject>REDES NEURONALES ARTIFICIALES</dc:subject><dc:subject>PERCEPTRóN</dc:subject><dc:subject>MLP</dc:subject><dc:subject>GDA</dc:subject><dc:subject>PDA</dc:subject><dc:subject>IDENTIFICACIóN DE SISTEMAS</dc:subject><dc:description>This paper describes the design, implementation and testing of the software tool designated as UV-SRNA-PDA (Universidad del Valle’s artificial neural network simulator for a personal digital assistant), which is oriented to artificial neural networks simulation and complex industrial processes identification. This application works on a PDA (personal digital assistant) Palm T5 using a customized data acquisition system. Two kinds of artificial neural networks were implemented: perceptron and multi-layer perceptron (MLP) using as learning algorithms the following: backpropagation, descendent gradient, variable learning rate and momentum. To test the proposed system, first and second order systems were selected (only the latter is reported here), finding their neural models and validating their results with MATLAB and UV-SRNA 2.0 (PC version of UV-SRNA-PDA). These tests achieved an average training error of 5.62 × 10-3 ± 3.55 × 10-4 and an average validating error of 4.56 × 10-3 ± 5.95 × 10-4. In both cases, the results were better or comparable with those from other software simulation tools. However, the typical training time on the UV-SRNA-PDA was 900 s compared to 3 s in MATLAB and 8 s in UV-SRNA 2.0.</dc:description><dc:description>Este artículo describe el diseño, implementación y prueba de la herramienta denominada UV-SRNA-PDA (simulador de redes neuronales artificiales de la Universidad del Valle para una agenda digital programable), que está orientada a la simulación de redes neuronales artificiales y a la identificación de procesos industriales complejos. Esta aplicación trabaja sobre una agenda digital programable (PDA) Palm T5 usando un sistema de adquisición de datos diseñado para tal fin. Dos tipos de redes neuronales fueron implementados: el perceptrón y el perceptrón multicapa (MLP) usando como algoritmos de aprendizaje los siguientes: propagación hacia atrás, gradiente descendente, velocidad de aprendizaje variable y momentum. Las pruebas se realizaron sobre plantas de primer y segundo orden (sólo esta última es reportada en este artículo), obteniendo su modelo neuronal y validando sus resultados en dos plataformas conocidas: MATLAB y UV-SRNA 2.0 (versión de la UV-SRNA-PDA para PC). Estas pruebas arrojaron un error de entrenamiento promedio de 5.62 × 10-3 ± 3.55 × 10-4 y un error de validación promedio de 4.56 × 10-3 ± 5.95 × 10-4. En ambos casos, los resultados son mejores o comparables con los de las otras herramientas de simulación. Sin embargo, el tiempo de entrenamiento típico en UV-SRNA-PDA fue de 900 s en comparación con los 3 s para MATLAB y 8 s para la UV-SRNA 2.0</dc:description><dc:date>2007</dc:date><dc:type>text (article)</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://dialnet.unirioja.es/servlet/oaiart?codigo=9821460</dc:identifier><dc:identifier>(Revista) ISSN 0123-3033</dc:identifier><dc:source>Ingeniería y competitividad: revista científica y tecnológica, ISSN 0123-3033, Vol. 9, Nº. 2, 2007</dc:source><dc:language>spa</dc:language><dc:rights>LICENCIA DE USO: Los documentos a texto completo incluidos en Dialnet son de acceso libre y propiedad de sus autores y/o editores. Por tanto, cualquier acto de reproducción, distribución, comunicación pública y/o transformación total o parcial requiere el consentimiento expreso y escrito de aquéllos. Cualquier enlace al texto completo de estos documentos deberá hacerse a través de la URL oficial de éstos en Dialnet. Más información: https://dialnet.unirioja.es/info/derechosOAI | INTELLECTUAL PROPERTY RIGHTS STATEMENT: Full text documents hosted by Dialnet are protected by copyright and/or related rights. This digital object is accessible without charge, but its use is subject to the licensing conditions set by its authors or editors. Unless expressly stated otherwise in the licensing conditions, you are free to linking, browsing, printing and making a copy for your own personal purposes. All other acts of reproduction and communication to the public are subject to the licensing conditions expressed by editors and authors and require consent from them. Any link to this document should be made using its official URL in Dialnet. More info: https://dialnet.unirioja.es/info/derechosOAI</dc:rights></oai_dc:dc> |
| id | dialnet-ART0001718366 |
| institution | Dialnet |
| language | spa |
| last_indexed | 2026-10-16T05:09:12Z |
| publishDate | 2007 |
| publishDateRange | 2007 |
| publishDateSort | 2007 |
| record_format | oai_dc |
| spelling | dialnet-ART00017183662024-11-23Herramienta para la identificación de procesos y simulación de redes neuronales mediante una agenda digital programableMinotta Hurtado, Javier A.Bacca Cortes, Eval B.ARTIFICIAL NEURAL NETWORKSPERCEPTRONMLPGDAPDASYSTEM IDENTIFICATIONREDES NEURONALES ARTIFICIALESPERCEPTRóNMLPGDAPDAIDENTIFICACIóN DE SISTEMASThis paper describes the design, implementation and testing of the software tool designated as UV-SRNA-PDA (Universidad del Valle’s artificial neural network simulator for a personal digital assistant), which is oriented to artificial neural networks simulation and complex industrial processes identification. This application works on a PDA (personal digital assistant) Palm T5 using a customized data acquisition system. Two kinds of artificial neural networks were implemented: perceptron and multi-layer perceptron (MLP) using as learning algorithms the following: backpropagation, descendent gradient, variable learning rate and momentum. To test the proposed system, first and second order systems were selected (only the latter is reported here), finding their neural models and validating their results with MATLAB and UV-SRNA 2.0 (PC version of UV-SRNA-PDA). These tests achieved an average training error of 5.62 × 10-3 ± 3.55 × 10-4 and an average validating error of 4.56 × 10-3 ± 5.95 × 10-4. In both cases, the results were better or comparable with those from other software simulation tools. However, the typical training time on the UV-SRNA-PDA was 900 s compared to 3 s in MATLAB and 8 s in UV-SRNA 2.0.Este artículo describe el diseño, implementación y prueba de la herramienta denominada UV-SRNA-PDA (simulador de redes neuronales artificiales de la Universidad del Valle para una agenda digital programable), que está orientada a la simulación de redes neuronales artificiales y a la identificación de procesos industriales complejos. Esta aplicación trabaja sobre una agenda digital programable (PDA) Palm T5 usando un sistema de adquisición de datos diseñado para tal fin. Dos tipos de redes neuronales fueron implementados: el perceptrón y el perceptrón multicapa (MLP) usando como algoritmos de aprendizaje los siguientes: propagación hacia atrás, gradiente descendente, velocidad de aprendizaje variable y momentum. Las pruebas se realizaron sobre plantas de primer y segundo orden (sólo esta última es reportada en este artículo), obteniendo su modelo neuronal y validando sus resultados en dos plataformas conocidas: MATLAB y UV-SRNA 2.0 (versión de la UV-SRNA-PDA para PC). Estas pruebas arrojaron un error de entrenamiento promedio de 5.62 × 10-3 ± 3.55 × 10-4 y un error de validación promedio de 4.56 × 10-3 ± 5.95 × 10-4. En ambos casos, los resultados son mejores o comparables con los de las otras herramientas de simulación. Sin embargo, el tiempo de entrenamiento típico en UV-SRNA-PDA fue de 900 s en comparación con los 3 s para MATLAB y 8 s para la UV-SRNA 2.02007text (article)application/pdfhttps://dialnet.unirioja.es/servlet/oaiart?codigo=9821460(Revista) ISSN 0123-3033Ingeniería y competitividad: revista científica y tecnológica, ISSN 0123-3033, Vol. 9, Nº. 2, 2007spaLICENCIA DE USO: Los documentos a texto completo incluidos en Dialnet son de acceso libre y propiedad de sus autores y/o editores. Por tanto, cualquier acto de reproducción, distribución, comunicación pública y/o transformación total o parcial requiere el consentimiento expreso y escrito de aquéllos. Cualquier enlace al texto completo de estos documentos deberá hacerse a través de la URL oficial de éstos en Dialnet. Más información: https://dialnet.unirioja.es/info/derechosOAI | INTELLECTUAL PROPERTY RIGHTS STATEMENT: Full text documents hosted by Dialnet are protected by copyright and/or related rights. This digital object is accessible without charge, but its use is subject to the licensing conditions set by its authors or editors. Unless expressly stated otherwise in the licensing conditions, you are free to linking, browsing, printing and making a copy for your own personal purposes. All other acts of reproduction and communication to the public are subject to the licensing conditions expressed by editors and authors and require consent from them. Any link to this document should be made using its official URL in Dialnet. More info: https://dialnet.unirioja.es/info/derechosOAI |
| spellingShingle | ARTIFICIAL NEURAL NETWORKS PERCEPTRON MLP GDA PDA SYSTEM IDENTIFICATION REDES NEURONALES ARTIFICIALES PERCEPTRóN MLP GDA PDA IDENTIFICACIóN DE SISTEMAS Minotta Hurtado, Javier A. Bacca Cortes, Eval B. Herramienta para la identificación de procesos y simulación de redes neuronales mediante una agenda digital programable |
| title | Herramienta para la identificación de procesos y simulación de redes neuronales mediante una agenda digital programable |
| title_full | Herramienta para la identificación de procesos y simulación de redes neuronales mediante una agenda digital programable |
| title_fullStr | Herramienta para la identificación de procesos y simulación de redes neuronales mediante una agenda digital programable |
| title_full_unstemmed | Herramienta para la identificación de procesos y simulación de redes neuronales mediante una agenda digital programable |
| title_short | Herramienta para la identificación de procesos y simulación de redes neuronales mediante una agenda digital programable |
| title_sort | herramienta para la identificacion de procesos y simulacion de redes neuronales mediante una agenda digital programable |
| topic | ARTIFICIAL NEURAL NETWORKS PERCEPTRON MLP GDA PDA SYSTEM IDENTIFICATION REDES NEURONALES ARTIFICIALES PERCEPTRóN MLP GDA PDA IDENTIFICACIóN DE SISTEMAS |
| url | https://dialnet.unirioja.es/servlet/oaiart?codigo=9821460 |
| work_keys_str_mv | AT minottahurtadojaviera herramientaparalaidentificaciondeprocesosysimulacionderedesneuronalesmedianteunaagendadigitalprogramable AT baccacortesevalb herramientaparalaidentificaciondeprocesosysimulacionderedesneuronalesmedianteunaagendadigitalprogramable |