Páginas

jueves, 15 de noviembre de 2012

[AUTOMATIZACIÓN] Espacio de estados a función de transferencia

Para la penúltima semana de laboratorio realizaré el ejercicio 11.11 el cual consiste en lo siguiente:

Dada la siguiente expresión, obtenga la función de transferencia utilizando MATLAB (Octave):
Ya que es algo que hemos hecho muchas veces, explicaré los pasos que se hacen para obtener el resultado.

Primero que nada hay que identificar las matrices.

La matriz A:








La matriz B:












La matriz C:







En este caso D = 0.

Ahora que ya tenemos las matrices procedemos a obtener (sI-A):






A la vez obtenemos el determinante de la matriz que será nuestro denominador:






Se obtiene la inversa de (sI-A):











Ahora se coloca en la forma de la funcion de transferencia que es: H(s) = (C * inversa(sI-A) * B)/determinante:

Y finalmente se resuelve obteniendo:

Ahora muestro una captura del mismo problema hecho con Octave:



Referencias:

Transformation: Transfer Function ↔ State Space
State Space representation -Wikipedia, the free encyclopedia

Conversion Between State Space and Transfer Function Representations in Linear Systems – I
State Space to Transfer Functions - YouTube

martes, 13 de noviembre de 2012

[AUTOMATIZACIÓN] Reporte Grupal

PDF del reporte:

 Código latex del documento: Link

[REDES NEURONALES] Resumen


Real-time Analysis of Data from Many Sensors with Neural Networks

Kristof Van Laerhoven, Kofi A. Aidoo and Steven Lowette 
Starlab Research 
Englandstraat 555 
B-1180 Brussels, Belgium 
{kristoJ  kofi} @starlab.net, slowette@vub.ac. be


Este resumen trata sobre una investigación para utilizar varios sensores de distintos tipos para analizar datos en tiempo real.

Se hablan de distintos tipos de sensores tales como camaras, GPS, microfonos, etc, y la forma que reconocen datos (contexto). Este contexto se obtiene mediante 2 metodos dependiendo de la complejidad del sensor.

El primer metodo es done el sensor (o varios de ellos) es combinado con un algoritmo que normalmente se especifica en el sensor.

El segundo metodo esta basado en un gran número de de pequeños sensores sencillos. En el cual se combinan todos ellos para dar informacion de pequeñas caracteristicas del contexto. Que en conjunto dan información clara.

La diferencia entre ellos es explicada en la siguiente imagen:

Mientras que un chip procesador de datos puede recibir varias entradas y dar varias salidas para su posterior analisis, pequeños sensores tienen una entrada sencilla y una salida, pero en conjunto entregan  un numero e datos igual al numero de chips utilizados con gran detalle.


  • Los beneficios del primer método se mencionan:
  • Barato: los sensores sencillos son mucho más baratos que sensores más complejos como camaras o GPS.
  • Robusto: Ya que son pequeños sensores, se pueden distribuir en grandes áreas para cubrir, lo que lo hace menos probable a tener errores. Si uno se daña, aun se puede btener informacion de los restantes.
  • Distribuido: Se pueden integrar en casi cualquier cosa por su tamaño.
  • Flexible: La cantidad de datos es proporcional a la cantidad de sensores utilizados. Agregando, quitando o moviendo sensores puede mejorar (o empeorar) el analisis.
Combinando sensores

Las caracteristicas de un sensor sencillo no son que sea pequeño, barato y de una entrada y salida especificamente. Sencillo se refiere a que su hardware no es tan complejo y realiza una tarea sencilla. Como las celulas del cuerpo, trabajan en conjunto. Estos recogen pequeños datos aparentemente triviales, pero en conjunto son cantidades de información generosas en cuanto a datos procesables.

Los algoritmos utilizados tienen ciertas características y requerimientos para funcionar. En este caso se habla del proecto TEA (Technology for Enabling Awareness). Estos funcionan de la siguiente manera:
  • La red neuronal es personalizable, esto quiere decir que el usuario puede poner los sensores en modo entrenamiento facilmente, en lugar de tener un entrenamiento fijo permanente. Son dispositivos pequeños por lo que los cambios bruscos pueden no ser percibidos por estos.
  • Su aprendizaje es de tipo cluster. Tienen un sistema adaptativo para guardar información relevante, por lo que el entrenamiento es con datos casi siempre relevantes.
  • La cantidad de preprocesamiento es minima, puesto que solo toman lo más relevante. Un sensor complejo recoge una cantidad indefinida de datos, sean o no relevantes. mientras que un sensor cencillo está programado para recoger lo más relevante.
  • Es posible "etiquetar" los datos de varias formas posibles, si el sensor recoge información y la clasifica de varias formas posibles. Varios sensores pueden tener un contexto y una clasificación diferente con respecto a los demas.
La red neuronal correcta

La categorización en tiempo real de datos hace de las redes neuronales una forma de programación muy avanzada para sistemas como robots que tratan de aprender a realizar sus tareas. Pero pueden ser una o varias redes las que intervienen el este proceso. Pero ¿cuál o cuales son las correctas?

Para este caso se utiliza una red con un entrenamiento no supervizado, es decir, los sensores recogen datos y aprenden a clasificarlos por su cuenta. Debido a que no hay complejidad en ellos, sus tareas son fáciles y la probabilidad de que aprendan correctamente es alta.

Se habla del termino "preservación de la topología" que significa que los datos altamente relacionados se agrupan, mediante un algoritmo adaptativo. En algunos casos se reemplazan los datos irrelevantes o con demediadas coincidencias.

Un ejemplo es mostrado en la siguiente imagen (Kohonen self-organizing map). Permite hacer debug y visualizar el estado de el algoritmo.
La anterior es una captura de un mapa 2 dimencional de un algoritmo de preservación de topología, se puede notar como se agrupan entre más parecidas las gráficas.

Cada vez que la red recibe una nueva entrada de datos, debe recalcular la representación interna del contexto. para evitar tener que esperar a recibir un número de datos y adaptarse a cada uno. Esto es un ahorro de recursos para pequeños sistemas como PDA's en los que se enfoca el proyecto.

Se presenta una comparación de algoritmos de clustering.


Mapa estable auto-organizable

El algoritmo anteriormente mencionado (Kohonen self-organizing map) es un algoritmo que ha sido usado en muchas aplicaciones, usualmente para clustering o visualización de datos n-dimencionales dentro de 2 o 3 dimenciones.

Es computacionalmente eficiente, esta localizado entre un algoritmo de escala multidimencional y un algoritmo de clustering/vectorización. Además trata de preservar la topología, anteriormente mencionado.

El gran problema de este algoritmo es que si un error ocurre y se hace inestable, los datos de aprendizaje se corrompen, y por lo tanto queda olvidado, por eso se utiliza en conjunto con varios algoritmos que lo mantienen estable.

Estos algoritmos "enfrían" el proceso estabilizándolo, en las siguientes gráficas se muestran como funcionan estos algoritmos.
Se puede apreciar como se va estabilizando el sistema en la gráfica de arriba, donde los contextos son bien organizados. Mientras que en la de abajo, los contextos son sobreescritos constantemente con datos "corruptos".

Concluciones

Como se puede ver en el resumen, el tema de redes neuronales van de la mano con los temas de sistemas adaptativos y optimización de estos.

La mayoría de los procesos consiste en tomar datos, hacer comparaciones y adaptar un sistema para el aprendizaje, pero se utilizan algoritmos de optimización para no tomar datos redundantes.

Así mismo se utilizan los adaptativos para evitar la corrupción de datos.

martes, 6 de noviembre de 2012

[AUTOMATIZACIÓN] Resumen

Modeling and Control of Formations of Nonholonomic Mobile Robots

El documento anterior habla sobre la forma de controlar formaciones de robots móviles usando métodos de teoría de control no lineal y teoría de grafos. Centrándose principalmente en robots no holonómicos (robots que no son capaces modificar su dirección instantáneamente) dividiendo el tema en:
  1. Controlar un robot de dirección simple.
  2. Controlar robots seguidores en un pequeño grupo.
Introducción

Dependiendo de la situación, las leyes de control se basan en el seguimiento de la posición y orientación de el robot relativamente más cercano a ser el líder (el que va adelante) o a los 2 robots lideres (l - v y l - l respectivamente).

Otros temas que se abordan:
  1. Como escoger un grafo de control y la forma deseada sobre la base de las restricciones en el medio.
  2. Como planear cambios dependiendo de las limitaciones de los sensores.
  3. Como permitir formaciones que se dividen en subformaciones dando lugar a múltiples robots lideres.
Forma en que se comportan los robots ante un cambio en la formación.

Se modelaron equipos de robots como (g, r, H) donde g representa la posición y orientación del robot líder, r son variables de forma que describen las posiciones de los otros robots del equipo, H es el grafo de control que describe el comportamiento actual del equipo.

Leyes de control para variables de forma

En principio se mantienen leyes básicas donde cada robot solo esta programado para seguir a su líder o lideres. Esto es mostrado en la siguiente imagen.

Para el caso donde solo hay un líder (l - v), las coordenadas del robot seguidor se pueden escribir como:
Para el caso de varios lideres (l - l) es similar salvo unos cambios:

Estas sirven para mantener una longitud deseada entre líder o lideres y seguidor. Mediante sensores de distancia y métodos de control de se localizan los robots lideres y realizan el movimiento mediante formulas dadas por:

Donde  Y  son las velocidades lineales y angulares del centro de cada robot.

Transiciones en formaciones

En estas transiciones se manejan 3 constantes que describen la formación de robots:
  • Cada robot vértice, excepto aquellos con un borde entrante, hay al menos un robot sin borde entrante y al menos un borde saliente. Este es el robot principal.
  • Cada arista dirigida en el dígrafo va desde el vértice inferior hasta el superior.
  • El número de bordes entrantes para cualquier vértice Ri (i> 1) es menor o igual a un entero p <= dim (SE (N)), que describe el número de variables de salida para un robot dado.
Conclusiones

El documento en general habla solamente del proceso y la forma en que los robots se comunican para dar a conocer su posición y que mediante el algoritmo de formación se puedan acomodar y así evitar chocar con obstáculos.

Se requiere teoría de control para manejar la entrada de los sensores y la salida expresada en función del movimiento realizado, ya sea utilizando una formación u otra, y la manera de detectar los lideres de la formacion.

Ya que los robots realizan movimientos sencillos, los lideres siempre estan en movimiento, mientras que los seguidores siempre esperan a que pasen estos. Esto tambien se decide mediante teoría de control, en base a la posicion, los obstaculos y si hay un lider al frente, se decide cuanto tiempo hay que esperar para que el pase si no se es lider.

[VERIFICACIÓN Y VALIDACIÓN] Expresión ω-regular

Esta semana se encargó hacer una expresión ω-regular con almenos 2 simbolos y dos operadores y despues dibujar un NBA de la expresión.

Hice la siguiente expresión:
 Y su NBA es el que sigue:

Referencias:

Link 1
Link 2
Link 3

jueves, 1 de noviembre de 2012

[CRIPTOGRAFÍA] Código de Esteganografía

Este es el código tal y como se encuentra dentro de las 3 imagenes que seleccioné, incluye las variables de prueba y variables comentadas que no quité porque cuando me di cuenta ya estaban subidas. Utilizé el bit más bajo para sobreescribir el binario del texto, si el valór ya existe, es pasa por alto. Descargar
Realizé un ejemplo visible para ver los lugares donde se realizan los cambios, simplemente le dije al programa que en lugar de guardar el rgb de la imagen, guarde un color estatico:

La imagen original luce de esta manera:

La imagen modificada luce (internamente) de esta manera:

Los amarillos, rojos, azules y verdes representan los pixeles modificados.

La esquina inferior derecha guarda el ultimo bit escrito, el pixel de diferente color para x y y representa el pixel de fin de lectura, en este caso el amarillo es el ultimo pixel, esa esquina tiene sus coordenadas representadas en bits:




Y este es el código para desencriptar: Descargar
Y las imagenes modificadas fueron la 1, la 3 y la 4 ;)

El resto de imagenes las convertí a png solo para despistar

miércoles, 31 de octubre de 2012

[AUTOMATIZACIÓN] Función Nyquist

Para esta semana de laboratorio se pide un problema del libro de control, yo escogí el problema 8.8, consiste en buscar las coordenadas polares de una funcion de transferencia de lazo abierto.

La función es:

Para las condiciones:

Para esto se dibujará un diagrama de Nyquist. El Diagrama de Nyquist es básicamente un gráfico de G(j*w) donde G(s) es la función de transferencia a lazo abierto y w es un vector de frecuencias que encierra todo el semiplano derecho. Las frecuencias positivas y negativas (desde cero a infinito) se tienen en cuenta para dibujar el Diagrama de Nyquist.

Para la primera condición utilizé los siguientes valores:

s = tf("s")

T = 0.4

Ta = 1.2

Tb = 0.5

K = 0.1
Para esta condición se graficó lo siguiente:

Para la segunda condición se usan los siguientes datos:

s = tf("s")

T = 2

Ta = 0.5

Tb = 1

K = 1

Y se obtiene la siguiente gráfica: