Estimación de distancia con sensores ópticos reflexivos usando redes neuronales con funciones de base radial para aplicaciones embebidas
PDF

Archivos suplementarios

Control Cambios

Palabras clave

Linealización de sensores
sensores ópticos de distancia
redes neuronales con funciones de base radial

Cómo citar

Estimación de distancia con sensores ópticos reflexivos usando redes neuronales con funciones de base radial para aplicaciones embebidas. (2013). Ingenieria Y Universidad, 17(1), 27-40. https://doi.org/10.11144/Javeriana.iyu17-1.dewr
Almetrics
 
Dimensions
 

Google Scholar
 
Search GoogleScholar

Resumen

Los sensores de reflexión ópticos para medir distancia se caracterizan por la no linealidad de la salida. Esta condición deben asumirla las unidades de procesamiento donde son utilizados. El presente artículo tiene por objeto reducir el costo computacional, en términos de espacio de memoria y tiempo de procesamiento, en la linealización de la salida de los sensores para ser usados en sistemas embebidos de bajo costo. Los resultados de dos diferentes sensores indican que la curva exponencial estimada se puede ajustar usando redes neuronales con funciones de base radial con una reducción de más del 50 % en el tiempo de procesamiento. Para el diseño de la red se estudió la eficiencia respecto al tamaño de la red y a la distribución de los centroides con resultados importantes. La reducción del tiempo y de espacio lograda permite aprovechar los recursos del sistema en otras tareas, al mismo tiempo que posibilita aumentar la frecuencia de muestreo en la adquisición.

PDF

BORIS, B.; HOCENSKI, Z. y CVITAS, L. Optimal approximation parameters of temperature sensor transfer characteristic for implementation in low cost microcontroller systems. IEEE International Symposium on Industrial Electronics. 2006, núm. 4, pp. 2784-2787. DOI: 10.1109/ISIE.2006.296055.
CHATTERJEE, A.; MUNSHI, S.; DUTTA, M. y RAKSHIT, A. An artificial neural linearizer for capacitive humidity sensor. Proceedings Of The 17th IEEE Instrumentation And Measurement Technology Conference [Cat. No. 00CH37066]. 2000, núm. 1, pp. 313-317. DOI: 10.1109/IMTC.2000.846876.
COTTON, N. J. y WILAMOWSKI, B. M. Compensation of sensors nonlinearity with neural networks. 24th IEEE International Conference on Advanced Information Networking and Applications. 2010, pp. 1210-1217. DOI: 10.1109/AINA.2010.170.
ERDEM, H. Implementation of software-based sensor linearization algorithms on low-cost microcontrollers. ISA Transactions. 2010, vol. 49, núm. 4, pp. 552-558. DOI: 10.1016/J.Isatra.2010.04.004.
HAYKIN, S. Neural networks and learning machines. 3rd ed. New York: Pearson, 2009.
KHACHAB, N. I. e ISMAIL, M. (1991). Linearization techniques for nth-order sensor models in MOS VLSI technology. IEEE Transactions on Circuits and Systems. 1991, vol. 38, núm. 12, pp. 1439-1450. DOI: 10.1109/31.108498.
MEDRANO-MARQUES, N. J. y MARTÍN-DEL-BRIO, B. Sensor linearization with neural networks. IEEE Transactions6 on Industrial Electronics. 2001, vol. 48, núm. 6, pp. 1288-1290. DOI: 10.1109/41.969414.
MEDRANO-MARQUES, N. J.; MARTÍN-DEL-BRIO, B.; BONO-NUEZ, A. y BERNALRUIZ, C. Implementing neural networks onto standard low-cost microcontrollers for sensor signal processing. IEEE Conference on Emerging Technologies and Factory Automation. 2005, vol. 2, pp. 967-972. DOI: 10.1109/ETFA.2005.1612776.
MOHAN, N. M.; KUMAR, V. J. y SANKARAN, P. Linearizing dual-slope digital converter suitable for a thermistor. IEEE Transactions on Instrumentation and Measurement. 2011, vol. 60, núm. 5, pp. 1515-1521.
NENOVA, Z. P. y NENOV, T. G. Linearization circuit of the thermistor connection. IEEE Transactions on Instrumentation and Measurement. 2009, vol. 58, núm. 2, pp. 441-449. DOI: 10.1109/TIM.2008.2003320.
QU, L.; CHEN, Y. y JI, Y. Regularized RBF-FA neural network to improve the generalization performance of function approximation: Computer application and system modeling (ICCASM) [artículo en línea]. IEEE International Conference on. 2010, vol. 11, pp. V11- 267. <http://Ieeexplore.Ieee.Org/Xpls/Abs_All.Jsp?Arnumber=5623211>.
SHARP. Optoelectronic device GP2Y0A21YK [Datasheet]. 2005. <http://Www.Sharpsma.Com/Webfm_Send/1208>.
SHARP. Optoelectronic device GP2Y0A02YK [Datasheet]. 2006. <http://Www.Datasheetarchive.Com/GP2Y0A02YK-Datasheet.Html>.
SÁNCHEZ, E. N. y ALANÍS, A. Y. Redes neuronales: conceptos fundamentales y aplicaciones a control automático. Madrid: Pearson; 2006.
VOLPI, E.; NIZZA, N. y BRUSCHI, P. A non linear ADC for sensor linearization. PhD Research in Microelectronics and Electronics Conference. 2007, pp. 5-8. DOI: 10.1109/RME.2007.4401797.
ZHOU, S. y LIN, H. Function approximation based on self-adaptive RBF neural network with combined clustering algorithm [document en línea]. International Conference on Intelligent Control and Information Processing (ICICIP). 2010, pp. 435-438. <http://Ieeexplore.Ieee.Org/Xpls/Abs_All.Jsp?Arnumber=5565283>.

Una vez aceptado un trabajo para publicación la revista podrá disponer de él en toda su extensión, tanto directamente como a través de intermediarios, ya sea de forma impresa o electrónica, para su publicación ya sea en medio impreso o en medio electrónico, en formatos electrónicos de almacenamiento, en sitios de la Internet propios o de cualquier otro editor. Este uso tiene como fin divulgar el trabajo en la comunidad científica y académica nacional e internacional y no persigue fines de lucro. Para ello el autor o los autores le otorgan el permiso correspondiente a la revista para dicha divulgación mediante autorización escrita.

Todos los articulos aceptados para publicación son sometidos a corrección de estilo. Por tanto el autor /los autores autorizan desde ya los cambios sufridos por el artículo en la corrección de estilo.

El autor o los autores conservarán los derechos morales y patrimoniales del artículo.