Una aproximación a la implementación de un modelo neuroborroso del canal de comunicaciones en HF José Manuel Andújar Márquez Benito A. De la Morena

Presentación del tema: "Una aproximación a la implementación de un modelo neuroborroso del canal de comunicaciones en HF José Manuel Andújar Márquez Benito A. De la Morena"— Transcripción de la presentación:

1 Una aproximación a la implementación de un modelo neuroborroso del canal de comunicaciones en HF José Manuel Andújar Márquez Benito A. De la Morena andujar@diesia.uhu.es morenacb@inta.es Diego Marín Santos Nicolás Mélida Garrido diego.marin@diesia.uhu.es melidagn@inta.es III Semana Onubense de la Ciencia y la Tecnología 8-12 Noviembre de 2004 Universidad de Huelva, E.P.S. La Rábida Dpto. Ingeniería Electrónica, Sistemas Informáticos y Automática Estación de Sondeos Atmosféricos “El Arenosillo” Dpto. de Observación de la Tierra, Teledetección y Atmósfera Área de Investigación e Instrumentación Atmosférica Instituto Nacional de Técnica Aeroespacial, I.N.T.A Universidad de Huelva Instituto Nacional de Técnica Aeroespacial, I.N.T.A Universidad de Huelva Instituto Nacional de Técnica Aeroespacial, I.N.T.A Grupo de Investigación Control y Robótica TEP-192 Aplicaciones Civiles y Militares Introducción Una señal de HF transmitida desde la tierra se propaga a través de la ionosfera y posteriormente rebota hacia el suelo. Esto ocurre debido a la interacción entre la señal de HF y las partículas de la ionosfera cargadas eléctricamente. La región F2 de la ionosfera presenta una gran aplicabilidad en el marco de los sistemas de comunicaciones ya que se comporta como un canal de comunicación terrestre que permite enlaces de larga distancia mediante propagación y reflexión de ondas de radio en el rango HF. Si los equipos de comunicaciones en HF dispusieran de una adecuada modelización de este canal en base a un modelo eficiente de la ionosfera, la comunicación se optimizaría consiguiéndose enlaces de gran calidad y baja potencia, lo cual haría a los equipos de comunicaciones más portables y autónomos. Uno de los parámetros básicos para establecer este modelado del canal ionosférico es la frecuencia crítica de la capa F2 de la ionosfera foF2 (frecuencia a la que hay que emitir una onda electromagnética para que se refleje a la altura de la región F2 para la cual la densidad de electrones es máxima). A pesar de las fuertes dependencias que presenta el comportamiento de este parámetro ionosférico (sus valores varían sistemáticamente con la hora del día, estación del año y latitud, y están fuertemente influenciados por la actividad solar y geomagnética), la gran cantidad de observaciones disponibles realizadas mediante equipos sondeadores terrestres similares al que dispone El Arenosillo, y repartidos por toda la geografía mundial, permite implementar un modelo neuroborroso que refleje fielmente su comportamiento. La señal de HF viajará a mayor o menor distancia dependiendo de la frecuencia, la potencia de transmisión y el ángulo con el que rebote la onda en la ionosfera. Predicción a corto plazo del parámetro ionosférico foF2 usando técnicas neuroborrosas: Aplicación a Condiciones de Calma Actividad Geomagnética Estación deSondeos Armosféricos “El Arenosillo” e Ionograma obtenido el 8 de Agosto de 2004 a las 15 horas UT en el que se observan las capas Ionosféricas E y F (F1 y F2). Las comunicaciones HF se caracterizan por ser autónomas, baratas, fiables y a larga distancia, lo que implica la utilidad que tienen en multitud de aplicaciones: las embajadas, ONGs, cuerpos de seguridad y protección, los aviones, barcos, estaciones costeras,etc. usan de forma extensiva las comunicaciones por HF, sobre todo cuando debido a las condiciones del área de operación no están disponibles otros servicios de radio. Además, no hay que olvidar a los miles de radioaficionados que, gracias al rebote ionosférico, se comunican desde todas las partes del mundo. Origen de la Investigación El Departamento de Ingeniería Electrónica, Sistemas Informáticos y Automática de la Universidad de Huelva y la Estación de Sondeos Atmosféricos del INTA, “El Arenosillo”, mantienen un acuerdo de colaboración desde hace varios años años gracias al cuál se han realizado numerosos proyectos en común, siendo ésta investigación conjunta una muestra más de la relación entre estas dos instituciones. Modelización Neuroborrosa La lógica borrosa trabaja con reglas de razonamiento muy cercanas a la forma de pensar de los seres humanos, que es aproximada e intuitiva. La principal característica de la lógica borrosa es que permite definir valores sin concretar un valor preciso, lo que no es posible con la lógica clásica en la que se basó el desarrollo de la informática. La principal ventaja de los modelos borrosos en comparación con los modelos matemáticos convencionales, es la posibilidad de ser elaborados a partir de menos cantidad de información sobre el sistema a modelar. La información puede ser de naturaleza inexacta, esto es borrosa o difusa. En la lógica clásica, la pertenencia a una clase o conjunto es binaria, es decir, se pertenece o no se pertenece a él, por tanto se trabaja sólo con dos valores precisos (1 y 0, sí o no). La lógica borrosa permite asociar cada muestra con un cierto grado de pertenencia (entre 0 y 1) al conjunto en cuestión, el cual, dentro de esta lógica, se denomina “borroso” por no tener sus fronteras perfectamente definidas, sino más bien difuminadas, lo cual “confunde” las fronteras de un conjunto con las de otros. Esta forma de “pensar”, en la que las muestras pueden pertenecer a varios conjuntos a la vez aunque con diferente grado, es muy próxima a la de los seres humanos. Por ejemplo, una persona de 1,90 m de altura pertenecería con grado 1 al conjunto de “hombres altos”, aunque también podría pertenecer con grado 0,8 u otro al conjunto de hombres “muy altos”. El uso de conjuntos borrosos en expresiones lógicas se denomina lógica borrosa o difusa (fuzzy logic). La definición de modelos borrosos se basa en representar éstos mediante un conjunto de reglas que interpretan la relación entre las variables de entrada y las de salida. Estas reglas presentan el formato “SI antecedente ENTONCES consecuente” (if-then). El cumplimiento del antecedente implica la conclusión. Desde un punto de vista de una representación del conocimiento, una regla SI-ENTONCES borrosa es una estructura para representar conocimiento impreciso. La principal característica que implica el razonamiento basado en este tipo de reglas es su capacidad de representar la coincidencia parcial, lo cual permite que una regla borrosa proporcione inferencia aún cuando la condición se satisfaga sólo de forma parcial. Existen dos tipos generales de modelos borrosos: Mamdani y TSK. En el modelo Mamdani, dado un sistema de una entrada ( x ) y una salida ( y ), las reglas se escriben de la forma: donde A, B son conjuntos borrosos del tipo “alto”, “muy alto”, “cerca de”, etc. En el modelo TSK, las reglas tienen la forma: Su conclusión contiene la función f(x) y no un conjunto borroso. Esta función puede ser no–lineal. El modelo TSK es más preciso que el Mamdani, con lo cual es el usado por nuestro grupo para la modelización de la ionosfera como canal de comunicaciones. Los conjuntos borrosos se representan por funciones matemáticas denominadas “funciones de pertenencia”, las cuales hay que caracterizar mediante el ajuste de sus parámetros. Así por ejemplo, si utilizamos una función gaussiana: para representar un conjunto borroso, tendremos que definir el ancho y el centro c de la función. Del mismo modo, habrá que caracterizar los parámetros que definan la función f(x) del consecuente de cada regla. El proceso de ajuste de los parámetros de los conjuntos borrosos que forman los antecedentes de las reglas, y de los parámetros que definen las funciones de los consecuentes, se puede realizar de forma automática mediante un algoritmo proveniente de las redes neuronales artificiales: Backpropagation (BP). Este algoritmo propaga, a través de la red (en nuestro caso a través de las reglas), desde la salida hacia la entrada, el error entre la salida que proporciona el modelo y la deseada. Esto permite ir ajustando los parámetros del antecedente y del consecuente de las reglas hasta que el modelo se parezca lo más posible al sistema que se quiere modelar. Esto es, el modelo borroso “aprende y se auto corrige”, o lo que es lo mismo, se produce un “aprendizaje automático”. Esta capacidad de aprendizaje de los modelos borrosos heredada de las redes neuronales artificiales, ha acuñado el término neuroborroso. Estos modelos aglutinan lo mejor de la lógica borrosa y de las redes neuronales para crear sistemas cuya capacidad de computación y razonamiento se acerque a la de los seres humanos En este trabajo se ha presentado un método de predicción a corto plazo (1-24 horas de adelanto) de foF2 basado en modelización neuroborrosa. El método está ideado para predecir bajo condiciones de calma geomagnética y hay que considerarlo como una primera aproximación a la herramienta final de predicción de foF2 que se pretende implementar. Un servicio de predicción de estas características es necesario para conocer con antelación el estado de la ionosfera y, de esta forma, poder establecer una comunicación eficiente en HF. La modelización neuroborrosa de la ionosfera es totalmente novedosa y su potencialidad y aplicaciones están aún por descubrir. Conclusiones En este estudio se utilizan los valores horarios de foF2 correspondientes a la Estación de Slough/Chilton (51.5ºN ; 359.4ºE), con observaciones disponibles desde el año 1932. El modelo neuroborroso utilizado para predecir foF2 se basa en la siguiente relación: siendo  foF2 = (foF2-foF2med)/foF2med la desviación relativa del valor horario observado de foF2 respecto a la mediana mensual foF2med a esa misma hora, n el número de horas de adelanto con el que se va a obtener la predicción, UT el momento actual en el que se predice, y R 12 el índice utilizado para cuantificar la actividad solar. Para comprobar la fiabilidad del método, se han calculado las desviaciones relativas medias (DRM) entre los valores observados y predichos de foF2 para diferentes periodos temporales de baja actividad geomagnética y dos tiempos de predicción (1 y 24 horas de adelanto). Para la obtención del modelo se utlizaron sistemas TSK con término afín, con una etapa de aprendizaje, 50 épocas, 5 reglas y factor de aprendizaje dinámico, obteniéndose valores de desviación relativa inferiores al 10%, lo que da muestra de la eficiencia del modelado neuroborroso de foF2 bajo estas condiciones geomagnéticas. En las figuras se ilustra, a modo de ejemplo, una comparativa entre los valores observados y predichos de foF2 con 1 y 24 horas de adelanto para el periodo 21-27 Junio de 1996.