COMPARAÇÃO DE ARQUITETURAS DE REDES NEURAIS ARTIFICIAIS UTILIZADAS PARA A PREVISÃO DE CARGAS ELÉTRICAS UTILIZANDO AS TOOLBOXES DO MATLAB
|
|
- Mafalda Bugalho de Escobar
- 5 Há anos
- Visualizações:
Transcrição
1 COMPARAÇÃO DE ARQUITETURAS DE REDES NEURAIS ARTIFICIAIS UTILIZADAS PARA A PREVISÃO DE CARGAS ELÉTRICAS UTILIZANDO AS TOOLBOXES DO MATLAB KENJI NOSE FILHO, JORGE L. Y. MAEDA, ANNA D. P. LOTUFO Departamento de Engenharia Elétrica Faculdade de Engenharia de Ilha Solteira Av. Brasil Norte, Ilha Solteira SP s: kenjinose@yahoo.com.br, jorge-maeda@hotmail.com, annadiva@dee.feis.unesp.br Abstract This paper presents a development and implementation of a program to electrical load forecasting with data from a Brazilian Electrical Company, using three different architectures of Neural Networks of the MATLAB toolboxes: Multilayer Backpropagation Gradient Descendent with Momentum, Adaptive Network Based Fuzzy Inference System and General Regression Neural Network. The program presented a satisfactory performance, guaranteeing very good results. Keywords Electrical load forecasting, Artificial neural networks, MATLAB Resumo Este artigo apresenta o desenvolvimento e a implementação de um programa para realizar a previsão de cargas elétricas com dados de uma companhia de energia elétrica Brasileira, utilizando três diferentes arquiteturas de redes neurais das toolboxes do MATLAB: Rede Multicamadas Feedforward Backpropagation com algoritmo Gradiente Descendente com momento, Adaptive Network Based Fuzzy Inference System (ANFIS) e General Regression Neural Network (GRNN). O programa apresentou um desempenho satisfatório, garantindo bons resultados. Palavras-chave Previsão de cargas elétricas, Redes neurais artificiais, MATLAB 1 Introdução A previsão de cargas elétricas é uma das principais funções de um centro de controle de sistemas elétricos, especialmente se a geração for proveniente de sistemas hidrotérmicos. O problema de previsão de cargas consiste em conhecer (prever) o valor da carga futura para que o sistema gerador opere dentro de certos limites de confiabilidade e segurança a um custo que seja mínimo para a unidade geradora. Historicamente, encontram-se vários métodos para realizar a previsão de cargas [O Donovan, 1983]: regressão linear múltipla ou simples, alisamento exponencial, estimação de estado, filtro de Kalman, métodos ARIMA de Box & Jenkins [Box & Jenkins, 1976] entre outros. Todos estes métodos necessitam da modelagem prévia da carga para posteriormente serem aplicados. Para modelar a carga, é necessário conhecer algumas informações, tais como: dias nublados, velocidade do vento, variações repentinas de temperatura e efeitos de dias nãoconvencionais (feriados, greves, etc.). Quanto mais informações forem disponibilizadas, maiores serão as chances de obter soluções de qualidade. Após ter sido realizado a modelagem da carga, usando estas informações, inicia-se a execução do algoritmo, a fim de obter os resultados (previsão de carga). Uma alternativa para a resolução do problema de previsão de carga é a utilização de redes neurais artificiais [Chen et al., 1986; Haykin, 1994]. As redes neurais artificiais apresentam inúmeras vantagens, as principais delas é a capacidade de aprendizado e generalização. Neste artigo, apresentaremos os resultados obtidos a partir de três redes neurais artificiais com arquiteturas diferentes para a resolução do problema de previsão de cargas de uma companhia de distribuição de energia elétrica do Rio de Janeiro do ano de Na literatura [Lopes & Minussi, 2000; Moody & Darken, 1989; Terano, 1991; Heimes & Heuveln, 1998] estas redes são bastante conhecidas por predizerem séries temporais com precisão: Rede multicamadas feedforward backpropagation com algoritmo gradiente descendente com momento; Adaptive Network Based Fuzzy Inference System (ANFIS); General Regression Neural Network (GRNN). Estas três arquiteturas foram implementadas no MATLAB, com o auxilio das toolboxes de redes neurais e lógica fuzzy. A partir destas três diferentes arquiteturas de redes neurais, foi realizada a previsão de cargas em curto prazo (168 horas 7 dias), considerando-se somente dias convencionas. Os dias convencionais são todos aqueles que não se tratam de feriados nacionais e regionais e nem de dias participantes do horário de verão. As redes foram submetidas a três treinamentos distintos, diferenciados pela quantidade de dias utilizados. Para a comparação dos resultados verificamos os erros máximos percentuais obtidos de cada rede e o MAPE que corresponde à média aritmética do valor absoluto dos erros percentuais. Além disso, verificamos o tempo gasto no treinamento de cada rede.
2 2 Arquiteturas das redes neurais 2.1 Arquitetura da rede multicamadas feedforward backpropagation Redes multicamadas são arquiteturas em que os neurônios são organizados em duas ou mais camadas. A figura 1 representa o modelo de uma rede neural artificial multicamadas. Figura 1. Arquitetura de uma rede neural multicamadas. O modelo apresentado acima possui R entradas, S 1 neurônios na primeira camada, S 2 neurônios na segunda camada e S 3 neurônios na terceira camada. As funções de ativação f 1,f 2 e f 3 podem ser funções do tipo: log-sigmoid, tan-sigmoid ou linear, conforme a figura 2, entre outras. Figura 2.Gráficos das funções de ativação, a) log-sigmoid, b) tansigmoid, c) linear. Uma rede neural multicamadas feedforward backpropagation [Werbos, 1974], visa ajustar os pesos através do gradiente descendente, de forma a minimizar a média da soma dos erros mínimos quadrados. Durante o processo de treinamento os padrões de entrada e de saídas desejadas correspondentes são apresentados à rede neural. Um algoritmo de adaptação ajusta, automaticamente, os pesos, na direção oposta ao erro do gradiente instantâneo, de tal forma que as saídas fiquem próximas dos valores desejados. O algoritmo backpropagation segue os seguintes passos: 1. Apresentação de um padrão X a rede, o qual fornece uma saída desejada Y; 2. Cálculo do erro (diferença entre o valor desejado e a saída) para cada saída; 3. Determinação do erro retro propagado pela rede associado à derivada parcial do erro quadrático de cada elemento relacionado aos pesos; 4. Ajuste dos pesos de cada elemento; 5. Apresenta-se um novo padrão a rede e repete-se o processo até que haja a convergência da rede, ou seja, a rede neural só irá convergir se o erro obtido através do treinamento da rede neural for menor que uma tolerância preestabelecida. Os pesos iniciais são normalmente adotados como números randômicos (considerando-se o intervalo [0,1]), visto que a iniciação nula quase sempre proporciona baixa convergência. A rede criada para prever as cargas das primeiras 168 horas de agosto de 1998, possui 12 neurônios em sua camada de entrada, 30 neurônios em sua camada intermediaria e 1 neurônio em sua camada de saída. As funções de ativação utilizadas para cada camada, foram as funções log-sigmoid, tan-sigmoid e linear, respectivamente. Para o treinamento desta rede, foi utilizado o algoritmo do gradiente descendente com momento. O algoritmo do gradiente descendente com momento se baseia na determinação da derivada parcial do erro quadrático, este método atualiza os pesos segundo (1). (1) Onde: LR é a taxa de treinamento, M é a constante de momento e E R é a função do erro quadrático. 2.2 Arquitetura da ANFIS ANFIS [Buragohain & Mahanta 2008] é um sistema que utiliza um algoritmo de aprendizagem hibrida para identificar os parâmetros da função de associação da saída única, sistema de inferência fuzzy (FIS Fuzzy inference system) do tipo Sugeno [Jang 1991; Jang 1993]. Uma combinação de métodos dos mínimos quadrados e treinamento via backpropagation é usada para treinar os parâmetros das funções de associação do FIS para modelar um dado jogo de dados de entrada e saída. Uma possível arquitetura de um sistema de inferência fuzzy (FIS) é mostrada na Figura 3. Figura 3. Arquitetura de um FIS Este sistema contém três diferentes camadas: 1. Camada de Fuzzificação: cada neurônio representa uma função "membership" de entrada do antecedente de uma regra fuzzy. 2. Camada de Inferência: as regras são ativadas e os valores ao final de cada regra representam o peso inicial da regra, e serão ajustados ao seu próprio nível ao final do treinamento. 3. Camada de Defuzzificação: cada neurônio representa uma proposição conseqüente esuas funções membership podem ser implementadas combinando uma ou duas funções sigmoid e lineares. O peso de cada saída representa aqui o centro de gravidade de cada saída da função membership. Após adquirir a saída correspondente o ajuste é feito na conexão do peso e nas funções membership visando compensar o erro e produzir um novo controle de sinal.
3 A estrutura da ANFIS criada para prever as cargas das primeiras 168 horas de agosto de 1998, possui 12 neurônios na camada de entrada e 1 neurônio na camada de saída com a aplicação de 32 regras. 2.3 Arquitetura da GRNN GRNN são redes do tipo de função de base radial (RBF radial basis function network) bastante utilizadas para a aproximação de funções [Specht, 1991; Wasserman, 1993; Heimes & Heuveln, 1998]. A GRNN possui na sua camada de entrada (camada de base radial), neurônios de base radial, e na sua camada de saída (camada linear especial), neurônios especiais com função de ativação linear. A diferença entre uma rede RBF e uma GRNN é que a GRNN possui em sua saída uma camada linear especial, enquanto que a RBF possui em sua saída, apenas uma camada linear simples. A camada linear especial da GRNN possui a função nprod (função peso) mostrada na figura 4 que produz S 2 elementos no vetor n2. Cada elemento é o produto da linha de LW2,1 pelo vetor de entrada a1, todos normalizados pela soma dos elementos de a1. Figura 4. Arquitetura de uma GRNN A função de ativação de um neurônio de base radial é a função de base radial e pode ser vista conforme a figura 5. duas camadas, contendo 6 neurônios na camada de entrada e 1 neurônio na camada de saída. 3 Padrões de entrada e de saída e treinamento das redes neurais Para as 3 redes neurais artificiais projetadas, foram utilizados em seu treinamento os mesmo padrões de entrada e saída. O padrão de entrada é descrito por um vetor contendo informações do dia da semana, hora n, e os valores das cargas horárias n, n-1, n-2 e n-3. O padrão de saída é descrito por um vetor que representa o valor da carga horária n+1. O que diferencia de uma rede para outra é a forma de como a informação do dia da semana e da hora n+1 é apresentada para a rede, no caso da rede neural multicamadas backpropagation e da ANFIS, esses valores são representados em binário, sendo utilizados 3 bits para representar o valor do dia da semana e 5 bits para representar o valor da hora n. Já no caso da GRNN, esses valores são expressos em decimal, de 1 a 7 para os dias da semana e de 1 a 24 para o valor da hora n. Para o treinamento das redes foram utilizados dados históricos de uma companhia de distribuição de energia elétrica do Rio de Janeiro, pelos períodos explicitados abaixo. Cada rede foi treinada de três maneiras distintas, variando-se o período de dias compreendidos e o numero de vetores de entrada, mais detalhes podem ser vistos através da tabela 1. Tabela 1. Especificações de cada treinamento quanto ao numero de dias compreendidos e numero de vetores de entrada Treinamento Período compreendido Número de vetores de entrada 1 31 dias 01/07/ a 31/07/ dias 01/06/ a 31/07/ dias 01/05/98 a 31/07/ Figura 5. Função de base Radial O treinamento de uma GRNN pode ser separado em três etapas executadas seqüencialmente [Moody & Darken]. 1. Usa-se um algoritmo de formação de agrupamentos para encontrar os chamados centros das funções de base. 2. A segunda etapa trata do uso de métodos heurísticos para determinar o raio (radius) ou a abertura (spread) de cada função de base. 3. Uma vez determinados os centros e os raios das diversas funções de base, podem-se computar os pesos dos neurônios de saída através das regras de a- prendizagem LMS, Delta ou do Perceptron Simples. A rede criada para prever as cargas das primeiras 168 horas de agosto de 1998, foi uma GRNN com 4 Resultados Para avaliar os resultados e o desempenho de cada rede, iremos apresentar o Mean Absolute Percentual Error(MAPE),o Erro máximo percentual (Emáx%) e o tempo utilizado para cada treinamento. O MAPE corresponde à média aritmética do valor absoluto dos erros percentuais. Os resultados serão apresentados em forma de gráficos e tabelas. Consideraremos a previsão composta de 7 dias consecutivos, sendo o DIA1, DIA2, DIA3, DIA4, DIA5, DIA6 e o DIA7 compreendido pelo intervalo de horas [1:24], [25:48], [49:72], [73:96], [96:120], [121:144], [145:168] respectivamente. Sendo que o valor da carga da hora 1, corresponde ao valor da carga horária seguinte do ultimo valor de carga horária utilizado para o treinamento da
4 rede, supondo, qualquer um dos três treinamentos distintos. Sendo assim, o valor da carga da hora 1, corresponde ao valor da primeira carga do dia 1/08/98. Analisando os resultados das tabelas 2, 3 e 4 com referencia ao DIA1 podemos notar, com exceção da ANFIS, que quanto maior o período utilizado no treinamento das redes, maior o MAPE e o Emáx apresentados. No caso da ANFIS, o treinamento 2 resultou em piores resultados, sendo que o treinamento 3 apresentou menor MAPE e o treinamento 1 apresentou menor Emáx. Tabela 2. Resultados da rede Backpropagation. BACKPROPAGATION TREINAMENTO MAPE% 1,9979 2,0929 2,3134 DIA1 Emáx% 4,8453 5,0218 7,0879 MAPE% 2,4512 2,543 2,8026 DIA2 Emáx% 7,1422 6,0586 8,7863 MAPE% 1,8743 1,7808 1,9826 DIA3 Emáx% 5,1782 5,8056 7,0652 MAPE% 3,2058 3,6752 3,0929 DIA4 Emáx% 7, ,6881 6,965 MAPE% 4,524 4,8297 3,338 DIA5 Emáx% 7,885 9,4274 7,2095 MAPE% 3,5708 4,7157 3,1932 DIA6 Emáx% 8,9179 9,8407 6,8929 MAPE% 3,793 3,6895 3,4342 DIA7 Emáx% 9, , , DIAS MAPE% 2,9441 3,1981 2,8036 Emáx% 9, , ,3729 Tabela 2. Resultados da ANFIS. ANFIS TREINAMENTO MAPE% 1,09 1,4028 0,9733 DIA1 Emáx% 2,8613 3,848 3,7571 MAPE% 1,5707 1,7973 1,7582 DIA2 Emáx% 2,8613 3,848 3,5909 MAPE% 1,1938 1,5897 1,0483 DIA3 Emáx% 2,973 3,3424 5,1416 MAPE% 2,5938 3,2408 2,131 DIA4 Emáx% 7, ,2972 5,5986 MAPE% 4,3948 4,9755 3,5488 DIA5 Emáx% 6,5254 8,4575 6,5447 MAPE% 3,1179 4,1149 2,7575 DIA6 Emáx% 6,3084 7,3892 5,7694 MAPE% 3,1202 2,9928 2,3512 DIA7 Emáx% 6,6009 4,611 4, DIAS MAPE% 2,5938 2,9928 2,131 Emáx% 7, ,2972 6,5447 Tabela 3. Resultados da GRNN. GRNN TREINAMENTO MAPE% 1,0032 1,118 1,2882 DIA1 Emáx% 2,4102 3,6504 4,2455 MAPE% 1,3446 1,4978 1,1985 DIA2 Emáx% 2,7257 3,0448 3,2779 MAPE% 1,2231 1,157 1,1237 DIA3 Emáx% 2,7294 5,4129 5,2643 MAPE% 2,0555 2,1111 1,6305 DIA4 Emáx% 5,8053 6,5647 4,1103 MAPE% 4,2567 4,0799 3,3574 DIA5 Emáx% 6,2876 6,1926 5,9547 MAPE% 3,7587 3,5614 2,6782 DIA6 Emáx% 6,1253 6,3461 4,929 MAPE% 2,9521 2,7645 1,7443 DIA7 Emáx% 4,5324 4,2983 3, DIAS MAPE% 2,3705 2,3271 1,8601 Emáx% 6,2876 6,5647 5,9547 Porém, ao analisar os resultados das tabelas 2, 3 e 4 com referencia ao DIA4, DIA5, DIA6 e ao DIA7 podemos notar que quanto maior o período utilizado no treinamento das redes, menor o MAPE apresentado, isto considerado somente os treinamentos 1 e 3, pois as redes backpropagation e ANFIS com o treinamento 2 resultou em piores resultados. No caso da GRNN, verificou-se também um decréscimo do E- máx, ao aumentar o período utilizado no treinamento da rede. Deste modo, podemos verificar que para previsão de curtos prazos de tempo, no qual possui uma defasagem de tempo menor de 3 dias entre o ultimo dia treinado e o primeiro dia simulado, os resultados são melhores, utilizando-se de treinamentos mais curtos. Já no caso de se prever curtos prazos de tempo, no qual possui uma defasagem de tempo maior de 3 dias entre o ultimo dia treinado e o primeiro dia simulado, se obtêm melhores resultados utilizando treinamentos mais longos. À medida que foram se passando os dias, observou-se um aumento nos valores do MAPE e Emáx. Observando assim, uma perda da capacidade de previsão das redes, à medida que a defasagem de tempo entre o ultimo dia treinado e o dia simulado vai aumentando. Caso o intuito fosse criar redes capazes de prever dias convencionais com uma margem de erro máxima de 5% para mais ou para menos, as redes sugeridas para estes casos seriam a ANFIS e a GRNN e os treinamentos 1, 2 e 3 para ambas as redes, supondo uma previsão de cargas inferior a 2 dias previstos, ou seja, com previsão de no máximo, 48 horas após o ultimo horário utilizado para treinamento. Sendo a mais adequada, a GRNN sob o treinamento 1. Quando comparado com outras redes, a rede backpropagation possui tempo de aprendizagem maior. Isto se deve ao fato de que o numero de iterações necessárias para que esta rede convirja é bem maior. Enquanto que a ANFIS e a GRNN necessitam de apenas um único processo iterativo, a rede back-
5 propagation necessita de cerca de 5000 iterações para convergir. Enquanto que a rede backpropagation leva 120 segundos, a ANFIS e a GRNN levam apenas 10 e 2 segundos respectivamente, conforme pode ser visto na tabela 5. Figura 8. Previsão de 1 dia, GRNN, Treinamento 1 As figuras 9, 10 e 11 correspondem às melhores curvas de carga prevista (menor MAPE) considerando a previsão de 7 DIAS para cada uma das redes. Tabela 5. Tempo de treinamento para cada rede Tempo [s] Treinamento Backpropagation ANFIS GRNN As figuras 6, 7 e 8 correspondem às melhores curvas de carga prevista (menor MAPE) considerando a previsão do DIA1 para cada uma das redes. Figura 9. Previsão de 7 dias, Backpropagation, Treinamento 3 Figura 6. Previsão de 1 dia, Backpropagation, Treinamento 1 Figura 10. Previsão de 7 dias, ANFIS, Treinamento 3 Figura 7. Previsão de 1 dia, ANFIS, Treinamento 1 Figura 11. Previsão de 7 dias, GRNN, Treinamento 3 5 Conclusão Realizar a previsão de cargas utilizando redes neurais artificiais é um assunto que vem sendo bastante estudado ultimamente. Portanto, realizar comparações com resultados de redes neurais com arquiteturas distintas é algo bastante interessante, pois cada tipo
6 de rede se comporta de uma maneira diferente para cada problema proposto. Os padrões utilizados em seu treinamento, e a forma como o problema é modelado matematicamente, é outro fator que influencia muito nos resultados. Portanto, as conclusões obtidas se referem aos resultados aqui obtidos para o problema de previsão de cargas, modelado como descrito anteriormente e não podem ser interpretados de maneira genérica para todos os tipos de problemas. Através dos resultados, podemos observar que a GRNN possui grandes vantagens com relação às outras duas, alem de convergir mais rapidamente, a rede apresentou resultados melhores, menores MAPE e Emáx. Quanto à convergência, a rede GRNN é bem mais rápida do que a rede multicamadas backpropagation, pois é uma rede que se baseia em um único processo iterativo [Frost & Karri, 1999], diferentemente da rede multicamadas backpropagation que necessita um maior numero de iterações (neste caso, 5000 iterações foram necessárias para obter um bom resultado). Os melhores resultados obtidos pela GRNN podem ser atribuídos ao fato de esta rede ser baseada na estimação de uma função densidade de probabilidade na qual a probabilidade de se cair em um mínimo local é mínima [Seng, Khalid, Yusof & Omatu, 1998], podendo assim melhorar a precisão da previsão. A ANFIS é outra rede bastante interessante, que alem de rápida, apresentou resultados parecidos com os da GRNN. Vimos que a rede multicamadas com treinamento backpropagation é uma rede mais lenta e não a- presentou resultados tão bons quanto os da ANFIS e o da GRNN. Está sendo estudado o uso da rede Levenberg- Marquardt para a resolução do problema de previsão de cargas, do qual futuramente podemos incorporar seus resultados a este artigo e comparar seus resultados com os das redes já simuladas. Agradecimentos Agradecemos o apoio financeiro da FAPESP (Fundação de Amparo à Pesquisa do Estado de São Paulo) (processo de número 05/ e processo de número 07/ ), e aos docentes, Carlos Roberto Minussi e Mara Lúcia M. Lopes, que nos ajudaram na criação das redes neurais utilizadas. Referências Bibliográficas Box, G. E. e Jenkins, G. M. Time series analysis: Forecasting and control, Holden-Day, San Francisco, Buragohain, M. e Mahanta, C. A novel approach for ANFIS modeling based on full factorial design, Applied Soft Computing, Vol. 8, pp , Chen, C. S., Tzeng, Y. M. e Hwang, J. C. The application of artificial neural networks to substation load forecasting, Electric Power Systems Research, Vol. 38, No. 2, pp , Frost, F. e Karri, V. Performance Comparison of BP and GRNN Models of the Neural Network Paradigm Using a Practical Industrial Application, Neural Information Processing, Proceedings. ICONIP '99. 6th International Conference Vol. 3, pp , Haykin, S. Neural networks: A comprehensive foundation, Prentice-Hall, Upper Saddle River, New Jersey, USA, Heimes, F. e Heuveln, B. V. The Normalized Radial Basis Function Neural Network, IEEE International Conference on Systems, Man, and Cybernetics, Vol. 2, pp , Jang, J.-S. R., Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm, Proc. of the Ninth National Conf. on Artificial Intelligence (AAAI-91), pp , July Jang, J.-S. R., ANFIS: Adaptive-Network-based Fuzzy Inference Systems, IEEE Transactions on Systems, Man, and Cybernetics, Vol. 23, No. 3, pp , May Lopes, M. L. M. e Minussi, C. R., Treinamento de redes neurais via backpropagation com controlador nebuloso, Proceedings 2000 Congresso Brasileiro de Automática, pp , 2000 Manual de Utilização Do Matlab. The Mathworks Inc Moody, J. e Darken, C.J. Fast learning in networks of locally-tuned processing units, Neural Comput, 1, , O Donovan, T. M. Short Term Forecasting: An introduction to the Box-Jenkins approach, John Wiley & Sons, New York, Seng T. L., Khalid M., Yusof, R. E Omatu, S. Adaptive Neuro-fuzzy Control System by RBF and GRNN Neural Networks, Journal of Intelligent and Robotic Systems vol. 23 pp , Specht, D. F. A General Regression Neural Network, IEEE Transactions on Neural Networks, vol. 2, no. 6, pp , November 1991 Terano, T.; Asai, K. and Sugeno, M. Fuzzy systems theory and its applications, U.S.A., Academic Press, Werbos, P. J. Beyond regression: New tools for prediction and analysis in the behavioral sciences, Master Thesis, Harvard University, Wasserman, P.D., Advanced Methods in Neural Computing, New York: Van Nostrand Reinhold, pp , 1993.
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia maisRede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Rede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas Thays Abreu, Marleide F. Alves, Carlos R. Santos Junior, Anna
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisPrevisão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais
1 Previsão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais Thays Abreu, Miguel Paredes, Klayton A. M. Araujo, Mara L. M. Lopes e Anna Diva P. Lotufo, Membro
Leia maisPrevisão de Cargas Elétricas utilizando uma Rede Neural ARTMAP Fuzzy com Treinamento Continuado
Previsão de Cargas Elétricas utilizando uma Rede Neural ARTMAP Fuzzy com Treinamento Continuado Thays Abreu 1, Carlos R. Santos Junior 2 Mara L. M. Lopes 1 Anna Diva Lotudo 1 Carlos R Minussi 1 1 Universidade
Leia maisDESENVOLVIMENTO DE UMA REDE NEURO-FUZZY PARA A PREVISÃO DE CARGA
DESENVOLVIMENTO DE UMA REDE NEURO-FUZZY PARA A PREVISÃO DE CARGA ALINE J. AMORIM 1, MARA L. LOPES 2, CARLOS R. MINUSSI 1, ESTELIO S. AMORIM 2 1. Departamento de Engenharia Elétrica, UNESP - Universidade
Leia maisPrevisão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-ART Fuzzy
Previsão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-ART Fuzzy C. M. Oliveira, A. D. P. Lotufo Departamento de Engenharia Elétrica Universidade Estadual Paulista, UNESP Ilha Solteira, São
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisSISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS Stéphanie Lucchesi, Sandra Regina Monteiro Masalskiene Roveda Campus Experimental de Sorocaba Engenharia Ambiental steh_l@hotmail.com, ISB. Palavras chave: fuzzy,
Leia maisPrevisão da Velocidade dos Ventos por Redes Neurais Artificiais e ARIMA de Box & Jenkins
Previsão da Velocidade dos Ventos por Redes Neurais Artificiais e de Box & Jenkins Daniela J. Rossi, Anna D. P. Lotufo, Mara L. M. Lopes Depto de Engenharia Elétrica, FEIS, UNESP 13-000, Ilha Solteira,
Leia maisRedes Neurais Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo
Redes Neurais Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo Luciano Carli Moreira de Andrade Mário Oleskovics Departamento de Engenharia Elétrica e de Computação
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisPREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS POR SELEÇÃO DE VARIÁVEIS STEPWISE E REDES NEURAIS ARTIFICIAIS
Campus de Ilha Solteira PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS POR SELEÇÃO DE VARIÁVEIS STEPWISE E REDES NEURAIS ARTIFICIAIS MARLEIDE FERREIRA ALVES Ilha Solteira 2013 Campus de Ilha Solteira PROGRAMA
Leia maisAutores del Trabajo Nombre País . Sérgio Bordignon3 Brasil
/6 Título Variáveis climáticas aplicadas à previsão de demanda em curtíssimo prazo Nº de Registro (Resumen) 299 Empresa o Entidad. Universidade Federal do Pampa UNIPAMPA 2. Universidade Federal do Rio
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisMODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia maisPrevisão de Cargas Elétricas através de um modelo de Regressão ARIMA e uma Rede Neural ARTMAP Fuzzy
Previsão de Cargas Elétricas através de um modelo de Regressão ARIMA e uma Rede Neural ARTMAP Fuzzy T. Abreu, C. R. Santos Junior, M. L. M. Lopes, A. D. P. Lotufo FEIS Faculdade de Engenharia de Ilha Solteira
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia maisEstudo Comparativo de Técnicas de Controle em um Processo de Nível
1 Estudo Comparativo de Técnicas de Controle em um Processo de Nível RESUMO O controle do nível de tanques é um problema clássico e é considerado um assunto de grande importância e aplicabilidade industrial,
Leia maisSISTEMA HÍBRIDO DE PREVISÃO DE CARGA ELÉTRICA EM CURTO PRAZO UTILIZANDO REDES NEURAIS ARTIFICIAIS E LÓGICA FUZZY
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE TECNOLOGIA E GEOCIÊNCIAS PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA SISTEMA HÍBRIDO DE PREVISÃO DE CARGA ELÉTRICA EM CURTO PRAZO UTILIZANDO REDES NEURAIS
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisEcho State Networks. Fabricio Breve João Bertini
Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
Leia maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisMineração de dados utilizando sistemas adaptativos de inferência neuro-fuzzy
Página73 Mineração de dados utilizando sistemas adaptativos de inferência neuro-fuzzy Thiago C. M. Nunes 1 Patricia B. Ribeiro 2 1 Departamento de Banco de dados (Fatec Bauru) Rua Manoel Bento Cruz, 3-30,
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisMini-projeto: Reconhecimento de Digitos com MLPs. Germano C. Vasconcelos Centro de Informática - UFPE
Mini-projeto: Reconhecimento de Digitos com MLPs Germano C. Vasconcelos Centro de Informática - UFPE 1 Link do Material http://neuralnetworksanddeeplearning.com/chap1.html 2 Objetivo: Treinar uma Rede
Leia maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisPREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY
Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisTREINAMENTO DE REDES NEUROFUZZY VIA APRENDIZADO PARTICIPATIVO
TREINAMENTO DE REDES NEUROFUZZY VIA APRENDIZADO PARTICIPATIVO Michel Hell, Pyramo Costa Jr., Rosângela Ballini, Fernando Gomide Universidade Estadual de Campinas, Av. Albert Einsten, 400 - Cidade Universitária
Leia maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia maisMETODOLOGIA HEURÍSTICA PARA PREVISÃO DE MERCADO A LONGO PRAZO BASEADA EM REDES NEURAIS ARTIFICIAIS
METODOLOGIA HEURÍSTICA PARA PREVISÃO DE MERCADO A LONGO PRAZO BASEADA EM REDES NEURAIS ARTIFICIAIS M. Sc. Andréia Oliveira Cuer Universidade Federal de Goiás. deia-oliveira@uol.com.br Prof. Dr. Gelson
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.2. Perceptron 2.2.1. Introdução 2.2.2. Funcionamento do perceptron
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisXII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
Leia maisO Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM)
O Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM) Thiago Henrique Cupertino SCE5809 - Redes Neurais 23 de Novembro de 2010 Conteúdo Introdução Desvantagens do
Leia maisTESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1
TESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1 Eliseu Kotlinski 2, Manuel Martín Pérez Reimbold 3. 1 Relatório
Leia mais3 Técnicas de Previsão de Séries Temporais 3.1. Introdução
3 Técnicas de Previsão de Séries Temporais 3.1. Introdução A previsão de séries temporais é um problema prático de extrema importância, presente em diversas áreas: economia, indústria, serviços, previsão
Leia maisUniversidade Estadual de Campinas
Universidade Estadual de Campinas Faculdade de Engenharia Elétrica e de Computação IA 353- Redes Neurais Relatório do Projeto Título: Previsão de Demanda de Energia Elétrica usando Redes Neurais Adaptativas
Leia mais( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão)
Introdução a Sistemas Inteligentes ópicos em Redes Neurais III: Redes Neurais RBF ª Parte Prof. Ricardo J. G. B. Campello ICMC / USP Aula de Hoje Revisão de Modelos RBF reinamento de Modelos RBF Estimação
Leia maisProcessing and load forecasting of a micro grid using GRNN neural network
Processing and load forecasting of a micro grid using GRNN neural network Code: 01.001 Monara P. R. Carvalho, Anna Diva Plasencia Lotufo Universidade Estadual Paulista, Ilha Solteira/SP 16/11/2017 1 Objetivos
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisJorge Caiado CEMAPRE/ISEG, Universidade Técnica de Lisboa Web:
CEMAPRE/ISEG, Universidade Técnica de Lisboa Email: jcaiado@iseg.utl.pt Web: http://pascal.iseg.utl.pt/~jcaiado/ 1 Uma série temporal (time series) consiste num conjunto de observações de uma variável,
Leia maisREDES NEURAIS RECORRENTES DE ELMAN PARA PREVISÃO DE DEMANDA DE ENERGIA ELÉTRICA NO CURTÍSSIMO PRAZO
REDES NEURAIS RECORRENTES DE ELMAN PARA PREVISÃO DE DEMANDA DE ENERGIA ELÉTRICA NO CURTÍSSIMO PRAZO LUCIANO CARLI MOREIRA DE ANDRADE, IVAN NUNES DA SILVA Laboratório de Automação Inteligente de Processos
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisResolução da Prova 1 SCC Redes Neurais 2o. Semestre de Prof. João Luís
Resolução da Prova 1 SCC-5809 - Redes Neurais 2o. Semestre de 2011 - Prof. João Luís RESOLUÇÃO (2) 1. A figura abaixo mostra uma rede neural com um único neurônio escondido. Mostre que essa rede resolve
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisAutor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
Leia maisUma abordagem Fuzzy para a previsão de curto-prazo do consumo de energia elétrica
Uma abordagem Fuzzy para a previsão de curto-prazo do consumo de energia elétrica Roger Júnio Campos, Tales Argolo Jesus, Centro de Pesquisa e Desenvolvimento em Engenharia Elétrica - CPDEE - UFMG, 31270-901,
Leia maisFORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD
FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD Roberto Max Protil - PUCPR Leandro dos Santos Coelho PUCPR Wesley Vieira
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisPREVISÃO DA PRODUÇÃO DE ÁLCOOL
APLICAÇÃO Aplicação DE REDES de redes NEURAIS neurais artificiais... ARTIFICIAIS NA 279 PREVISÃO DA PRODUÇÃO DE ÁLCOOL Application of artificial neural networks in the forecast of alcohol production Anderson
Leia maisCOMPARAÇÃO DE TÉCNICAS DE CONTROLE APLICADAS A UM SISTEMA DE LEVITAÇÃO MAGNÉTICA
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 04. rabalho apresentado no CMAC-Sul, Curitiba-PR, 04. COMPARAÇÃO DE ÉCNICAS DE CONROLE APLICADAS A UM SISEMA
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisPrevisão de Demanda de Energia Elétrica Utilizando Redes Neurais Artificiais e Support Vector Regression
Previsão de Demanda de Energia Elétrica Utilizando Redes Neurais Artificiais e Support Vector Regression Gabriel I. S. Ruas 1, Ticiano A. C. Bragatto 1, Marcus V. Lamar 2, Alexandre R. Aoki 3, Silvio Michel
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia mais4 Desenvolvimento dos Modelo
68 4 Desenvolvimento dos Modelo Neste capítulo são desenvolvidos três modelos para previsão da velocidade do vento, a saber: modelo estatístico que combina a metodologia do modelo Box&Jenkins com a regressão
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisDESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisSNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS GPL
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GPL 3 4 a 7 Outubro de 27 Rio de Janeiro - RJ GRUPO VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS GPL PREVISÃO DECENAL
Leia mais2ª PROVA ICIN 1º/2015
Departamento de Engenharia Elétrica Prof. Adolfo Bauchspiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 163848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 1
Leia maisPrevisão de Carga Horária em Médio Prazo Utilizando Redes Neurais com Foco na Previsão dos Feriados
Previsão de Carga Horária em Médio Prazo Utilizando Redes Neurais com Foco na Previsão dos Feriados R. R. B. de Aquino, A. A. Ferreira, G. B. Silva, O. Nóbrega Neto, M. M. S. Lira, J. B. Oliveira Departamento
Leia maisAvaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos
Avaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos Otávio Roberto Martins de Souza UFSC otavio@eps.ufsc.br Silvana Pezzi, M.Eng UFSC spezzi@eps.ufsc.br
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia maisARTIGO ORIGINAL. Métodos Avançados de Previsão de Séries Temporais Aplicados a Dados Socioeconômicos na Região Sul da Bahia
ARTIGO ORIGINAL Dados Socioeconômicos na Região Sul da Bahia Advanced Methods for Time Series Forecasting Applied to Bahia South Region Socioeconomic Data Darcio
Leia maisPrevisão de Carga Utilizando Redes Neurais: Uma Aplicação ao Sistema CEAL. Franklin Martins Pereira Pamplona UFCG/CEEI/DEE
2 a 25 de Agosto de 26 Belo Horizonte - MG Previsão de Carga Utilizando Redes Neurais: Uma Aplicação ao Sistema CEAL Nubia Silva Dantas Brito UFCG/CEEI/DEE nubia@ee.ufcg.edu.br Antonio Carlos Moreira de
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisUsando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
Leia maisUTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE VELOCIDADE DO VENTO
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2017 Hangar Convenções e Feiras da Amazônia - Belém - PA 8 a 11 de agosto de 2017 UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO
Leia maisJosé Francisco Moreira Pessanha
Pontifícia Universidade Católica do Rio de Janeiro Sistema de Inferência Neuro-Fuy Adaptativo - ANFIS José Francisco Moreira Pessanha Rio de Janeiro - RJ, 14 de junho de 00 Sumário 1 - Introdução - Sistema
Leia mais