Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia

Tamanho: px
Começar a partir da página:

Download "Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia"

Transcrição

1 Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia Aluno: Gabriel Leite Mariante Orientador: Marley Maria Bernardes Rebuzzi Vellasco Introdução e Objetivos O projeto GERABIO, financiado pela Light, é desenvolvido pela PUC-Rio em parceria com outras universidades do Rio de Janeiro. Seu objetivo é o desenvolvimento de uma ferramenta computacional que será utilizada para controle ambiental da água de reservatórios de usinas hidrelétricas pertencentes à Light no interior do estado do Rio de Janeiro. Este trabalho tem como objetivo o desenvolvimento de uma das funcionalidades que poderá ser utilizada pela referida ferramenta computacional. Neste trabalho, foi desenvolvido um sistema de previsão de séries temporais que se aplica de duas maneiras ao objetivo do projeto: previsão do nível de água dos reservatórios das usinas e do índice pluviométrico mensal nos mesmos. Para a realização das previsões, foi utilizada a tecnologia de Redes Neurais Artificiais, que tem inúmeras aplicações tanto acadêmicas como comerciais, sendo a previsão de séries temporais uma das mais comuns. O trabalho foi desenvolvido na forma de códigos no programa MatLab, que possui uma extensa biblioteca de funções para o uso de Redes Neurais ( nntool ) e que está disponível nos computadores do Departamento de Engenharia Elétrica da PUC. Aqui estão apresentados o procedimento e os principais resultados encontrados no desenvolvimento dos códigos. Redes Neurais na Previsão de Séries Temporais Redes Neurais, como o próprio nome indica, são algoritmos computacionais que têm como inspiração a forma de aprendizado desenvolvida pelos neurônios humanos, isto é, o aprendizado por experiência. De uma maneira geral, uma rede neural precisa de dados de entrada com seus respectivos resultados para ser treinada e, a partir daí, pode receber dados de entrada desconhecidos e realizar previsões. Neste caso específico, o objetivo da rede neural é prever uma série temporal, isto é, prever valores futuros de uma determinada variável baseado em uma base de dados que contém valores passados da referida variável. Nestas circunstâncias, deve-se escolher uma janela de previsão, isto é, o número de valores anteriores que serão usados como dados de entrada para a realização a previsão. Trata-se de um parâmetro muito importante neste caso, pois consiste em uma decisão a respeito do número de valores passados que é relevante para a previsão de um valor futuro. Foram testadas, como será visto mais a frente, uma variedade de janelas de previsão em cada reservatório analisado, tendo sido escolhida aquela na qual a Rede apresentou melhor desempenho. A janela de previsão, uma vez definida, é a principal componente dos dados de entrada de uma rede neural. Pode-se, caso se julgue necessário, acrescentar outras entradas que se considere relevante na previsão de um determinado valor. No caso das previsões realizadas neste trabalho, relativas a fatores meteorológicos (nível de água e precipitação), optou-se por incluir nos dados de entrada na rede o mês do ano referente ao valor final a ser previsto.

2 Outro aspecto importante a ser destacado a respeito da previsão de séries temporais utilizando Redes Neurais é o chamado horizonte de previsão. O horizonte de previsão é o número de valores futuros que se deseja prever a partir da série de valores passados. Neste trabalho, todas as previsões realizadas têm um horizonte de previsão ajustável que pode ser configurado através de um valor atribuído a uma variável do código escrito. Uma Rede Neural tem, naturalmente, uma única saída, que seria referente ao próximo valor da série temporal em questão. Trata-se da chamada previsão single-step (um passo a frente). No entanto, em certas aplicações (como é o caso deste trabalho), pode ser interessante prever resultados mais a frente, não se limitando ao próximo valor. Para atingir tal objetivo, é necessário partir de uma previsão single-step e, assumindo que seu valor é de fato o valor correto, utilizá-lo na entrada da rede para, então, prever o valor seguinte. É importante notar que o primeiro valor previsto (singlestep) não será, evidentemente, o valor exato mas, como não se sabe qual será o número correto, a previsão é utilizada como estimativa. Desta maneira, quando um valor previsto e, portanto, incorreto é utilizado como entrada para uma nova previsão, o erro do valor seguinte será ainda maior. Este processo pode ser repetido para o número de valores à frente que se desejar prever; trata-se da previsão multi-step (vários passos a frente). Como a previsão multi-step é, por definição, uma sequência de previsões single-step tomadas como verdadeiras (quando, na verdade, não o são), quanto maior o horizonte de previsão, maior será o erro no valor final, visto que o erro final é uma acumulação dos diversos erros das previsões single-step realizadas. Neste trabalho, foram realizadas previsões dos dois tipos: single-step e multi-step. Considerando as aplicações práticas do projeto final, é interessante que se possa realizar previsões que não se limitem a um único passo a frente. No entanto, é fácil perceber que, a partir de um certo número de passos a frente (lembrando que o horizonte de previsão, como já mencionado, é ajustado através de um valor atribuído a uma variável no código do programa desenvolvido), o erro do valor previsto passa a ser tão grande que a previsão passa a ter pouco valor. Não existe uma solução definitiva para isso, de modo que o horizonte de previsão deve, portanto, ser menor ou igual a um valor cujo erro final de previsão seja aceitável. Medidas de erro e desempenho da Rede Neural serão discutidas mais a fundo no próximo item. Medidas de Desempenho da Rede Neural Para avaliar a qualidade da previsões realizadas por uma Rede Neural, é necessário estabelecer uma (ou mais) medidas de desempenho. Existem inúmeras possiblidades de medição de desempenho de uma Rede. Neste trabalho escolhemos, como principal indicador, o erro absoluto médio percentual ou, como é mais conhecido por sua sigla em inglês, o MAPE (Mean Absolute Percentage Error). O MAPE é calculado tirando-se a média dos erros percentuais, em módulo, de todos os valores previstos pela Rede Neural, segundo a Equação 1. MAPE = 100% n n At Ft At t=1 Equação 1: Cálculo do MAPE, na qual At é o valor real, Ft é o valor previsto e n é o número de previsões

3 Para previsões single-step, o MAPE foi calculado levando-se em conta os diversos valores usados para teste da Rede Neural e seus erros na previsão do valor seguinte. Para previsões multistep, o MAPE foi calculado levando-se em conta os n (ver Eq. 1) valores do horizonte de previsão previstos a partir do último valor disponível da série histórica. A escolha do MAPE se deu, principalmente, em razão de sua natureza percentual. Isto significa que o erro é normalizado em relação ao valor real da série, permitindo, portanto, a comparação direta de desempenho entre séries temporais com valores diferentes. Neste trabalho, esta propriedade é particularmente útil, visto que os diferentes reservatórios de água tem níveis de água e índices pluviométricos médios bem diferentes entre si. É trivial perceber que o desempenho de uma dada Rede Neural será melhor quanto menor for o valor obtido para o MAPE. Outra medida de desempenho considerada neste trabalho, embora sem a mesma importância do MAPE, foi o coeficiente R de correlação, fornecido automaticamente pelo toolbox de Redes Neurais do MatLab. O coeficiente R, ao contrário do MAPE, só foi considerado para previsões single-step do conjunto de valores usados como teste da Rede (Equação 2). O coeficiente de correlação é uma medida que varia entre -1 e 1. Como, neste caso, o coeficiente é calculado entre o valor previsto e o valor real, quanto mais próximo de 1 for seu valor, mais próximo eles estão e, consequentemente, melhor é o desempenho da Rede. R = σ xy σ x σ y Equação 2: O coeficiente R é a divisão da covariância entre os valores previstos e os valores reais pelo produto de suas variâncias amostrais Previsão do Nível dos Reservatórios A primeira aplicação para Redes Neurais utilizada no trabalho foi, como já mencionado, a previsão diária do nível da água em reservatórios de hidrelétricas. Foram fornecidos, pela Light, dados de medições diárias do nível dos reservatórios no período de Janeiro de 2003 até Março de Os dados recebidos foram divididos da seguinte maneira: - 70% para treinamento dados usados para treinar a Rede Neural, isto é, formação dos valores internos dos pesos da Rede a partir de dados de entrada com seus respectivos resultados conhecidos - 15% para validação a cada ciclo de treinamento, este grupo de dados é utilizado como forma de teste instantâneo de desempenho da Rede eu dados conhecidos; a configuração final da rede vai ser aquela na qual o índice de acerto neste grupo for maior - 15% para teste dados utilizados para obter um resultado de desempenho da Rede para valores totalmente desconhecidos; o teste é aplicado após o final do treinamento/validação Inicialmente, dados relativos a dois anos de previsão (2011 e 2012) foram utilizados para o desenvolvimento de um código que serviu como base para o código final. Nesse estágio, a programação relativa a entrada e formatação de dados, configuração da Rede, janela de previsão, horizonte de previsão e avaliação de desempenho foi desenvolvida. A janela de previsão que, como já mencionada acima, é um dos parâmetros mais importantes para a previsão de séries temporais, foi estabelecida em 4 valores passados. Foram testados diversos

4 valores e concluiu-se que, de uma maneira geral, 4 era o número que proporcionava melhores resultados de desempenho na Rede Neural. Quanto ao horizonte de previsão, os testes multi-step foram realizados com um horizonte de 15 valores futuros (lembrando que, nesse estágios, os valores utilizados são diários). Este valor é configurável no código, bastando a alteração de um valor para que o horizonte mude (no código do MatLab a variável passos representa o horizonte). Após testes com diferentes valores de horizonte, estabeleceu-se que 15 era um valor razoável por ser grande o suficiente para ter utilidade prática em previsões futuras, mas não grande demais para apresentar erros inaceitáveis. Optou-se também por incluir o mês relativo ao dado a ser previsto de maneira binária. Como o ano tem 12 meses, foram necessários 4 dados de entrada para a inclusão de tal informação na Rede Neural (um para cada bit relativo à representação binária do mês). Incluiu-se também o dia do mês como dado de entrada. Dessa maneira, a Rede Neural passou a ter um total de 9 dados de entrada (4 dados da janela de previsão + 4 dados referentes aos bits do mês + 1 valor para o dia do mês = 9 dados). Outro procedimento importante realizado neste estágio foi a correção de dados faltantes na série temporal. A série histórica fornecida pela Light, por se tratar de um período longo de tempo, possui dados faltantes. Para corrigir este problema, cada dado faltante foi substituído pela média aritmética entre o dado anterior e o dado seguinte. Quanto ao número de neurônios (unidades processadoras) da camada escondida da Rede, optou-se, também após testes com diferentes valores, utilizar 4 neurônios. Desta maneira, a figura 1 esquematiza a configuração final da Rede Neural utilizada. Figura 1: Diagrama da Rede Neural: 9 dados de entrada, 4 neurônios na camada escondida e 1 dado de saída (valor previsto) Como os valores inicializados dos pesos da Rede Neural são aleatórios, a cada vez que a Rede é criada e treinada, mesmo que os dados utilizados sejam iguais, o resultado obtido é diferente. Para contornar esse problema, o código foi programado para que a Rede seja criada, treinada e aplicada um número ajustável de vezes (controlado pela variável iter ). O MAPE final utilizado é, então, a média dos valores de MAPE de todas as vezes que a Rede foi utilizada.

5 Reservatório Local de Medição MAPE Multi-Step MAPE Single-Step Ilha dos Pombos Montante 0,1727% 0,1393% Jusante 1,0313% 0,2489% Lajes Montante 0,0980% 0,0111% Ponte Coberta Montante 0,1767% 0,1952% Jusante 0,1057% 0,1326% Santa Branca Montante 0,1275% 0,0316% Jusante 0,0566% 0,0103% Santa Cecília Vargem Alegre 0,0358% 0,0232% Tomada D'água 0,0485% 0,0329% Barra do Piraí 0,0381% 0,0317% Santana Nova Esperança 0,0641% 0,0297% Montante 0,0372% 0,0179% Tocos Montante 0,1101% 0,1022% Vigário Canal de Vigário 0,0266% 0,0308% Descaga D'água 0,0253% 0,0308% Tomada D'água 0,0253% 0,0242% Média 0,1362% 0,0683% Tabela 1: Valores de MAPE para as previsões de nível diário dos reservatórios analisados A Tabela 1 mostra os resultados finais de MAPE encontrados para os diversos locais de medição dos diversos reservatórios avaliados. O MAPE Multi-Step foi calculado realizando a previsão dos últimos 15 valores cronologicamente da série temporal. A rede utilizada teve, como dados entrada (treinamento, validação e teste), todo os dados exceto os últimos 15 e, então, foi realizada uma previsão futura de 15 passos, na qual o MAPE foi calculado. Já o MAPE Single-Step foi calculado para a previsão um passo a frente de todos os valores do grupo de teste (isto é, 15% dos valores). É importante notar que os valores tanto do MAPE Multi-Step quanto do MAPE Single- Step são, na verdade, uma média de 30 iterações de Redes Neurais para cada ponto de medição de cada reservatório. Isto significa que 30 Redes diferentes foram criadas, treinadas, validadas, testadas e realizaram a previsão, obtendo, na média, o valor tabelado acima. Este número, como já mencionado, é totalmente programável, sendo apenas o valor atribuído a uma variável (a variável iter ; neste caso, fez-se iter=30). Como esperado, o valor médio do MAPE Multi-Step é maior do que o do MAPE Single- Step. Em alguns poucos casos, isto não ocorre, pois a Rede Neural diminui o erro com o passar do tempo, isto é, o erro do primeiro passo é maior que o dos passos seguinte. Não é o esperado, mas é possível.

6 Previsão do Índice Pluviométrico A outra aplicação para as previsões realizadas por Redes Neurais neste trabalho foi, como já mencionado, a previsão de séries temporais referentes ao índice pluviométrico mensal (medido em milímetros) dos mesmos reservatórios para os quais foram medidos os níveis de água. Os dados de entrada foram provenientes das mesmas planilhas fornecidas pela Light com dados relativos aos meses de Janeiro de 2003 até Março de Como o princípio é o mesmo, isto é, previsão de valores futuros a partir de uma série histórica, tentou-se usar, inicialmente, as mesmas configurações do código anterior, apenas com algumas adaptações relativas, naturalmente, à entrada dos dados utilizados na previsão. Com os mesmos valores de janela de previsão, horizonte e neurônios na camada escondida, porém, o resultado para a previsão multi-step foi muito ruim, com valores de MAPE altíssimos, muito superiores a 100%. Com o objetivo de melhorar o desempenho, fez-se, então, alterações na estrutura das Redes Neurais usadas, bem como nos dados de entrada. A variação no valor mensal da quantidade de chuva é, claramente, muito mais brusca do que a variação diária do nível de água de um reservatório. É intuitivo pensarmos que é muito mais fácil prever o nível de um reservatório amanhã a partir de seu nível hoje do que prever o quanto choverá no próximo mês a partir da quantidade de chuvas deste mês. Além disso, a quantidade de dados de entrada utilizados na previsão é 12 vezes menor, visto que a previsão do nível é feita a partir de dados diários, enquanto a previsão do índice pluviométrico é feita a partir de dados mensais. Dessa maneira, o desempenho muito pior sob as mesmas condições é esperado. A primeira e mais óbvia alteração feita é a diminuição do horizonte de previsão. A previsão, que era realizada 15 passos a frente, passou a ser realizada apenas 3 passos a frente. Tal valor é mais razoável com as condições mais complexas e variáveis da série temporal sem, porém, deixar de ser uma previsão futura condizente com as aplicações práticas. Para alguns reservatórios, ainda assim o resultado ficou muito ruim. Nestes casos, diminuiu-se para 2 passos o numero de previsões futuras. O horizonte de previsão de cada reservatório está tabelado abaixo junto com o resultado final da previsão multi-step. Um dos dados de entrada utilizado anteriormente já não se aplica mais nesse novo caso. Trata-se do dia do mês referente ao nível do reservatório. Tal entrada foi substituída por um novo dado, que representa a média dos índices pluviométricos do mês em questão a ser previsto, calculada com base nos dados fornecidos (por exemplo, se o objetivo é a previsão do índice do mês de abril, esse valor será a média de todos os meses de abril entre 2003 e 2012 fornecidos pela Light). Mudou-se também o modo como o mês a ser previsto é incluído nos dados de entrada da Rede. Na previsão do nível diário, o mês era codificado de maneira binária utilizando 4 bits. Nesta nova aplicação, optou-se por uma codificação binária utilizando 12 bits. Para cada mês específico, um dos 12 bits, referente ao número do mês, terá valor 1, enquanto os outros 11 bits terão valor 0. Por exemplo, o mês de abril, representado pelo número 4, será codificado da seguinte maneira: Outra alteração importante foi realizada na estrutura de neurônios e camadas das Redes Neurais. Por causa da já mencionada complexidade da série temporal em questão, resolveu-se acrescentar mais uma camada escondida de neurônios antes da saída dos dados. As Redes usadas possuem agora, portanto, duas camadas escondidas (figura 2) de processamento dos dados. Após vários testes, concluiu-se que o número de neurônios nestas camadas que apresentava melhor resultado foi diferente para cada reservatório. Estes números estão tabelados junto com os resultados finais das Redes. Outra alteração na estrutura interna na Rede foi a divisão de todos os valores iniciais aleatórios atribuídos aos pesos da Rede Neural por 100. Tal ajuste foi realizado como forma

7 de diminuir a variância do MAPE Multi-Step final pois percebia-se que, nas 30 iterações da Rede, o valor de MAPE encontrado variava de maneira muito intensa se fossem mantidos os valores originais atribuídos aleatoriamente pelo MatLab. Dividindo esses valores por 100, a variância diminuiu bastante, fazendo com o que o valor do MAPE ficasse sempre mais próximo do valor médio. Figura 2: Representação esquemática da Rede Neural com 2 camadas escondidas. A rede em questão possui 16 entradas: 12 bits de codificação do mês + 3 da janela de previsão + 1 da média mensal A última alteração foi relacionada à janela de previsão. Esta, assim como o número de neurônios nas camadas escondidas, provou-se diferente para cada reservatório. Foram testados, em cada um deles, diferentes valores de janela e aquele que apresentava o melhor resultado multi-step foi mantido. Tais valores também estão tabelados junto aos resultados finais de previsão. O resultado final das previsões multi-step, bem como os valores que diferem entre os reservatórios, estão expostos na Tabela 2. Reservatório MAPE Multi-Step Janela Horizonte Neurônios Ilha dos Pombos 60,23% e 6 Lajes 21,40% e 2 Ponte Coberta 33,32% e 2 Santa Branca 26,54% e 2 Santa Cecília 9,20% e 2 Santana 18,05% e 2 Tocos 22,10% e 2 Vigário - UEL 24,03% e 2 Canal de Vigário 14,76% e 2 Média: 26% Tabela 2: Resultados multi-step e outros dados relevantes para a previsão nos diferentes reservatórios A tabela 2 mostra que, mesmo após diversos ajustes e alterações nos dados de entrada e na estrutura das Redes Neurais utilizadas, nem todos os reservatórios tiveram seus índices pluviométricos previstos de maneira satisfatória. Considera-se que MAPE s Multi-Step da ordem entre 10% e 30%, para três valores futuros, são resultados satisfatórios. A maior parte dos reservatórios analisados está dentro desta margem. Alguns, porém, não estão. O esforço de ajuste técnico conseguiu reduzir o erro, mas não a ponto de poder considerá-lo satisfatoriamente baixo. Percebe-se claramente que o reservatório de Ilha dos Pombos tem um resultado muito pior do que

8 os outros, mesmo com um horizonte de previsão menor. Analisando a série temporal, percebe-se que ela é de fato mais complexa e com padrões mais irregulares do que as outras. A média dos valores de MAPE Multi-Step sem levar em conta este reservatório foi de 21,18%, que é um resultado bastante satisfatório. Alguns Gráficos Utilizados na Avaliação do Trabalho A seguir, estão anexados alguns exemplos de gráficos gerados pelo MatLab a partir dos códigos escritos que foram utilizados na avaliação de desempenho das previsões das Redes Neurais que tabeladas aqui. Gráfico 1: Previsão Multi-Step da Rede Neural e valores reais da série temporal para o nível em Santa Branca-Montante

9 Gráfico 2: Previsão single-step da Rede Neural (em verde) e valores reais da série (em azul) para o nível do reservatório de Lajes. O gráfico teve que ser aproximado, pois o erro single-step é tão pequeno nesta previsão que não se viam duas curvas separadas, apenas uma. Gráfico 3: Valores do MAPE Multi-Step para as 30 iterações da Rede Neural na previsão do índice pluviométrico do reservatório de Santa Cecília. Cada valor é o MAPE Multi-Step de uma Rede diferente que foi terinada, validade e testada com os mesmo dados de entrada. O valor médio (aqui, em torno de 9%) foi tabelado na Tabela 2

10 Gráfico 4: Aqui, são representados os valores do coeficiente R, citado como uma forma de avaliação single-step da Rede Neural, para a última (trigésima) iteração da previsão para o índice de chuvas do Reservatório de Lajes. Deve-se lembrar que o valor R pode variar entre 0 e 1, e quanto mais perto de 1 melhor é a previsão single-step. Conclusão Este trabalho permite concluir a respeito da eficácia do uso de Redes Neurais na previsão de séries temporais relativas a índices meteorológicos, tais como nível de água e índice pluviométrico. Redes Neurais, da maneira que foram utilizadas aqui, podem ser utilizadas para realizar previsões bastante acuradas de séries que têm até um certo grau de complexidade.

11 Como já dito, o resultado foi excelente quando da aplicação das Redes para prever o nível diário de água para um número razoavelmente grande (15) de passos a frente. A série temporal relativa a este dado é relativamente bem comportada e apresenta padrões de variação mais facilmente reconhecíveis por Redes Neurais. Na série relativa ao índice pluviométrico mensal, o resultado não foi tão bom. Tal diferença, como já citado neste relatório, é esperada devido à diferença da natureza dos dois dados previstos. O índice mensal de chuvas apresenta uma maior variação mensal e a correlação com os meses anteriores (é importante lembrar que os dados passados são a principal fonte de informação utilizada pela Rede para realizar a previsão) é, naturalmente, muito menor. Ainda assim pôde-se fazer, para a maior parte dos reservatórios medidos, uma previsão com um nível satisfatório de acerto. É possível que outros ajustes técnicos e computacionais pudessem ser feitos para melhorar ainda mais os resultados não satisfatórios. Tais eventuais ajustes estão, porém, fora do escopo deste trabalho. Finalmente, pode-se destacar as diversas aplicações de cunho científico que tecnologias semelhantes a esta aqui descrita podem ter. Aqui, Redes Neurais foram aplicadas, por sua capacidade preditiva, a uma importante ferramenta de controle ambiental. Existem, porém, inúmeros outros fins para os quais o mesmo tipo de previsão pode ser usada. Encontra-se diversos exemplos na indústria, no mercado, na academia e em qualquer outro campo que necessite de análise e tratamento de dados objetivando previsões futuras. Referências 1 VELLASCO, Marley M. B. R. Notas de Aula de Redes Neuaris. ICA PUC-Rio. Notas de Aula 2 SIQUEIRA, Jan K. Curso de MatLab. Notas de Aula 3 BATISTA, André Luiz F. Modelos de Séries Temporais e Redes Neurais Artificais na Previsão de Vazão Dissertação (Mestrado em Engenharia de Sistemas) Universidade Federal de Lavras, Minas Gerais. 2009

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Inteligência Artificial. Redes Neurais Artificiais

Inteligência Artificial. Redes Neurais Artificiais Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Projeto de Redes Neurais e MATLAB

Projeto de Redes Neurais e MATLAB Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação

Leia mais

Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais

Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais Redes Neurais Artificiais Prof. Wilian Soares João Vitor Squillace Teixeira Ciência da Computação Universidade

Leia mais

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida 27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma

Leia mais

Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais

Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José

Leia mais

MLP (Multi Layer Perceptron)

MLP (Multi Layer Perceptron) MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -

Leia mais

BROMBERGER, Dalton (UTFPR) daltonbbr@yahoo.com.br. KUMMER, Aulison André (UTFPR) aulisonk@yahoo.com.br. PONTES, Herus³ (UTFPR) herus@utfpr.edu.

BROMBERGER, Dalton (UTFPR) daltonbbr@yahoo.com.br. KUMMER, Aulison André (UTFPR) aulisonk@yahoo.com.br. PONTES, Herus³ (UTFPR) herus@utfpr.edu. APLICAÇÃO DAS TÉCNICAS DE PREVISÃO DE ESTOQUES NO CONTROLE E PLANEJAMENTO DA PRODUÇÃO DE MATÉRIA- PRIMA EM UMA INDÚSTRIA PRODUTORA DE FRANGOS DE CORTE: UM ESTUDO DE CASO BROMBERGER, Dalton (UTFPR) daltonbbr@yahoo.com.br

Leia mais

Marcio Cataldi 1, Carla da C. Lopes Achão 2, Bruno Goulart de Freitas Machado 1, Simone Borim da Silva 1 e Luiz Guilherme Ferreira Guilhon 1

Marcio Cataldi 1, Carla da C. Lopes Achão 2, Bruno Goulart de Freitas Machado 1, Simone Borim da Silva 1 e Luiz Guilherme Ferreira Guilhon 1 Aplicação das técnicas de Mineração de Dados como complemento às previsões estocásticas univariadas de vazão natural: estudo de caso para a bacia do rio Iguaçu Marcio Cataldi 1, Carla da C. Lopes Achão

Leia mais

Relatório de uma Aplicação de Redes Neurais

Relatório de uma Aplicação de Redes Neurais UNIVERSIDADE ESTADUAL DE MONTES CLAROS CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE CIÊNCIAS DA COMPUTACAÇÃO ESPECIALIZAÇÃO EM ENGENHARIA DE SISTEMAS DISCIPLINA: REDES NEURAIS PROFESSOR: MARCOS

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos

Leia mais

USO DE SIMULAÇÃO COMPUTACIONAL COMO APOIO PARA O DIMENSIONAMENTO DE RESERVATÓRIOS PARA ARMAZENAMENTO DE ÁGUA PLUVIAL

USO DE SIMULAÇÃO COMPUTACIONAL COMO APOIO PARA O DIMENSIONAMENTO DE RESERVATÓRIOS PARA ARMAZENAMENTO DE ÁGUA PLUVIAL UNIVERSIDADE FEDERAL DE SANTA CATARINA CENTRO TECNOLÓGICO DEPARTAMENTO DE ENGENHARIA CIVIL USO DE SIMULAÇÃO COMPUTACIONAL COMO APOIO PARA O DIMENSIONAMENTO DE RESERVATÓRIOS PARA ARMAZENAMENTO DE ÁGUA PLUVIAL

Leia mais

Previsão de demanda em uma empresa farmacêutica de manipulação

Previsão de demanda em uma empresa farmacêutica de manipulação Previsão de demanda em uma empresa farmacêutica de manipulação Ana Flávia Brito Rodrigues (Anafla94@hotmail.com / UEPA) Larissa Pinto Marques Queiroz (Larissa_qz@yahoo.com.br / UEPA) Luna Paranhos Ferreira

Leia mais

Figura 01: Aplicações do Filtro Espacial Passa-Baixa.

Figura 01: Aplicações do Filtro Espacial Passa-Baixa. 791 IMPLEMENTAÇÃO DE TÉCNICAS DE PRÉ-PROCESSAMENTO E PROCESSAMENTO DE IMAGENS PARA RADIOGRAFIAS CARPAIS Rafael Lima Alves 1 ; Michele Fúlvia Angelo 2 Bolsista PROBIC, Graduando em Engenharia de Computação,

Leia mais

Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica

Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica João Paulo Teixeira*, José Batista*, Anildio Toca**, João Gonçalves**, e Filipe Pereira** * Departamento de Electrotecnia

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem: 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico

Leia mais

REDES NEURAIS PARA PREDIÇÃO DE VARIÁVEIS CLIMÁTICAS RELEVANTES PARA A AGRICULTURA 1

REDES NEURAIS PARA PREDIÇÃO DE VARIÁVEIS CLIMÁTICAS RELEVANTES PARA A AGRICULTURA 1 ISSN 1413-6244 Empresa Brasileira de Pesquisa Agropecuária Centro Nacional de Pesquisa e Desenvolvimento de Instrumentação Agropecuária Ministério da Agricultura e do Abastecimento Rua XV de Novembro,

Leia mais

Palavras-chave: Mortalidade Infantil, Análise Multivariada, Redes Neurais.

Palavras-chave: Mortalidade Infantil, Análise Multivariada, Redes Neurais. UMA ANÁLISE COMPARATIVA DE MODELOS PARA CLASSIFICAÇÃO E PREVISÃO DE SOBREVIVÊNCIA OU ÓBITO DE CRIANÇAS NASCIDAS NO RIO DE JANEIRO EM 2006 NO PRIMEIRO ANO DE VIDA Mariana Pereira Nunes Escola Nacional de

Leia mais

Carga dos alimentadores

Carga dos alimentadores 50 Análise de consumo de energia e aplicações Capítulo V Carga dos alimentadores Por Manuel Luís Barreira Martinez* Em continuidade ao capítulo anterior, Locação de cargas métodos para a locação de carga

Leia mais

4 Avaliação Experimental

4 Avaliação Experimental 4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

Análise de Tendências de Mercado por Redes Neurais Artificiais

Análise de Tendências de Mercado por Redes Neurais Artificiais Análise de Tendências de Mercado por Redes Neurais Artificiais Carlos E. Thomaz 1 e Marley M.B.R. Vellasco 2 1 Departamento de Engenharia Elétrica (IAAA), FEI, São Paulo, Brasil 2 Departamento de Engenharia

Leia mais

Complemento IV Introdução aos Algoritmos Genéticos

Complemento IV Introdução aos Algoritmos Genéticos Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e

Leia mais

Análise econômica das novas regras de solvência das seguradoras brasileiras Francisco Galiza 1 Outubro/2007

Análise econômica das novas regras de solvência das seguradoras brasileiras Francisco Galiza 1 Outubro/2007 Análise econômica das novas regras de solvência das seguradoras brasileiras Francisco Galiza 1 Outubro/2007 1) Introdução Nos últimos dias úteis de 2006, o Conselho Nacional de Seguros Privados (CNSP)

Leia mais

Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação

Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação Laboratório da Disciplina CTA-147 Controle I Análise da Resposta Transitória (Este laboratório foi uma adaptação

Leia mais

A demanda pode ser entendida como a disposição dos clientes ao consumo de bens e serviços ofertados por uma organização.

A demanda pode ser entendida como a disposição dos clientes ao consumo de bens e serviços ofertados por uma organização. Previsão da Demanda As previsões têm uma função muito importante nos processos de planejamento dos sistemas logísticos, pois permite que os administradores destes sistemas antevejam o futuro e planejem

Leia mais

Introdução às Redes Neurais Artificiais

Introdução às Redes Neurais Artificiais Introdução às Redes Neurais Artificiais Treinamento via Algoritmos Genéticos Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola

Leia mais

Objetivos. Engenharia de Software. O Estudo de Viabilidade. Fase do Estudo de Viabilidade. Idéias chave. O que Estudar? O que concluir?

Objetivos. Engenharia de Software. O Estudo de Viabilidade. Fase do Estudo de Viabilidade. Idéias chave. O que Estudar? O que concluir? Engenharia de Software O Estudo de Viabilidade Objetivos O que é um estudo de viabilidade? O que estudar e concluir? Benefícios e custos Análise de Custo/Benefício Alternativas de comparação 1 2 Idéias

Leia mais

REDES NEURAIS APLICADAS À PREVISÃO DE SÉRIES TEMPORAIS

REDES NEURAIS APLICADAS À PREVISÃO DE SÉRIES TEMPORAIS REDES NEURAIS APLICADAS À PREVISÃO DE SÉRIES TEMPORAIS BATTAGELLO, Vinícius Antonio *, CORDEIRO, Marciso Xavier, DAL PINO Jr, Arnaldo Divisão de Ens. Fundamental - Instituto Tecnológico de Aeronáutica

Leia mais

Método de Monte Carlo e ISO

Método de Monte Carlo e ISO Método de Monte Carlo e ISO GUM para cálculo l de incerteza Prof. Dr. Antonio Piratelli Filho Universidade de Brasilia (UnB) Faculdade de Tecnologia Depto. Engenharia Mecânica 1 Introdução: Erro x incerteza

Leia mais

Aplicações Práticas com Redes Neurais Artificiais em Java

Aplicações Práticas com Redes Neurais Artificiais em Java com em Java Luiz D Amore e Mauro Schneider JustJava 2009 17 de Setembro de 2009 Palestrantes Luiz Angelo D Amore luiz.damore@metodista.br Mauro Ulisses Schneider mauro.schneider@metodista.br http://blog.mauros.org

Leia mais

Orientações para o Planejamento e Realização do Projeto Final

Orientações para o Planejamento e Realização do Projeto Final Orientações para o Planejamento e Realização do Projeto Final Simone Diniz Junqueira Barbosa Versão: 1.0.4 Orientações para o Planejamento e Realização do Projeto Final Sumário 1 Introdução... 3 2 Projeto

Leia mais

'LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU *OREDOGR(VWDGRGR56

'LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU *OREDOGR(VWDGRGR56 LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU OREDOGR(VWDGRGR56 6X]DQH5DQ]DQ 6LPRQH0&HUH]HU&ODRGRPLU$0DUWLQD]]R Universidade Regional Integrada do Alto Uruguai e das Missões, Departamento de

Leia mais

4 Segmentação. 4.1. Algoritmo proposto

4 Segmentação. 4.1. Algoritmo proposto 4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças

Leia mais

I WORKSHOP DE PREVISÃO DE VAZÕES. PREVISÃO DE VAZÕES COM O MODELO CPINS Cálculo e Previsão de Vazões Naturais e Incrementais a Sobradinho

I WORKSHOP DE PREVISÃO DE VAZÕES. PREVISÃO DE VAZÕES COM O MODELO CPINS Cálculo e Previsão de Vazões Naturais e Incrementais a Sobradinho I WORKSHOP DE PREVISÃO DE VAZÕES PREVISÃO DE VAZÕES COM O MODELO CPINS Cálculo e Previsão de Vazões Naturais e Incrementais a Sobradinho Luana F. Gomes de Paiva ; Giovanni C. L. Acioli RESUMO Este trabalho

Leia mais

Operador Nacional do Sistema Elétrico - ONS

Operador Nacional do Sistema Elétrico - ONS Operador Nacional do Sistema Elétrico - ONS Relatório dos Auditores Independentes sobre Asseguração Razoável do Programa Mensal de Operação - PMO e suas revisões Novembro, 2013 Centro Empresarial PB 370

Leia mais

ESTUDO DE PREVISÃO DE DEMANDA PARA EMPRESA DE EQUIPAMENTOS MÉDICOS DE DIAGNÓSTICO

ESTUDO DE PREVISÃO DE DEMANDA PARA EMPRESA DE EQUIPAMENTOS MÉDICOS DE DIAGNÓSTICO ESTUDO DE PREVISÃO DE DEMANDA PARA EMPRESA DE EQUIPAMENTOS MÉDICOS DE DIAGNÓSTICO Andréa Crispim Lima dekatop@gmail.com Manoela Alves Vasconcelos manoelavasconcelos@hotmail.com Resumo: A previsão de demanda

Leia mais

MODELAGEM DO CUSTO MARGINAL DA ENERGIA ELÉTRICA EM FUNÇÃO DO NÍVEL DE ARMAZENAMENTO NOS RESERVATÓRIOS

MODELAGEM DO CUSTO MARGINAL DA ENERGIA ELÉTRICA EM FUNÇÃO DO NÍVEL DE ARMAZENAMENTO NOS RESERVATÓRIOS SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GOP - 17 16 a 21 Outubro de 2005 Curitiba - Paraná GRUPO IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP MODELAGEM DO

Leia mais

3 Previsão da demanda

3 Previsão da demanda 42 3 Previsão da demanda Este capítulo estuda o processo de previsão da demanda através de métodos quantitativos, assim como estuda algumas medidas de erro de previsão. Num processo de previsão de demanda,

Leia mais

COPPE/UFRJ. CPE 721 - Redes Neurais Feedforward Prof.: Luiz Calôba

COPPE/UFRJ. CPE 721 - Redes Neurais Feedforward Prof.: Luiz Calôba COPPE/UFRJ CPE 721 - Redes Neurais Feedforward Prof.: Luiz Calôba PROGRAMA PARA DEMONSTRAÇÃO DO PROCESSO DE APRENDIZADO DOS NEURÔNIOS DA CAMADA INTERMEDIÁRIA DE UMA REDE NEURAL FEEDFORWARD DE 2 CAMADAS,

Leia mais

Cálculo do Volume de um Sólido de Revolução: Uma Atividade Usando os Softwares Graph e WxMaxima

Cálculo do Volume de um Sólido de Revolução: Uma Atividade Usando os Softwares Graph e WxMaxima Cálculo do Volume de um Sólido de Revolução: Uma Atividade Usando os Softwares Graph e WxMaxima Claudia Piva Depto de Física, Estatística e Matemática DeFEM, UNIJUÍ 98700-000, Ijuí, RS E-mail: claudiap@unijui.edu.br

Leia mais

3 Método de Monte Carlo

3 Método de Monte Carlo 25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional

Leia mais

16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros

16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros 16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros Eytan Modiano Códigos Cíclicos Um código cíclico é um código de bloco linear onde c é uma palavra-chave, e também

Leia mais

Gerenciamento de Projetos Modulo II Ciclo de Vida e Organização do Projeto

Gerenciamento de Projetos Modulo II Ciclo de Vida e Organização do Projeto Gerenciamento de Projetos Modulo II Ciclo de Vida e Organização do Projeto Prof. Walter Cunha falecomigo@waltercunha.com http://waltercunha.com PMBoK Organização do Projeto Os projetos e o gerenciamento

Leia mais

Recuperação de Leituras e Mapeamento Geoestatístico do Nível de Água Subterrâneo de uma Barragem de Terra no Estado do Paraná

Recuperação de Leituras e Mapeamento Geoestatístico do Nível de Água Subterrâneo de uma Barragem de Terra no Estado do Paraná Recuperação de Leituras e Mapeamento Geoestatístico do Nível de Água Subterrâneo de uma Barragem de Terra no Estado do Paraná Carina Pirolli COPEL - Companhia Paranaense de Energia, Curitiba, Brasil, carina.pirolli@copel.com

Leia mais

TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA

TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS

Leia mais

MetrixND. especificações. MetrixND - Ferramenta de previsão de energia elétrica

MetrixND. especificações. MetrixND - Ferramenta de previsão de energia elétrica MetrixND especificações MetrixND - Ferramenta de previsão de energia elétrica Visão geral O MetrixND da Itron é uma ferramenta de modelagem flexível, bastante usada pelos principais serviços de previsão

Leia mais

EDITAL DE TOMADA DE PREÇOS Nº

EDITAL DE TOMADA DE PREÇOS Nº ANEXO I EDITAL DE TOMADA DE PREÇOS Nº 006/2015 PROJETO DE VIABILIDADE TÉCNICA PARA ALTEAMENTO DO NIVEL NOMAL DO RESERVATÓRIO DO CIPÓ E AMPLIAÇÃO DAS USINAS BORTOLAN E VÉU DAS NOIVAS 1 - INTRODUÇÃO Esta

Leia mais

6 Simulação de tarifas de energia elétrica

6 Simulação de tarifas de energia elétrica 6 Simulação de tarifas de energia elétrica Concluída a construção da ferramenta computacional, foi possível realizar as simulações utilizando as funcionalidades para a qual esta foi desenhada. Os estágios

Leia mais

MODELAGEM CONCEITUAL EM MATEMÁTICA. UMA EXPERIÊNCIA COM O USO DO SOFTWARE CMAPTOOLS

MODELAGEM CONCEITUAL EM MATEMÁTICA. UMA EXPERIÊNCIA COM O USO DO SOFTWARE CMAPTOOLS MODELAGEM CONCEITUAL EM MATEMÁTICA. UMA EXPERIÊNCIA COM O USO DO SOFTWARE CMAPTOOLS Dr. André Ricardo Magalhães andrerm@gmail.com Universidade do Estado da Bahia Brasil Modalidade: Comunicação Breve Nível

Leia mais

Ajuste dos Parâmetros de um Controlador PI em uma Coluna de Destilação Binária

Ajuste dos Parâmetros de um Controlador PI em uma Coluna de Destilação Binária Ajuste dos Parâmetros de um Controlador PI em uma Coluna de Destilação Binária Marina Roberto Martins 1*, Fernando Palú 1 (1) Universidade Estadual do Oeste do Paraná, Curso de Engenharia Química. e-mail:

Leia mais

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron. 1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando

Leia mais

Curso Técnico Segurança do Trabalho. Higiene, Análise de Riscos e Condições de Trabalho MÄdulo 6 Programa de ConservaÇÉo Auditiva

Curso Técnico Segurança do Trabalho. Higiene, Análise de Riscos e Condições de Trabalho MÄdulo 6 Programa de ConservaÇÉo Auditiva Curso Técnico Segurança do Trabalho Higiene, Análise de Riscos e Condições de Trabalho MÄdulo 6 Programa de ConservaÇÉo Auditiva Propósito (Objetivo) do Programa O propósito (objetivo) do programa de Conservação

Leia mais

UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2

UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2 UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2 LISTA N O 2 Prof.: William Morán Sem. I - 2011 1) Considere a seguinte função distribuição conjunta: 1 2 Y 0 0,7 0,0

Leia mais

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS Mayara Condé Rocha Murça TRA-53 Logística e Transportes Setembro/2013 Introdução Estimativas acuradas do volume de produtos e serviços processados pela

Leia mais

4 Fator de carga e fator de demanda: conceituação

4 Fator de carga e fator de demanda: conceituação 4 Fator de carga e fator de demanda: conceituação 4.1. Fator de carga (FC) Segundo a resolução a normativa nº 414 de 9 de setembro de 2010 da ANEEL, o fator de carga é definido como sendo a razão entre

Leia mais

E-mail: rbrunow@uss.br

E-mail: rbrunow@uss.br ! " # $! &%'! ()*) ( +!, -,./!, ' *3.45 6 3 7 3 8 3 *3.49: 3 8 *- ; ,?3. @*

Leia mais

Aula 2 Aquisição de Imagens

Aula 2 Aquisição de Imagens Processamento Digital de Imagens Aula 2 Aquisição de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br EESC/USP Fundamentos de Imagens Digitais Ocorre a formação de uma imagem quando

Leia mais

Projeto Final de Engenharia de Computação

Projeto Final de Engenharia de Computação Orientações para Desenvolvimento do Projeto Final de Engenharia de Computação compilado por: Noemi Rodriguez texto baseado em: Orientações para o Planejamento e Realização do Projeto Final, de Simone Barbosa

Leia mais

4.1 A distribuição das características escolares: Infraestrutura

4.1 A distribuição das características escolares: Infraestrutura 52 4. Análise dos dados 4.1 A distribuição das características escolares: Infraestrutura Depois de formadas as escalas, o próximo passo foi analisar como as características das escolas estão distribuídas

Leia mais

Relatório Iniciação Científica

Relatório Iniciação Científica Relatório Iniciação Científica Ambientes Para Ensaios Computacionais no Ensino de Neurocomputação e Reconhecimento de Padrões Bolsa: Programa Ensinar com Pesquisa-Pró-Reitoria de Graduação Departamento:

Leia mais

Ferramenta de Testes de Programas para Auxílio na Aprendizagem de Programação

Ferramenta de Testes de Programas para Auxílio na Aprendizagem de Programação Ferramenta de Testes de Programas para Auxílio na Aprendizagem de Programação Denise Santiago (FURB) denise@senior.com.br Maurício Capobianco Lopes (FURB) mclopes@furb.br Resumo. Este artigo apresenta

Leia mais

A determinação do preço de venda do produto através da análise da Curva de Simom uma aplicação no jogo de empresas GI-EPS

A determinação do preço de venda do produto através da análise da Curva de Simom uma aplicação no jogo de empresas GI-EPS A determinação do preço de venda do produto através da análise da Curva de Simom uma aplicação no jogo de empresas GI-EPS Denis Rasquin Rabenschlag, M. Eng. Doutorando da Universidade Federal de Santa

Leia mais

Figura 18. Distâncias das estações em relação ao Inmet e Mapa hipsmétrico

Figura 18. Distâncias das estações em relação ao Inmet e Mapa hipsmétrico 44 Figura 18. Distâncias das estações em relação ao Inmet e Mapa hipsmétrico A Figura 18 servirá de subsídios às análises que se seguem, pois revela importantes informações quanto ao comportamento das

Leia mais

PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS

PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS Roosevelt Belchior Lima Neste artigo será apresentada uma proposta de acompanhamento

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem

Leia mais

Radar de Penetração no Solo e Meio- Ambiente

Radar de Penetração no Solo e Meio- Ambiente UNIVERSIDADE DE SÃO PAULO INSTITUTO DE ASTRONOMIA, GEOFÍSICA E CIÊNCIAS ATMOSFÉRICAS DEPARTAMENTO DE GEOFÍSICA Curso 3ª Idade Radar de Penetração no Solo e Meio- Ambiente Vinicius Rafael Neris dos Santos

Leia mais

Balanceamento de Carga

Balanceamento de Carga 40 4. Balanceamento de Carga Pode-se entender por balanceamento de carga uma política a ser adotada para minimizar tanto a ociosidade de utilização de alguns equipamentos quanto a super utilização de outros,

Leia mais

Estudo de Caso da Implantação do Nível G do MPS.BR em Uma Empresa

Estudo de Caso da Implantação do Nível G do MPS.BR em Uma Empresa Estudo de Caso da Implantação do Nível G do MPS.BR em Uma Empresa Dayana Henriques Fonseca 1, Frederico Miranda Coelho 1 1 Departamento de Ciência da Computação Universidade Presidente Antônio Carlos (UNIPAC)

Leia mais

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais.

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais. 1. Introdução A previsão de vendas é fundamental para as organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa. Contudo toda previsão carrega consigo

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não

Leia mais

Relatório Parcial SÃO PAULO, Av. Afrânio Peixoto, 412 - São Paulo (SP) - Brasil - 05507-000 Tel/Fax (55) (11) 3816.2737

Relatório Parcial SÃO PAULO, Av. Afrânio Peixoto, 412 - São Paulo (SP) - Brasil - 05507-000 Tel/Fax (55) (11) 3816.2737 1 AVALIAÇÃO DO CONSUMO DE INSUMOS (ÁGUA, ENERGIA ELÉTRICA E GÁS) EM CHUVEIRO ELÉTRICO, AQUECEDOR A GÁS, CHUVEIRO HÍBRIDO, AQUECEDOR SOLAR E AQUECEDOR DE ACUMULAÇÃO ELÉTRICO. Relatório Parcial SÃO PAULO,

Leia mais

INTRODUÇÃO 12 1 INTRODUÇÃO. 1.1 O despacho hidrotérmico centralizado

INTRODUÇÃO 12 1 INTRODUÇÃO. 1.1 O despacho hidrotérmico centralizado INTRODUÇÃO 12 1 INTRODUÇÃO 1.1 O despacho hidrotérmico centralizado No sistema elétrico brasileiro, assim como em outros países, como Chile, Argentina e Bolívia, a produção de energia de cada usina (termelétrica,

Leia mais

Desenvolvimento da Iluminação Pública no Brasil. Sistemas de gestão da iluminação pública

Desenvolvimento da Iluminação Pública no Brasil. Sistemas de gestão da iluminação pública 14 Capítulo IX Sistemas de gestão da iluminação pública Por Luciano Haas Rosito* Conforme apresentado no capítulo anterior, uma das oportunidades de melhoria na iluminação pública justamente refere-se

Leia mais

CURSO ON-LINE PROFESSOR GUILHERME NEVES 1

CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,

Leia mais

Ambiente de workflow para controle de métricas no processo de desenvolvimento de software

Ambiente de workflow para controle de métricas no processo de desenvolvimento de software Ambiente de workflow para controle de métricas no processo de desenvolvimento de software Gustavo Zanini Kantorski, Marcelo Lopes Kroth Universidade Federal de Santa Maria (UFSM) 97100-000 Santa Maria

Leia mais

1.2. Estado da arte.

1.2. Estado da arte. 1. Introdução A história recente do Sistema Elétrico Brasileiro é interessante. Depois de um longo período de monopólio estatal, o setor passou por profundas mudanças legais para tentar aumentar a eficiência

Leia mais

Cálculo numérico. ln 1 = 0. Representação numérica. Exemplo. Exemplos. Professor Walter Cunha. ln 1. I s

Cálculo numérico. ln 1 = 0. Representação numérica. Exemplo. Exemplos. Professor Walter Cunha. ln 1. I s Representação numérica Cálculo numérico Professor Walter Cunha Um conjunto de ferramentas ou métodos usados para se obter a solução de problemas matemáticos de forma aproximada. Esses métodos se aplicam

Leia mais

Autor(es) ROSIMARY COUTO PAIXÃO. Orientador(es) ADRIANA PETITO DE ALMEIDA SILVA CASTRO. Apoio Financeiro FAPIC/UNIMEP. 1.

Autor(es) ROSIMARY COUTO PAIXÃO. Orientador(es) ADRIANA PETITO DE ALMEIDA SILVA CASTRO. Apoio Financeiro FAPIC/UNIMEP. 1. 19 Congresso de Iniciação Científica AVALIAÇÃO DO DESEMPENHO TÉRMICO DE COBERTURAS DE POLICARBONATO E ACRÍLICO: ESTUDO DE CASO NO CAMPUS DA UNIMEP EM SANTA BÁRBARA DOESTE Autor(es) ROSIMARY COUTO PAIXÃO

Leia mais

Relatório da Aula Prática sobre Redes Neurais Artificiais

Relatório da Aula Prática sobre Redes Neurais Artificiais Relatório da Aula Prática sobre Redes Neurais Artificiais Instituto de Informática UFRGS Carlos Eduardo Ramisch Cartão: 134657 INF01017 Redes Neurais e Sistemas Fuzzy Porto Alegre, 16 de outubro de 2006.

Leia mais

Factor Analysis (FACAN) Abrir o arquivo ven_car.sav. Clique Extraction. Utilizar as 10 variáveis a partir de Vehicle Type.

Factor Analysis (FACAN) Abrir o arquivo ven_car.sav. Clique Extraction. Utilizar as 10 variáveis a partir de Vehicle Type. Prof. Lorí Viali, Dr. viali@pucrs.br; viali@mat.ufrgs.br; http://www.pucrs.br/famat/viali; http://www.mat.ufrgs.br/~viali/ Factor Analysis (FACAN) Abrir o arquivo ven_car.sav Utilizar as 10 variáveis a

Leia mais

Ajuste de modelos de redes neurais artificiais na precipitação pluviométrica mensal

Ajuste de modelos de redes neurais artificiais na precipitação pluviométrica mensal Ajuste de modelos de redes neurais artificiais na precipitação pluviométrica mensal 1 Introdução Antonio Sergio Ferraudo 1 Guilherme Moraes Ferraudo 2 Este trabalho apresenta estudos de série de precipitação

Leia mais

CONFECÇÃO DA BASE DE DADOS DA ATIVIDADE II.1.3

CONFECÇÃO DA BASE DE DADOS DA ATIVIDADE II.1.3 PROJETO GESTÃO INTEGRADA E SUSTENTÁVEL DOS RECURSOS HÍDRICOS TRANSFRONTEIRIÇOS NA BACIA DO RIO AMAZONAS, CONSIDERANDO A VARIABILIDADE E MUNDANÇA CLIMÁTICA OTCA/GEF/PNUMA COMPONENTE II Compreensão da base

Leia mais

Ferramenta computacional para implementação de redes neuronais optimização das capacidades gráficas

Ferramenta computacional para implementação de redes neuronais optimização das capacidades gráficas INEB- PSI Technical Report 2007-2 Ferramenta computacional para implementação de redes neuronais optimização das capacidades gráficas Alexandra Oliveira aao@fe.up.pt Professor Joaquim Marques de Sá December

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local

Leia mais

Sistema de Administração da Produção

Sistema de Administração da Produção Sistema de Administração da Produção (Extraído do livro Planejamento, Programação e Controle da Produção Enrique Correa e Irineu Gianesi e Mauro Caon Ed Atlas, 2001) 1. Definição São sistemas de Informação

Leia mais

Nathalie Portugal Vargas

Nathalie Portugal Vargas Nathalie Portugal Vargas 1 Introdução Trabalhos Relacionados Recuperação da Informação com redes ART1 Mineração de Dados com Redes SOM RNA na extração da Informação Filtragem de Informação com Redes Hopfield

Leia mais

Modelagem e Simulação Material 02 Projeto de Simulação

Modelagem e Simulação Material 02 Projeto de Simulação Modelagem e Simulação Material 02 Projeto de Simulação Prof. Simão Sirineo Toscani Projeto de Simulação Revisão de conceitos básicos Processo de simulação Etapas de projeto Cuidados nos projetos de simulação

Leia mais

UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA AULA 10 PROFª BRUNO CALEGARO

UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA AULA 10 PROFª BRUNO CALEGARO UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA AULA 10 PROFª BRUNO CALEGARO Santa Maria, 10 de Outubro de 2013. Revisão aula anterior Documento de Requisitos Estrutura Padrões Template Descoberta

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos

Leia mais

LIGHT ENERGIA S.A. 1º TRIMESTRE DE 2013

LIGHT ENERGIA S.A. 1º TRIMESTRE DE 2013 Rio de Janeiro, 10 de maio de 2013. LIGHT ENERGIA S.A. 1º TRIMESTRE DE 2013 Desempenho Operacional LIGHT ENERGIA (GWh) 1T13 1T12 % Venda no Ambiente de Contratação Regulada 263,7 1.052,0-74,9% Venda no

Leia mais

3 Modelo Computacional NEWAVE 3.1 Planejamento da Operação Energética Brasileira

3 Modelo Computacional NEWAVE 3.1 Planejamento da Operação Energética Brasileira 3 Modelo Computacional NEWAVE 3.1 Planejamento da Operação Energética Brasileira O Brasil apresenta o sistema de geração de energia predominante hídrico, com as usinas dispostas em cascata. Este sistema

Leia mais

Prof. Vitório Bruno Mazzola INE/CTC/UFSC 1. INTRODUÇÃO

Prof. Vitório Bruno Mazzola INE/CTC/UFSC 1. INTRODUÇÃO Capítulo 6 ENGENHARIA DE SOFTWARE CONCEITOS BÁSICOS Prof. Vitório Bruno Mazzola INE/CTC/UFSC 1. INTRODUÇÃO Nos anos 40, quando se iniciou a evolução dos sistemas computadorizados, grande parte dos esforços,

Leia mais

INFORMATIVO MENSAL FEV.2015

INFORMATIVO MENSAL FEV.2015 JAN MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ JAN MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ JAN INFORMATIVO MENSAL.215 Preço de Liquidação das Diferenças 45, 4, 35, 3, 25, 2, PLD Médio /215 PLD TETO 388,48

Leia mais