MODELO ADAPTATIVO BASEADO EM REGRAS NEBULOSAS APLICADO À PREVISÃO DE SÉRIES DE VAZÕES SEMANAIS
|
|
- Natan da Rocha Palmeira
- 7 Há anos
- Visualizações:
Transcrição
1 MODELO ADAPTATIVO BASEADO EM REGRAS NEBULOSAS APLICADO À PREVISÃO DE SÉRIES DE VAZÕES SEMANAIS IVETTE LUNA, SECUNDINO SOARES, ROSANGELA BALLINI Departamento de Engenhara de Sstemas DENSIS Faculdade de Engenhara Elétrca e de Computação FEEC Unversdade Estadual de Campnas UNICAMP Campnas, SP, Brasl Departamento de Teora Econômca DTE Insttuto de Economa IE Unversdade Estadual de Campnas UNICAMP Campnas, SP, Brasl Emals: luna@cose.fee.uncamp.br, dno@cose.fee.uncamp.br, balln@eco.uncamp.br Abstract Ths paper suggests an onlne algorthm for generatng Takag-Sugeno fuzzy systems appled for tme seres predcton. The model proposed s bult n two phases. Frst, the model structure s ntalzed va a constructve offlne adjustment, consderng only two ntal fuzzy rules. In the second phase, the system s modfed dynamcally, applyng a recursve learnng algorthm based on the expectaton maxmzaton technque, as well as addng and prunng operators. The adaptve learnng process reduces model complexty and defnes automatcally the model structure provdng an effcent model. The proposed approach s appled to buld a tme seres model for weekly streamflow forecastng and the results are compared wth evolvng Takag-Sugeno model. Results show the suggested model s effcent for tme seres modelng, provdng a smpler and parcmonous structure. Keywords Tme seres forecastng, EM algorthm, adaptve learnng. Resumo Este artgo propõe um modelo de aprendzado onlne baseado em regras nebulosas do tpo Takag-Sugeno, para modelos de séres temporas. A estrutura do modelo é construída em duas etapas. Na prmera etapa, o modelo é ncalzado utlzando um algortmo de aprendzado construtvo offlne, composto por duas regras nebulosas. Na segunda etapa, o modelo é modfcado de forma dnâmca, utlzando um algortmo de aprendzado recursvo baseado no algortmo de maxmzação de verossmlhança e em operadores de adção e punção de regras. O aprendzado adaptatvo, reduz a complexdade do modelo, e defne de forma automátca a sua estrutura. A proposta é aplcada na construção de um modelo de prevsão de vazões semanas e os resultados são comparados com o modelo evolutvo Takag-Sugeno. Os resultados obtdos mostram que a proposta é uma alternatva efcente para modelos de séres temporas, proporconando uma estrutura smples e parcmonosa. Palavras-chave Prevsão de séres temporas, algortmo EM, aprendzado adaptatvo. 1 Introdução Redes neuras e sstemas nebulosos têm se mostrado efcentes em dversas aplcações, destacando-se os modelos baseados em regras nebulosas, devdo a sua smplcdade e efcênca (Angelov and Flev, 24. Exstem dversas abordagens para a construção de sstemas baseados em regras. Uma técnca bastante dvulgada é a utlzação de algortmos de agrupamento, va a partção nebulosa do espaço de entrada em sub-regões, como o algortmo Fuzzy C-Means (Bezdek, 1981 e o algortmo da montanha (Yager and Flev, Por outro lado, exstem abordagens baseadas na alocação de modelos locas ou especalstas, as quas estão dretamente vnculadas ao prncípo de dvdr e conqustar, como é o caso dos modelos de mstura de especalstas (Jacobs et al., Devdo a complexdade dos problemas reas, os quas são, em geral, de natureza não lnear, tornase mpossível saber com antecedênca o número adequado de partções ou especalstas necessáros para a construção dos modelos. Como conseqüênca, abordagens de aprendzado onlne têm sdo desenvolvdas, fornecendo assm, estratégas de aprendzado com alta capacdade de adaptação a baxo custo computaconal. Segundo esta dreção, dversas técncas de aprendzado adaptatvas e não supervsonadas de modelos de redes neuras e de sstemas baseados em regras nebulosas vêm sendo desenvolvdas nos últmos anos. Os trabalhos descrtos em (Ramamurt and Ghosh, 1996, (Er and Wu, 22, (Angelov and Flev, 24 e (Leng et al., 25 são apenas alguns exemplos deste tpo de aprendzado, sendo que, estas propostas consderam tanto a adaptação dos parâmetros como da estrutura do modelo. Este artgo propõe um sstema adaptatvo baseado em regras nebulosas (A-FSM, sendo o algortmo de aprendzado baseado no algortmo de maxmzação da verossmlhança (EM (Jacobs et al., A vantagem de adotar técncas de aprendzado baseadas no algortmo EM, é a convergênca rápda do algortmo e a obtenção de ótmos locas, quando comparado ao algortmo de retropropagação temporal (Haykn, 21b. Além dsso, este artgo sugere uma versão adaptatva do algortmo EM tradconal, sendo este aplcado no ajuste de modelos baseados em regras nebulosas, efetuando o ajuste dos parâmetros e da estrutura do modelo a medda que os dados estão sendo apresentados ao sstema defnndo, de forma automátca, o número de regras necessáras a cada teração. O sstema adaptatvo é aplcado na prevsão de uma sére de vazões semanas do posto de Sobradnho.
2 O modelo A-FSM é comparado com o modelo evolutvo Takag-Sugeno ((ets, proposto em (Angelov and Flev, 24. Os resultados mostram que a técnca de aprendzado sugerda é efcente e mostra-se como uma alternatva para o ajuste dnâmco de modelos de séres temporas. Este artgo está organzado como segue. A Seção 2 descreve a estrutura geral do modelo (A-FSM. A Seção 3 detalha o algortmo de aprendzado. Os resultados de smulação são apresentados na Seção 4. Fnalmente, as conclusões são descrtas na Seção 5. 2 Estrutura do modelo A estrutura do sstema proposto é composta por um conjunto de M regras nebulosas de prmera ordem, do tpo Takag-Sugeno (TS (Takag and Sugeno, Sejam x k = [ x k 1, xk 2,..., xk p ] R p o vetor de entrada no nstante k, k Z +, e ŷk R a saída do modelo, para uma determnada entrada x k. A representação do sstema baseado em regras nebulosas, pode ser descrta por camadas. A partção do espaço de entrada é representada pelas prmeras duas camadas. Cada sub-regão gerada, é defnda por um centro c R p e por uma matrz de covarânca V de dmensão p p. Assm, cada vetor de entrada terá um grau de pertnênca assocado a cada uma das subregões geradas pela base de regras. A prmera camada é a responsável pelo cálculo das funções de pertnênca a cada teração k. Estas funções de pertnênca são defndas pelo produto α P k, sendo α coefcentes postvos tal que M =1 α = 1 e P k = P[ x k ] defnda como: P k = P[ x k ] = 1 (2π p/2 det(v 1/2 exp 1 2 (xk c V 1 (x k c T (1 na qual V e c são a matrz de covarânca e centro assocados à ésma regra, respectvamente. A Eq.(1 representa a probabldade de escolher a regra, dado que apenas a entradax k é conhecda, assm como os parâmetros V e c. Observa-se que P[ x k ] é uma função de densdade de probabldade condconal, que pode ser nterpretada como a probabldade do vetor de entrada x k pertencer à regão atva da ésma regra. O grau de pertnênca de cada padrão x k é representado por g (x k [, 1], dado por: M g (x k = g k = α P[ xk ] q=1 α q P[ q x k ] Estas funções de pertnênca g k são fornecdas pela segunda camada do modelo, tal que M =1 gk = 1. Os coefcentes α, = 1,...,M podem ser nterpretados como índces ndretos de relevânca para cada regra gerada durante o trenamento, de tal forma que, quanto mas alto seja o valor de α, maor será a mportânca da ésma regra nebulosa. (2 A saída do sstema ŷ k, é calculada na últma camada da estrutura do modelo, como uma combnação não lnear dos conseqüentes y k ponderados pelos seus respectvos graus de pertnênca g k, ou seja: ŷ k = M =1 g k y k (3 sendo, neste caso, a saída y k de cada regra R, defnda como: y k = φ k T θ (4 na qual φ k = [1 x k 1 x k 2...x k p] é um vetor que contém os dados de entrada x k e o termo constante; e θ = [θ θ 1... θ p ] é o vetor de coefcentes dos modelos locas lneares, de dmensão 1 (p + 1 para = 1,...,M, que representam os conseqüentes das regras nebulosas. Embora as Equações de (2-(4 consderem apenas uma únca saída, o modelo pode ser estenddo para múltplas saídas. Como pode ser observado, a dnâmca do modelo pode ser nterpretada como um mecansmo de nferênca nebulosa, sendo a base de regras composta por regras R, = 1,...,M, do tpo R k : Se x k pertence a ésma regão com grau de pertnênca g k Então y k = φk θ T. 3 Aprendzado Adaptatvo A dentfcação do modelo baseado em regras nebulosas é feta de forma que tanto a estrutura do modelo como os parâmetros sejam defndos smultaneamente durante o aprendzado. Assm, o objetvo do aprendzado adaptatvo é: Defnr o número de regras M que compõe a estrutura do modelo a cada teração k; Defnr os parâmetros dos antecedentes das regras nebulosas, ou seja, os centros c e as matrzes de covarânca V, = 1,...,M; Defnr os parâmetros dos conseqüentes ou modelos locas θ, = 2,...,M O processo de aprendzado pode ser dvddo em duas etapas: ncalzação do modelo e aprendzado onlne. Na prmera etapa, um método de aprendzado offlne construtvo é usado para um ajuste ncal de uma base de regras composta por duas regras. Para o ajuste dessa base de regras é utlzada uma pequena parte do hstórco da sére temporal. Essa ncalzação se faz necessára para que seja defndo um ótmo local factível. Na segunda fase, a estrutura ncal e os parâmetros do modelo são ajustados de forma dnâmca conforme os dados são apresentados ao modelo va um método de aprendzado onlne. A segur, cada uma dessas etapas é detalhada. 3.1 Incalzação A ncalzação do modelo utlza um aprendzado construtvo baseado no algortmo EM (Jacobs et al., Este algortmo é composto por uma seqüenca
3 teratva de passos EM que maxmza a função de verossmlhança por meo do ajuste dos parâmetros do modelo. O algortmo construtvo (Luna et al., 27, é uma modfcação do algortmo EM tradconal, pos consdera, durante o processo de ajuste dos parâmetros, operadores de adção de novas regras à estrutura, assm como, operadores de punção ou elmnação de regras exstentes e pouco relevantes para o modelo de prevsão. Este algortmo é aplcado para ncalzar o modelo adaptatvo, por meo de um processo de ajuste offlne, obtendo assm, uma ncalzação adequada, que dará níco à segunda etapa do processo de aprendzado. Seja V a matrz de covarânca dagonal e defnda postva, de tal forma que soluções nfactíves sejam evtadas. De acordo com o algortmo EM (Jacobs et al., 1991, e deduzndo as equações para a maxmzação da função de verossmlhança, uma solução ótma para o modelo proposto a cada passo M é defndo por: α = 1 N h k (5 N ( N N c = h k x k / h k (6 ( N N V = h k (xk c (x k c / h k (7 para = 1,...,M, onde N é o número de dados utlzado na fase de ncalzação e h k, = 1,...,M é a probabldade a posteror estmada no passo E do processo de otmzação. Uma solução ótma para θ surge a partr da solução va mínmos quadrados, para a segunte equação: N h k σ 2 ( y k φ k θ φ k = (8 na qual y k a saída desejada no nstante k e σ o desvo padrão assocado à saída local y, = 1,...,M, sendo a varânca σ 2 dada por: ( N N σ 2 = h k [y k y k ] 2 / h k (9 Maores detalhes referentes ao algortmo EM podem ser encontrados em (Jacobs et al., O algortmo de aprendzado construtvo é utlzado para ncalzar o modelo e defnr de forma automátca a base de regras ncal do aprendzado onlne. Como fo menconado no níco da seção, este algortmo utlza operadores de adção e elmnação de regras nebulosas. Estes operadores também serão utlzados como base para a adaptação da estrutura do modelo no aprendzado onlne Adção offlne de regras nebulosas O crtéro proposto para determnar uma stuação na qual é necessáro gerar uma nova regra nebulosa é chamado de crtéro do antecedente. Este crtéro verfca se a base de regras atual cobre o espaço de entrada de forma adequada. Assm, cada dado apresentado ao modelo deve pertencer a uma regão atva de pelo menos uma das regras nebulosas já exstentes na estrutura do modelo, com uma probabldade mínma superor a um lmar prevamente defndo. Supondo que os dados tenham uma dstrbução normal, para um dado nível de confança de γ%, os dados pertencentes à regão atva da ésma regra nebulosa estarão contdos no ntervalo [c z γ dag(v,c + z γ dag(v ], onde dag(v é a dagonal prncpal de V. Neste artgo fo adotado um nível de confança γ = 72, 86%, resultando em um z γ = 1, 1 (valor encontrado na tabela de dstrbução normal e um lmar gual a, Esta condção mplca que a máxma probabldade P[ x k ] de x k atvar pelo menos uma das regras nebulosas tem que ser maor que, Ou seja: max ( P[ x k ] >, 1357 (1 =1,...,M Se a condção defnda pela Eq. (1 não é satsfeta por um ou mas dados do conjunto de trenamento, sgnfca que estes dados possuem uma probabldade de pertencer a alguma regão atva coberta pela base de regras, nferor ao desejado. Denotando por Ω o conjunto contendo todos os dados entrada-saída que não satsfazem a Eq. (1, uma nova regra será nserda à estrutura do sstema. Assm, M = M + 1 (11 e a estmatva ncal do centro desta nova regra c M é dada por: c M = 1 x t (12 N Ω t Ω sendo N Ω o número de dados [x t y t ] em Ω. Além dsso, os demas parâmetros assocados a essa nova regra são ncalzados da segunte forma: σ M = 1, ; θ M = [ȳ... ] 1 (p+1, sendo ȳ o valor médo das saídas desejadas pertencentes ao conjunto Ω. Os parâmetros α e V, para = 1,..., M, devem ser re-ncalzados de acordo com: V = 1 4 I, onde I p p é a matrz dentdade; α = 1/(M. Como α ndca a relevânca de cada regra nebulosa, a sua re-ncalzação é necessára para que todas as regras tenham o mesmo peso, fazendo com que o ajuste dos parâmetros seja não-tendencoso, obtendo assm uma nova partção do espaço de entrada. A rencalzação de V é necessára já que o processo de re-ajuste defnrá novos valores de dspersão para cada regra nebulosa, de acordo com a nova partção gerada, ou seja, consderando neste processo a nova regra nserda na estrutura do modelo.
4 3.1.2 Elmnação offlne de regras nebulosas Como pode ser observado na Eq. (5, α pode ser nterpretado como uma medda da relevânca que cada regra nebulosa tem para a estrutura atual do modelo, quando comparadas entre s. Isto acontece porque α é proporconal a soma de todas as probabldades h k, as quas também podem ser consderadas como estmatvas a posteror das funções de pertnênca g k, sob o conjunto de dados de trenamento. Assm, quanto mas vezes a ésma regra nebulosa for atvada, maor será o valor de α. Logo, α é o parâmetro que defn se exste ou não alguma regra a ser punda e elmnada da estrutura do modelo. Para tal, a regra com menor α será uma boa canddata e, para um dado lmar α mn, toda regra com α < α mn a cada teração, será elmnada da estrutura do sstema. Após a nserção ou elmnação de alguma regra, o modelo será reajustado durante algumas terações EM por meo das equações defndas na Seção 2 e Subseção 3.1. O processo global de aprendzado é fnalzado após atngr a convergênca e quando não exstr mas mudanças na estrutura do modelo. Estes dos operadores de regras nebulosas também serão utlzados no aprendzado onlne, consderando algumas modfcações que serão descrtas a segur. 3.2 Aprendzado onlne O aprendzado onlne de modelos baseados em regras nebulosas, tem se tornado um método promssor, com dversos trabalhos propondo esta abordagem. Alguns exemplos de modelos com aprendzado onlne, que além de consderar o ajuste dos parâmetros, também consderam a adaptação da estrutura são os trabalhos desenvolvdos por J. Er (Er and Wu, 22 e os modelos produzdos por P. Angelov (Angelov and Flev, 24. O maor atratvo do aprendzado onlne, no caso da construção de modelos de séres temporas, é que não é necessáro re-ajustar o modelo com todo o hstórco da sére, toda vez que um novo dado é dsponblzado. Além dsso, a estrutura do modelo é modfcada de acordo com a necessdade ao longo do tempo. Este artgo propõe um aprendzado onlne de modelos de séres temporas baseados em regras nebulosas, transformando as Eqs. (5-(9 para uma versão recursva, de tal forma que o ajuste da estrutura e dos parâmetros do modelo sejam fetos dnâmca e smultaneamente. O aprendzado adaptatvo é realzado a cada nstante de tempo k, k = 1, 2,.... Neste tpo de aprendzado as nformações mas recentes têm uma maor nfluênca no ajuste dos parâmetros e na estrutura do modelo. Observando a Eq. (5, e consderando uma janela no tempo T = N, esta equação pode ser reescrta como segue: α N = 1 N N h k = 1 N 1 N ( h k + h N = 1 [(N 1αN 1 + h N ] N = α N N [hn α N 1 ] (13 onde h N é a estmação a posteror de g k e αn 1 é o valor estmado para α consderando apenas os N 1 dados ncas. Como pode ser observado, a Eq. (13 é uma estmação recursva de (5. Segundo este mesmo procedmento para um número genérco de terações k e com uma janela no tempo T, as Eqs. (5-(9 podem ser re-escrtas recursvamente, obtendo as seguntes aproxmações: V k+1 = V k + 1 α k+1 = α k + 1 T [hk α k ] (14 c k+1 = c k + 1 (σ 2 k+1 = (σ 2 k + 1 na qual: 1 [x k c k ] (15 [(x k c k (x k c k V k ] (16 [(y k y k 2 (σ 2 k ] (17 = hk+1 k+1 t=1 ht (18 Denotando por S k+1 = k+1 t=1 ht, e S (x k+1 =, uma aproxmação para k+1 pode ser obtda h k+1 como: Re-escrevendo S k+1 t=1 ht S k+1 S (x k+1 + T 1 T Sk (19 S k+1 tem-se: S k + [S (x k+1 Sk T ] (2 A Eq. (2 expõe alguns aspectos nteressantes referentes às estmatvas adotadas. S k /T pode ser nterpretada como uma estmatva do valor médo de α no ntervalo de tempo T, prévo a k + 1. Assm, quanto maor for S k /T, maor será a mportânca da ésma regra para a próxma teração. Se S (x k+1 obtém um valor baxo em T, então S k+1 dmnurá e a ésma regra terá um rsco maor de ser elmnada. Para estmar θ, aplca-se o algortmo recursvo dos quadrados mínmos ponderados (wrls, o qual consdera um fator de esquecmento ao longo do tempo (f forget. Maores detalhes concernentes a este algortmo de otmzação podem ser encontrados em (Haykn, 21a e em (Ramamurt and Ghosh, Assm, as equações do algortmo wrls adaptadas ao problema de otmzação de θ são defndas como: na qual: θ k+1 = θ k + C k+1 φ k h k (y k y k (21 C k+1 C k = fforget k + hk (φk T C k (22 φk é a matrz de covarânca para cada θ durante o ajuste onlne. Neste artgo, o fator de esquecmento f forget (, 1] fo ncalzado para k = como fforget =, 85 e suavemente ncrementado, tal que 1,. f forget
5 As condções ncas para θ, = 1,...,M foram dadas pelos valores obtdos na fase de ncalzação. Desta forma, e após a fase de ncalzação, o aprendzado onlne é aplcado. Enquanto os parâmetros dos modelos são ajustados utlzando as Eqs. (14- (22, para ajustar a estrutura do modelo a cada teração é necessáro adaptar os operadores de adção e elmnação utlzados na fase de ncalzação Geração onlne de regras nebulosas Smlar ao operador de geração de regras novas utlzado na fase offlne de ncalzação, a geração onlne de regras nebulosas será aplcada verfcando a condção defnda na Eq. (1 para o dado atual de entrada x k. Caso esta condção não seja satsfeta, uma nova regra é gerada, sendo os seus parâmetros ncalzados como segue: c k+1 M+1 = xk σ k+1 M+1 = 1.; θ k+1 M+1 = [yk... ] 1 p+1 V k+1 M+1 = 1 4 I, onde I é uma matrz dentdade de ordem p p; α k+1 M+1 = 1 5. Embora este valor ncal seja pequeno o sufcente para nterferr na dnâmca da estrutura atual, todos os parâmetros α, = 1,...,M +1 são re-normalzados tal que a soma de todos estes coefcentes seja sempre gual a undade Elmnação onlne de regras nebulosas O operador de punção ou elmnação de regras nebulosas no aprendzado onlne, basea-se no operador utlzado no aprendzado construtvo da fase de ncalzação. No entanto, uma condção a mas deve ser verfcada. Após uma regra ser gerada e nserda na estrutura do modelo, o seu respectvo α terá um valor pequeno. Caso o operador de punção seja aplcado dretamente, a regra recém gerada será elmnada, sem ter um tempo mínmo para o seu ajuste e posteror verfcação da sua relevânca para as futuras terações. Esta stuação é resolvda defnndo um índce chamado de índce de permanênca τ. Cada vez que uma nova regra é gerada, o seu respectvo índce de permanênca será ncalzado e ncrementado a cada atvação no futuro. Ou seja: τ k+1 = τ k + 1 (23 Assm, uma regra poderá ser elmnada apenas se o α assocado a essa regra for nferor ao lmar prédefndo e τ k > ɛt, onde ɛ > e T é a mesma janela no tempo utlzada durante o ajuste onlne. Esta condção garante que nenhuma regra seja elmnada logo após a sua nserção na estrutura do modelo, permtndo o seu ajuste durante um mínmo de tempo, elmnando assm, osclações bruscas e pouco necessáras na estrutura do modelo. 4 Prevsão de séres temporas O modelo proposto é utlzado na construção de um modelo de sére temporal para a sére de vazões semanas do posto de Sobradnho, localzado na baca do ro São Francsco, regão nordeste do Brasl. Estes dados abrangem o período da prmera semana de Janero de 1931 até a últma semana de Dezembro de 2. Os dados são separados em dos conjuntos. O prmero, composto apenas pelos prmeros cnco anos é utlzado na fase de ncalzação do modelo. Este mesmo conjunto de dados é analsado para a seleção adequada de entradas para o modelo de prevsão. Para tal, utlzou-se o crtéro de Informação Mútua Parcal (PMI, aplcando a metodologa descrta em (Luna et al., 26. De acordo com este crtéro, a partr de um conjunto ncal de possíves entradas gual a 15, foram seleconados os atrasos 1, 2, 3 e 6, para a construção do modelo de sére temporal. Assm, os vetores de entrada-saída são construídos, e procede-se a ncalzação do modelo, usando o algortmo offlne. O parâmetro α mn para a fase de ncalzação fo gual a, 1 obtendo uma estrutura ncal composta por 18 regras nebulosas. A fase de ajuste onlne fo ncalzada a partr da prmera semana de Janero de O parâmetro α mn para esta fase de ajuste dnâmco fo gual a, 25, T = 14, o qual representa uma janela de tempo equvalente aos dos últmos anos, e ɛ =.5. A Fgura 1 lustra a varação do número de regras durante o aprendzado onlne. Em geral, o número de regras durante o ajuste onlne da estrutura do modelo de sére temporal é sempre menor ou gual ao número ncal de regras obtdas na ncalzação offlne. Isto ocorre pos o aprendzado onlne permte que a estrutura do modelo mantenha apenas as regras nebulosas de maor relevânca no período T medatamente anteror ao nstante atual k+1, mesmo defnndo um α mn maor que o utlzado na fase de ncalzação. Para um nstante k > 5, nota-se que a estrutura do modelo osclou entre um total de 4 a 12 regras nebulosas. Número de regras nebulosas (M k Fgura 1: Varação do número de regras durante o aprendzado onlne. A Fgura 2 lustra a análse dos resíduos durante o aprendzado onlne para verfcar a adequação do modelo. A Fgura 2-(a lustra a função de autocorrelação parcal estmada e a Fgura 2-(b lustra a fun-
6 r k ção de correlação cruzada estmada a cada teração. Em ambas fguras, as lnhas tracejadas representam os lmtes ±2/ n, os quas fornecem uma ndcação geral de possível quebra do comportamento de ruído branco, com n gual ao número de graus de lberdade do modelo obtdo. Observa-se que, a medda que os dados são apresentados ao modelo, os resíduos estmados estão sendo menos correlaconados, localzandose dentro dos lmtes permtdos. Para comparação dos resultados, neste artgo o modelo ets fo ajustado para a sére de vazões semanas. Como o modelo pode ser ncalzado sem nenhuma nformação a pror, ou seja, sem nenhuma regra e com somente um dado, o modelo ets fo aplcado as séres de vazões para prevsão um passo à frente, a partr do ano de s k (a k (b k Fgura 2: Análse dos resíduos. A Fgura 3 apresenta as prevsões da sére de vazões para os modelos A-FSM e ets, na prevsão um passo à frente, a partr da prmera semana de Janero de 1991 até a últma semana de Dezembro de 2. A Tabela 1 apresenta os erros relatvo médo (ERM (%, raíz do erro quadrátco médo (REQM (m 3 /s, absoluto médo (EAM (m 3 /s e coefcente de correlação (ρ para os modelos A-FSM e ets, no período de Janero de 1936 a Dezembro de 2. Vazao (m 3 /s Vazao (m 3 /s Real A FSM tempo x tempo Fgura 3: Prevsão um passo à frente. Tabela 1: Erros de prevsão. Modelo M ERM REQM EAM ρ (rules (% (m 3 /s (m 3 /s A-FSM ,74 614,4 335,75,91 ets 13 17,52 57,77 341,88,92 Real ets 5 Conclusões Este artgo apresenta um modelo baseado em regras nebulosas com aprendzado adaptatvo para prevsão de séres temporas. A estratéga de aprendzado é baseada no algortmo de otmzação EM e em operadores de adção e elmnação de regras nebulosas da estrutura do modelo. Estes operadores são aplcados durante o aprendzado defnndo de forma automátca a estrutura do modelo. O modelo A-FSM fo aplcado para a geração de um modelo de prevsão de vazões semanas do posto de Sobradnho, e aplcado na prevsão um passo à frente e os resultados foram comparados com o modelo ets. A análse apresentada mostrou que o sstema nebuloso proposto fornece modelos de prevsão adequados e parcmonosos. Agradecmentos Os autores agradecem à Fundação de Amparo à Pesqusa do Estado de São Paulo (FAPESP, ao Conselho Naconal de Desenvolvmento Centífco e Tecnológco (CNPq, pelo auxílo. Referêncas Angelov, P. P. and Flev, D. P. (24. An Approach to Onlne Identfcaton of Takag-Sugeno Fuzzy Models, IEEE Transactons on Systems, Man and Cybernetcspart B 34(1: Bezdek, J. (1981. Pattern Recognton wth Fuzzy Objectve Functon Algorthms, New York, USA: Plenum Press. Er, M. J. and Wu, S. (22. A fast learnng algorthm for parsmonous fuzzy neural systems, Fuzzy Sets and Systems 126: Haykn, S. (21a. Kalman Flterng and Neural Networks, John Wley & Sons, Inc.. Haykn, S. (21b. Redes Neuras, Prncípos e Prátca, 2 edn, Bookman. Jacobs, R., Jordan, M., Nowlan, S. and Hnton, G. (1991. Adaptve Mxture of Local Experts, Neural Computaton 3(1: Leng, G., McGnnty, T. and Prasad, G. (25. An approach for on-lne extracton of fuzzy rules usng a selforgansng fuzzy neural network, Fuzzy Sets and Systems 15(2: Luna, I., Balln, R. and Soares, S. (26. Técnca de dentfcação de modelos lneares e não-lneares de séres temporas, Sba: Controle & Automação Socedade Braslera de Automatca 17: Luna, I., Soares, S. and Balln, R. (27. A Constructve- Fuzzy Rube Based System for Tme Seres Forecastng, Internatonal Jont Conference on Neural Networks - IJCNN 7. Ramamurt, V. and Ghosh, J. (1996. Structural Adaptaton n Mxture of Experts, 13th Internatonal Conference on Pattern Recognton 4: Takag, T. and Sugeno, M. (1985. Fuzzy Identfcaton of Systems and Its Applcatons to Modelng and Control, IEEE Transactons on Systems, Man and Cybernetcs (1: Yager, R. and Flev, D. (1994. Essentals of Fuzzy Modelng and Control, John Wley and Sons. Inc.
XIX Seminário Nacional de Distribuição de Energia Elétrica. Previsão do Consumo Regional da Elektro em Horizonte Anual com Modelos de Rede Neurais
XIX Semnáro Naconal de Dstrbução de Energa Elétrca SENDI 2010 22 a 26 de novembro São Paulo - SP - Brasl Prevsão do Consumo Regonal da Eletro em Horzonte Anual com Modelos de Rede Neuras Ivette R. Luna
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão.0 XXX.YY 22 a 25 Novembro de 2009 Recfe - PE GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP SISTEMA
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
METODOLOGIA BASEADA EM REALIZAÇÃO DE AUTO-SISTEMA PARA IDENTIFICAÇÃO FUZZY EVOLUTIVA DE SISTEMAS DINÂMICOS MULTIVARIÁVEIS NÃO-LINEARES Luís Mguel Magalhães Torres, Gnalber Luz de Olvera Serra Av dos Portugueses,
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisINCORPORAÇÃO DE RECORRÊNCIA EM ESTRUTURAS NEURAIS NEBULOSAS
INCORPORAÇÃO DE RECORRÊNCIA EM ESTRUTURAS NEURAIS NEBULOSAS Ivette Luna 1, Rosangela Balln 2, Fernando Gomde 3 1,3 Unversdade Estadual de Campnas Faculdade de Engenhara Elétrca e de Computação 13083-970
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisPrioridades com Teste de Escalonabilidade
rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisMÉTODOS ITERATIVOS PARA PROBLEMAS DE PROGRAMAÇÃO MATEMÁTICA COM INCERTEZAS
Pesqusa Operaconal e o Desenvolvmento Sustentável MÉTODOS ITERATIVOS PARA PROBLEMAS DE PRORAMAÇÃO MATEMÁTICA COM INCERTEZAS Rcardo Coêlho Slva Departamento de Telemátca Faculdade de Engenhara Elétrca e
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisEvolving Neuro-Fuzzy Network, Magnetic Levitation, Real Time Estimation.
REDE NEURO-FUZZY EVOLUTIVA PARA ESTIMAÇÃO EM TEMPO REAL DE POSIÇÃO DE UM SISTEMA DE LEVITAÇÃO MAGNÉTICA Alsson Marques Slva, Walmr Camnhas, André Lemos, Fernando Gomde Centro Federal de Educação Tecnológca
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisREDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS
GOP/010 21 a 26 de Outubro de 2001 Campnas - São Paulo - Brasl GRUPO IX GRUPO DE ESTUDOS DE OPERAÇÕES DE SISTEMAS ELÉTRICOS REDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS Rosângela Balln
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais2 Reconhecimento Automático de Locutor em Ambientes Ruidosos
2 Reconhecmento Automátco de Locutor em Ambentes Rudosos Neste capítulo são apresentadas, de forma resumda, as técncas de classfcação e de extração de atrbutos mas usadas recentemente para aplcações de
Leia mais0.5 setgray0 0.5 setgray1. Mecânica dos Fluidos Computacional. Aula 7. Leandro Franco de Souza. Leandro Franco de Souza p.
Leandro Franco de Souza lefraso@cmc.usp.br p. 1/1 0.5 setgray0 0.5 setgray1 Mecânca dos Fludos Computaconal Aula 7 Leandro Franco de Souza Leandro Franco de Souza lefraso@cmc.usp.br p. 2/1 Equações Dferencas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia mais2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS
ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente
Leia maisAvaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais
Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia mais6 ALOCAÇÃO POR ÚLTIMA ADIÇÃO (UA)
ALOCAÇÃO POR ÚLTIMA ADIÇÃO (UA 7 6 ALOCAÇÃO POR ÚLTIMA ADIÇÃO (UA As desvantagens do método BM apresentadas no capítulo 5 sugerem que a alocação dos benefícos seja feta proporconalmente ao prejuízo causado
Leia maisde Engenharia de São Carlos - USP Av. Trabalhador São-carlense, 400 - Centro - CEP 13566-590, São Carlos SP # UTFPR, Cornélio Procópio PR
APLICAÇÃO DE SISTEMAS FUZZY EM MOTORES DE INDUÇÃO PARA IDENTIFICAÇÃO DE TORQUE DE CARGA SÉRGIO F. DA SILVA *, IVAN N. SILVA *, ALESSANDRO GOEDTEL #, CRISTIANO MINOTTI * * Laboratóro de Automação Intelgente
Leia maisProblemas de engenharia
Análse de Sstemas de otênca Análse de Sstemas de otênca ( AS ) Aula 3 Operação Econômca de Sstemas de otênca 03//008 roblemas de engenhara Análse de Sstemas de otênca ( AS ) ANÁLISE Defndo o sstema, determnar
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia mais4. Sistemas Neuro-Fuzzy
4. Sstemas Neuro-Fuzzy Neste capítulo será apresentado o sstema híbrdo Neuro-Fuzzy, o qual é a combnação das técncas de fuzzy e redes neuras. Alguns modelos Neuro-Fuzzy já desenvolvdos na lteratura são
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO
Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade
Leia maisRESTAURAÇÃO DE IMAGENS ATRAVÉS DE FILTRAGEM DE KALMAN USANDO PROGRAMAÇÃO EVOLUCIONÁRIA
RESTAURAÇÃO DE IMAGENS ATRAVÉS DE FILTRAGEM DE KALMAN USANDO PROGRAMAÇÃO EVOLUCIONÁRIA RONALDO F. ZAMPOLO, RUI SEARA E ORLANDO J. TOBIAS LINSE: Crcutos e Processamento de Snas Departamento de Engenhara
Leia maisAnálise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas
Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia mais3 Algoritmo de Busca Tabu
3 Algortmo de Busca Tabu 3.1 Introdução A forma básca do algortmo de Busca Tabu está fundamentada nas déas propostas em [Glover Laguna, 1997] e é baseado em procedmentos heurístcos que permtem explorar
Leia maisAuto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza
Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -
Leia maisANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS
DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End
Leia mais4 ANÁLISE DE CONFIABILIDADE COM ANÁLISE LIMITE
4 ANÁLISE DE CONIABILIDADE COM ANÁLISE LIMITE A avalação da segurança das estruturas geotécncas tem sdo sempre um dos objetvos da Engenhara Geotécnca. A forma convenconal de quantfcar a segurança de uma
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisEQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI)
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI) Introdução Seja a segunte equação derencal: d ( ) ; d para. que é reerencado com o problema do valor ncal. Essa denomnação deve-se
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisO MMD se baseia no sistema no sistema linearizado das equações de fluxo de potência, ou seja: Δ (4.1)
4 Método da Matrz D Neste capítulo será apresentada uma descrção do MMD [Prada, 99], [Prada, ]. Este método será usado para dentfcar casos de nstabldade de tensão causados pela perda de controlabldade.
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia maisÍNDICE DE IGUALDADE E APRENDIZADO EM REDES NEUROFUZZY RECORRENTES EM PREVISÃO DE SÉRIES MACROECONÔMICAS
Learnng and Nonlnear Models Revsta da Socedade Braslera de Redes Neuras, Vol 3, No, pp 08-8, 2005 Socedade Braslera de Redes Neuras ÍNDICE DE IGULDDE E PRENDIZDO EM REDES NEUROFUZZY RECORRENTES EM PREVISÃO
Leia maisAn Empirical Analysis of MLP Neural Networks Applied to Streamflow Forecasting
IEEE LATIN AMERICA TRANSACTIONS, VOL. 9, NO. 3, JUNE 2011 295 An Emprcal Analyss of MLP Neural Networks Appled to Streamflow Forecastng D. B. De Lma, M. D. C. E Lma and R. M. Salgado, Member, IEEE. Abstract
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia mais