V SBQEE IDENTIFICAÇÃO DE AGRUPAMENTOS DE CONSUMIDORES DE ENERGIA ELÉTRICA ATRAVÉS DE MAPAS AUTO-ORGANIZÁVEIS
|
|
- Ágata Franca Carvalho
- 7 Há anos
- Visualizações:
Transcrição
1 V SBQEE Seminário Brasileiro sobre Qualidade da Energia Elétrica 17 a 20 de Agosto de 2003 Aracaju Sergipe Brasil Código: AJU Tópico: Indicadores e Limites IDENTIFICAÇÃO DE AGRUPAMENTOS DE CONSUMIDORES DE ENERGIA ELÉTRICA ATRAVÉS DE MAPAS AUTO-ORGANIZÁVEIS Mauricio Sperandio* Jorge Coelho Hermes L. Queiroz EEL/UFSC EEL/UFSC CELESC RESUMO Atualmente a ANEEL (Agência Nacional de Energia Elétrica) permite que cada concessionária proponha novos critérios para o agrupamento de consumidores de energia elétrica com reflexo nos requisitos e metas dos índices de qualidade de fornecimento. Neste sentido, este artigo propõe uma técnica de agrupamento conhecida como Mapas Auto- Organizáveis de Kohonen (SOM), um tipo de rede neural que permite a identificação de padrões em vetores de dados multi-variáveis. PALAVRAS-CHAVE Mapas Auto-Organizáveis, agrupamentos, conjunto de consumidores, qualidade de fornecimento INTRODUÇÃO Atualmente a qualidade da energia elétrica entregue aos consumidores é verificada apenas por meio de indicadores de continuidade, o DEC (Duração Equivalente de Interrupção por Unidade Consumidora) e o FEC (Freqüência Equivalente de Interrupção por Unidade Consumidora) relativos a conjuntos de consumidores, geralmente considerados como municípios. Mais recentemente estão sendo implantados os indicadores individuais, para cada unidade consumidora. A qualidade da energia elétrica é fiscalizada pelo órgão regulador, representado no Brasil pela ANEEL, que estipula metas para cada conjunto de consumidores, com base no trabalho de Tanure [1]. Tanure realizou o agrupamento de 4135 conjuntos consumidores de 56 concessionárias de energia elétrica de todo o Brasil através de uma técnica estatística conhecida como k-means. Este é um método não-hierárquico onde deve ser definido a priori o número de grupos (clusters) desejados; então o algoritmo testa cada dado para encontrar o centro do grupo mais próximo, recalcula o centróide e continua até que todos os dados sejam agrupados. Para isso foram utilizadas como variáveis o km de rede primária, a potência instalada, o número de transformadores instalados, o número de unidades consumidoras por classe de consumo, o consumo por classe e a área de atendimento (km 2 ), sendo que todas as variáveis sofreram transformação logarítmica e normalização. Por fim, Tanure definiu 30 agrupamentos, cada um contendo conjuntos de diferentes concessionárias, e fixou as metas de DEC e FEC com base no modelo de Yardstick Competition. Esse modelo define uma faixa (meta) que deve ser atingida pelos competidores (conjuntos das concessionárias), e esta foi definida utilizando o primeiro decil dos indicadores de cada agrupamento. Essa decisão para as metas, em conjunto com alguns agrupamentos muito longe de serem homogêneos, causou um grande impacto nas concessionárias de energia elétrica, que se depararam com metas muito além das possibilidades de alguns conjuntos e impossíveis de serem alcançadas sem investimentos significativos em seus sistemas de distribuição. * LabPlan - CTC - UFSC - Campus Universitário - CEP Florianópolis - SC - BRASIL Tel.: +55 (048) r:219 - FAX: +55 (048) sperandio@labplan.ufsc.br
2 440 Mas em 2000, a ANEEL abriu a possibilidade para as concessionárias proporem novos critérios para o agrupamento das unidades consumidoras através da resolução n o 024 [2], que recentemente foi revisada pela resolução n o 075/03 [3]. Assim as concessionárias podem evidenciar vantagens técnicas, econômicas e sociais da nova proposta em relação ao critério vigente, ou seja, os níveis de referência serão determinados com base no desempenho real da distribuidora, fazendo com que os índices de continuidade se adaptem à verdadeira possibilidade dos sistemas locais e não a índices de outras empresas semelhantes ou de nível internacional. A partir disso, Queiroz [4] realizou um estudo para a CELESC (Centrais Elétricas de Santa Catarina S.A.) onde separou as variáveis em dois tipos, técnicas e de mercado. As primeiras envolvem características da rede elétrica enquanto as outras características de consumo. Além disso, foram acrescentadas como variáveis a capacidade de manobra, o número de subestações e de alimentadores, em lugar do km de rede, número de transformadores e potência instalada. Assim, foram obtidos agrupamentos diferentes dos apresentados em [1]. O presente estudo surgiu de uma parceria entre CELESC e UFSC para buscar uma metodologia para a identificação de agrupamentos de conjuntos de consumidores. Com base em artigos que apresentam o SOM (do inglês, Self- Organizing Map) como um bom método para definição de agrupamentos [5,6], e ainda comparam seu desempenho com a técnica k- means, mostrando vantagens significativas quando se trata de dados em grandes dimensões O MAPA AUTO- ORGANIZÁVEL O SOM, é um tipo de rede neural desenvolvido para reconhecimento de padrões [7]. Normalmente utiliza uma rede de neurônios bidimensional, interligada por conexões sinápticas (pesos) hexagonais, como mostra a Figura 1. Cada neurônio representa um modelo do espaço de estados dos dados a serem analisados. O mapa pode ser inicializado atribuindo-se valores aleatórios a cada neurônio, ou fazendo-se uma distribuição linear a partir dos autovetores do espaço amostral. Então segue o processo de aprendizado ou treinamento, que é composto por três fases [8]. Figura 1: Uma estrutura de mapa 4x4 com conexões hexagonais 2.1. Competição Nessa fase, cada dado é apresentado a toda a rede, onde procura-se por um neurônio que o melhor represente. Isto é feito calculando-se o menor produto interno entre o dado apresentado e o modelo contido no neurônio. Apenas um neurônio é escolhido, e nele é centrada uma função de vizinhança, que irá compor a próxima fase Cooperação Definido um vencedor, ele irá influênciar os neurônios vizinhos a se aproximarem dele. Isso é feito com uma função simétrica, que tem amplitude máxima no centro e que decai com a distância lateral, tipicamente uma curva gaussiana. A abrangência desta função, raio de ação, deve diminuir a cada iteração até zero, de forma que o algoritmo interfira cada vez menos na estrutura topológica do mapa e obtenha a convergência Adaptação Ao ser incluído na vizinhança, o neurônio (w) deve se adaptar ao modelo do vencedor (x) somando a diferença entre eles vezes a amplitude da função de vizinhança (h x ) e uma taxa de aprendizagem, como mostra a equação (1) : w = w+ α. hx.( x w ) (1) Essa taxa α determina o quanto um neurônio vizinho deve se aproximar do atual vencedor. O α também deve diminuir com o número de iterações, o que corresponde ao caso da aproximação estocástica, começando de um valor inicial α 0 e decrescendo com um decaimento exponencial, por exemplo. Após um grande número de iterações, por volta de 10000, onde os dados a serem analisados foram apresentados várias vezes à rede, o mapa está organizado, e apresenta uma estrutura topológica onde todos os dados se encontram.
3 441 Esta estrutura agrupa os neurônios semelhantes e estes contêm ou não uma certa quantidade de dados, além disso, é possível se extrair relações abstratas entre as variáveis do vetor de dados através da sua posição no mapa. Essa informação natural tem propriedades que não são levadas em conta na matemática estatística clássica, e nem mesmo na análise multivariada. Como a dimensionalidade tende a ser muito grande, e sem conhecimentos a priori, funções de densidade paramétrica não podem ser encontradas, e as dependências estatísticas mútuas entre os elementos dos dados geralmente são não-lineares e dinâmicas. Por isso o mapa auto-organizável é uma ferramenta largamente utilizada para reconhecimento de padrões nas mais diversas áreas, e se encaixa perfeitamente na função de realizar agrupamentos, além de trazer outros benefícios como facilitar a visualização de relações entre variáveis METODOLOGIA Partindo-se de um banco de dados contendo características de 281 conjuntos de consumidores de energia elétrica da região de atendimento da CELESC, foram selecionadas 16 variáveis: o número de consumidores e o consumo divididos em cinco classes (residencial, industrial, comercial, rural e público), o número de subestações e de alimentadores, a distância da subestação a sede do município, capacidade de manobra e os atuais índices de DEC e FEC. Do total, foi possível extrair 260 municípios com todas as 16 variáveis. Com o objetivo de verificar possíveis correlações entre as variáveis, e conseqüente redundância de informação, foi realizado o teste de correlação de Pearson com os pares de variáveis. Foi detectada uma certa tendência entre as classes residencial, comercial e pública, o que também pode ser observado no mapa. O mapa auto-organizável foi gerado e treinado a partir de um pacote de programas para Matlab (SOM toolbox), disponibilizado pela universidade de Helsinki [9], de onde surgiu a teoria e o algoritmo do SOM desenvolvido por Teuvo Kohonen. Esse pacote permite ajustar todos os parâmetros do SOM, mas a princípio foi utilizada uma função chamada som_make, que gera o mapa, inicializa-o e faz o treinamento, sendo a dimensão do mesmo o único parâmetro que foi alterado. A configuração padrão desse algoritmo é uma inicialização linear, que geralmente leva a uma mesma topologia ao final do treinamento se não houver alteração da base de dados, vizinhança hexagonal, ou seja, os neurônios centrais estão ligados a seis vizinhos, e uma função de vizinhança gaussiana. A base de dados, para entrada no algoritmo é composta por uma matriz de dimensão 260x16, onde as linhas representam os municípios e as colunas as variáveis. Devido às diferenças de proporção entre as variáveis, estas sofreram normalização. Utilizando um mapa 10x10, obtém-se uma saída de 100 linhas, correspondentes a cada neurônio e contendo os índices dos dados que foram associados a ele. Essa lista em conjunto com a matriz de distâncias unificadas (U-mat) [5], que contém as distâncias euclidianas calculadas para os pares de neurônios vizinhos, possibilita a definição dos agrupamentos. Portanto, primeiramente é feito o processo de organização topológica, onde dados semelhantes ocupam regiões específicas do mapa, e então são verificadas as distâncias, onde neurônios próximos são associados a um mesmo grupo (cluster). A densidade de dados também pode ser utilizada para definir as fronteiras entre agrupamentos diferentes [6], principalmente em mapas maiores, onde neurônios de transição entre um grupo e outro ficam vazios, ou seja, não possuem dados associados ao seu modelo. Mapas pequenos, com menos de um neurônio para cada cinco dados, possuem pouco espaço para revelar relações topológicas. Todavia formam grupos bem definidos, apesar da distância entre os dados contidos em cada neurônio ser um tanto significativa. Já mapas muito grandes, com mais de um neurônio para cada dado de entrada, tendem a manter os mesmos grupos apresentados por mapas menores, porém com uma dispersão topológica maior, dificultando a visualização de agrupamentos mas revelando relações entre variáveis que não apareceriam em dimensões menores. Ao apresentar os dados para a estrutura do mapa também é possível atribuir nomes (labels) a cada linha de dado e coluna de variável, facilitando a sua identificação no final do processo. Com isso foi possível programar uma visualização do mapa topológico identificando cada neurônio, e seu conteúdo, colorido de acordo com o grupo a que pertence, e além disso, para uma saída de compreensão mais direta também pode-se extrair uma lista com esses dados.
4 RESULTADOS A análise dos resultados obtidos do mapa autoorganizável já treinado vai além da simples definição dos agrupamentos. É possível procurar pela característica que define cada agrupamento, verificando a quantidade das componentes e sua posição no mapa topológico. Esse procedimento serve para caracterizar os grupos encontrados e também para buscar correlações entre variáveis. Quando existe correlação, quantidades semelhantes aparecem no mesmo neurônio para variáveis diferentes. Ao treinar um mapa 10x10 com os 260 municípios sob concessão da CELESC, ele os classifica em 26 grupos diferentes. Destes, 9 possuem apenas um elemento. Alterando as dimensões do mapa pode-se observar que estes 9 elementos acabam se ligando a outros, ou seja, possuem características comuns com um ou outro agrupamento quando se reduz a dimensão, ou se ligam a outros elementos que abandonaram um grupo para formar um novo. O contrário também pode ser feito, na dúvida quanto a um agrupamento, pode-se aumentar a quantidade de neurônios, aumentando o espaço de estados do mapa, e observar a dissolução de alguns agrupamentos. Esse caso acontece com um grupo formado inicialmente pelas 3 maiores cidades de SC (Florianópolis, Joinville e Blumenau). Ao aumentar o mapa para 15x15, Blumenau deixa o grupo, pois tem uma diferença de consumo na ordem de 10 8 kwh anuais nas classes Residencial, Comercial e Público, mas ganha de Florianópolis no consumo Industrial e Rural. Aumentado ainda mais, acontece a separação de Florianópolis e Joinville, pois a segunda tem um consumo Industrial quase 50 vezes maior que a primeira. Essa busca por características do grupo devido a cada variável pode ser iniciada verificando os mapas de componentes, como mostra a Figura 2. Figura 2: Distribuição das componentes: Número de Consumidores Residenciais e Rurais Nos dois mapas os dados contidos em cada posição são os mesmos, e os tons de cinza indicam o valor da variável para aquela célula, sendo o preto o valor mais alto. Nota-se que a contribuição do Número de Consumidores Residenciais e de Rurais causam uma disposição contrária dos dados no mapa, ou seja, municípios com muitos consumidores residenciais ficam no canto superior direito, enquanto os com maioria rural situam-se mais à esquerda, e pelo outro mapa é possível observar que possuem poucos consumidores residenciais. A grande área branca do primeiro mapa indica que há muitos municípios com pouquíssimos consumidores em comparação ao máximo, o que pode ser comprovado pela Tabela 1, que mostra que 95% dos municípios estudados possuem menos de 23 mil consumidores residenciais. Tabela 1: Freqüência do Número de Consumidores Residenciais (Bloco x 1000) Bloco Freqüência % cumulativo 0 1,38% ,62% ,38% ,15% ,08% ,85% ,85% ,85% ,23% ,23% ,23% ,23% ,62% ,00% Outra observação interessante diz respeito ao DEC dos municípios. Verificando os mapas das componentes Distância do Município à SE, Número de SEs, e a Capacidade de Manobra (Figura 3) pode-se extrair a seguinte relação: municípios que não possuem SE própria, estando muito distante de uma, e que além disso, não tem capacidade de manobra entre alimentadores, apresentam os maiores índices de DEC. Essa lógica também é valida para o FEC. Buscando caracterizar alguns grupos, nota-se que a capacidade de manobra gera uma separação entre dois grandes grupos. As variáveis relativas a grandes cidades formam pequenos grupos com poucos municípios, enquanto as rurais formam grupos um pouco maiores. Mas a grande maioria é agrupada devido à pequena contribuição de cada componente, não aparecendo alguma que se destaque. Isso mostra um panorama do estado de Santa Catarina, que é formado por uma grande quantidade de municípios de pequeno porte, e destes apenas 10 ficam acima de um nível médio.
5 443 Novas metas para os índices de DEC e FEC podem ser propostas pela concessionária com base em agrupamentos mais homogêneos, e com custos compatíveis com o perfil de cada conjunto consumidor AGRADECIMENTOS Os autores agradecem a CAPES Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, a CELESC Centrais Elétricas de Santa Catarina S.A, e aos professores Edward Gauche e Sílvia M. Nassar REFERÊNCIAS BIBLIOGRÁFICAS Figura 3: Distribuição das componentes Distância do Município à Subestação, Número de Subestações, Capacidade de Manobra e índice de DEC. Fazer este tipo de análise é uma forma de se validar os agrupamentos obtidos pelo SOM. Pois se pode verificar o quanto cada grupo é homogêneo, observando-se os limites das tonalidades dos mapas de componentes, e assim ajustar o tamanho do mapa até que forme grupos bem definidos. A adição das metas atuais de DEC e FEC, que eram 65 valores diferentes para os 260 municípios, como variáveis para o agrupamento contribuíram de forma significativa na formação de grupos mais homogêneos, tanto na questão de qualidade de fornecimento quanto questão economica. Por conseqüência, novas metas mais compatíveis com cada conjunto podem ser propostas CONCLUSÕES O SOM é uma ferramenta com muito mais utilidade do que simplesmente formar grupos de dados semelhantes, com ele é possível se extrair informações intrínsecas de uma grande quantidade de dados multi-variáveis apenas visualizando mapas topológicos de duas dimensões. Além do mais, o problema é resolvido sem grande esforço computacional, conhecimento a priori, ou tratamento estatístico explícito. [1] Tanure, J.E.P.S. e de Carvalho, E.B., Regulação por Comparação de Desempenho para o Estabelecimento de Metas de Continuidade de Fornecimento. Anais do XIV Seminário Nacional de Distribuição de Energia Elétrica, Foz do Iguaçu, [2] ANEEL, Resolução No. 024, de 27 de Janeiro de 2000, Brasília. [3] ANEEL, Resolução No. 075, de 13 de Fevereiro de 2003, Brasília. [4] Queiroz, H.L., Metodologia para Definição de Agrupamento de Consumidores e os Requisitos de Qualidade do Fornecimento. Anais do XV Seminário Nacional de Distribuição de Energia Elétrica, [5] Ultsch, A. and Vetter, C., Self-Organizing Feature Maps versus Statistical Clustering Methods: A Benchmark. Research Report No. 9, Dep. of Mathematics, University of Marburg, [6] Xuegong Zhang and Yanda Li, Self-Organizing Map as a New Method for Clustering and Data Analysis. Proc. of Int. Joint Conf. on Neural Networks, vol. 3, pp , [7] Kohonen, T., Self-Organazing Maps. 3rd ed. Springer-Verlag, Berlin, [8] Haykin, S., Redes Neurais Princípios e Práticas. 2 a ed., Bookman, [9] Vesanto, J., Himberg, J., Alhoniemi, E., Parhankangas, J., Self-Organizing Map in Matlab: the SOM Toolbox, In Proc. of the Matlab DSP Conference, Espoo, Finland, pp: 35-40, 1999.
Redes Neurais não Supervisionadas: SOM
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais não Supervisionadas: SOM DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisREDES AUTO-ORGANIZÁVEIS SELF-ORGANIING MAP (SOM)
REDES AUTO-ORGANIZÁVEIS SELF-ORGANIING MAP (SOM) APRENDIZADO COMPETITIVO Os algoritmos de aprendizado não-supervisionado são geralmente baseados em uma forma de competição entre os neurônios. O método
Leia maisAula 7 RNA Redes Auto-Organizáveis de Kohonen
2COP229 Aula 7 RNA Redes Auto-Organizáveis de Kohonen 2COP229 Sumário 1- Introdução 2- Processo de Aprendizado Competitivo 3- Mapas auto-organizáveis de Kohonen (SOM) 4- Projeto Prático 1-Introdução 2COP229
Leia mais6 Clustering: Definindo Grupos Estratégicos
6 Clustering: Definindo Grupos Estratégicos 6.1 Introdução Não é difícil deduzir que as 60 empresas distribuidoras de energia elétrica, operantes no SEB, apresentam características heterogêneas. Entretanto,
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisClassificação de Elementos no Ambiente de Navegação Robótica Utilizando Redes de Kohonen
Classificação de Elementos no Ambiente de Navegação Robótica Utilizando Redes de Kohonen Felipe A. PINAGÉ (1); Eulanda M. dos SANTOS (2); José P. QUEIROZ-NETO (3) (1) Universidade Federal do Amazonas -
Leia maisUso da Rede Neural Artificial Self Organizing Maps (SOM) na clusterização de dados meteorológicos
Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Uso da Rede Neural Artificial Self Organizing Maps (SOM) na clusterização de dados meteorológicos Jorge V. R. Bonato, Paulo H. Siqueira Programa de
Leia maisUNIVERSIDADE FEDERAL DE VIÇOSA. Eduardo Martins Viana AGRUPAMENTO DE CONJUNTOS CONSUMIDORES DE ENERGIA ELÉTRICA UTILIZANDO MAPAS AUTO-ORGANIZÁVEIS
UNIVERSIDADE FEDERAL DE VIÇOSA Eduardo Martins Viana AGRUPAMENTO DE CONJUNTOS CONSUMIDORES DE ENERGIA ELÉTRICA UTILIZANDO MAPAS AUTO-ORGANIZÁVEIS Viçosa MG 2006 UNIVERSIDADE FEDERAL DE VIÇOSA Eduardo Martins
Leia maisNEUROCOMPUTAÇÃO E SIG NO SUPORTE AO PLANEJAMENTO URBANO. Marcos Aurélio Santos da Silva 1
NEUROCOMPUTAÇÃO E SIG NO SUPORTE AO PLANEJAMENTO URBANO Marcos Aurélio Santos da Silva 1 Palavras-chave: Redes Neurais Artificiais, Análise Espacial de Área, Visualização de dados, Análise de Agrupamentos
Leia maisMapas Auto Organizáveis SOMs Mapas de Kohonen
Mapas Auto Organizáveis SOMs Mapas de Kohonen PSI 2886 Princípios de Neurocomputação Edição de 2008 1 PSI 5886 Prof. Emilio Self Organizing Maps de Kohonen Estes slides foram usados nas aulas #8 e #9 na
Leia maisSENDI 2004 XVI SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA
SENDI 2004 XVI SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA 948 Metodologia para Avaliação das Perdas Técnicas em Redes de Baixa Tensão Utilizando Técnicas de Classificação O Caso da RGE A. Méffe
Leia maisXIV SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA
XIV SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA REGULAÇÃO POR COMPARAÇÃO DE DESEMPENHO PARA O ESTABELECIMENTO DE METAS DE CONTINUIDADE DO FORNECIMENTO JOSÉ EDUARDO PINHEIRO SANTOS TANURE ELIANE
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia mais3 Agrupamento de dados e o algoritmo GNG
25 3 Agrupamento de dados e o algoritmo GNG Processos de agrupamento de dados são utilizados para categorizar uma massa de dados em um número desejado de grupos, com a restrição de que os componentes de
Leia maisClustering - c-means e Self Organizing Maps
- c-means e Self Organizing Maps Sarajane M. Peres e Clodoaldo A. M. Lima 13 de abril de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 FAUSETT, L. Fundamentals
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisSelf Organizing Maps - Redes de Kohonen
Self Organizing Maps - Redes de Kohonen 1. Redes auto organizáveis Existe uma classe de redes neurais artificias que possuem a capacidade de auto organização, sendo por isto chamadas de redes auto organizáveis.
Leia maisClustering (k-means, SOM e hierárquicos)
Clustering (k-means, SOM e hierárquicos) André Tavares da Silva andre.silva@udesc.br (Capítulo 10 de Duda e Hart) Clustering Introdução e tipos Roteiro Agrupamentos hierárquicos AGNES, DIANA e Dendogram
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia mais3. O item da seção 8.2 do Módulo 8 do PRODIST estabelece que:
Nota Técnica n 0053/2012-SRD/ANEEL Em 25 de abril de 2012. Processo n : 48500.000275/2012-81 Assunto: Estabelecimento dos limites de continuidade DEC e FEC dos conjuntos da Iguaçu Distribuidora de Energia
Leia maisTiago Luft 2. Aluno Especial Mestrado UFSM.
AVALIAÇÃO DA CONFIABILIDADE DE REDES DE DISTRIBUIÇÃO COM ALOCAÇÃO DE EQUIPAMENTOS DE PROTEÇÃO E MANOBRA 1 EVALUATION OF DISTRIBUTION NETWORK RELIABILITY WITH ALLOCATION OF PROTECTION AND MANEUVERING EQUIPMENT
Leia mais3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY
3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY 3.1 REDES NEURAIS As redes neurais representam uma tecnologia que têm raízes em muitas disciplinas: neurociência, matemática, estatística, física,
Leia maisMapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995))
Mapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995)) que realiza simultaneamente agrupamento e visualização SOM usa aprendizagem não supervisionada para mapear dados
Leia mais1 INTRODUÇÃO. As mudanças no cenário político-mundial na última década fizeram. com que o acirramento entre empresas no mercado globalizado aumentasse
1 INTRODUÇÃO 1.1 MOTIVAÇÃO As mudanças no cenário político-mundial na última década fizeram com que o acirramento entre empresas no mercado globalizado aumentasse em muito. Além disso, a desregulamentação
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Mapas Auto-Organizáveis 1. O Mapa Auto-Organizável (SOM) Sistema auto-organizável inspirado no córtex cerebral. Nos mapas tonotópicos do córtex, p. ex., neurônios vizinhos
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisGEONINT - Gestão Georeferenciada dos Índices de Continuidade das Localidades da Região Metropolitana de Belo Horizonte
21 a 25 de Agosto de 2006 Belo Horizonte - MG GEONINT - Gestão Georeferenciada dos Índices de Continuidade das Localidades da Região Metropolitana de Belo Horizonte Eng. Edgard P. Cardoso CEMIG Distribuição
Leia maisAprendizado de Máquina
Aprendizado de Máquina A necessidade de inserir aprendizado nas máquinas surgiu após a construção dos Sistemas Especialistas (SEs). Os primeiros SEs não possuíam mecanismo de aprendizado e tornavam-se
Leia maisEstudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial
Estudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial Renan Bessa 1, Elder dos Santos Teixeira 2, Guilherme Costa Holanda 3, Auzuir Ripardo de Alexandria 4 1 Graduando em
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisVI SBQEE. 21 a 24 de agosto de Belém Pará Brasil METODOLOGIA PARA ACOMPANHAMENTO DE METAS DOS INDICADORES DE CONTINUIDADE DEC E FEC
VI SBQEE 21 a 24 de agosto de 2005 Belém Pará Brasil Código: BEL 10 7505 Tópico: Indicadores e Limites METODOLOGIA PARA ACOMPANHAMENTO DE METAS DOS INDICADORES DE CONTINUIDADE DEC E FEC Jorge Coelho*,
Leia maisMétodos de Segmentação de Mapas Auto-Organizáveis para Análise de Agrupamento
Métodos de Segmentação de Mapas Auto-Organizáveis para Análise de Agrupamento Leonardo Freitas Noleto Departamento de Infomática e Estatística Universidade Federal de Santa Catarina (UFSC) Florianópolis,
Leia maisRedes Competitivas e de Kohonen
Redes Competitivas e de Kohonen Redes Competitivas Até agora as redes estudadas possuíam muitas saídas ativas, no aprendizagem competitivo somente uma unidade de saída pode estar ativa a cada momento.
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia maisMINERAÇÃO DE DADOS BASEADA EM INTELIGÊNCIA COMPUTACIONAL - UMA APLICAÇÃO À DETERMINAÇÃO DA TIPOLOGIA DE CURVAS DE CARGA
8 a 2 de setembro de 20 MINERAÇÃO DE DADOS BASEADA EM INTELIGÊNCIA COMPUTACIONAL - UMA APLICAÇÃO À DETERMINAÇÃO DA TIPOLOGIA DE CURVAS DE CARGA ELTON RAFAEL ALVES, UBIRATAN HOLANDA DE BEZERRA, ADRIANA
Leia maisMAPAS AUTO-ORGANIZÁVEIS PARA MODELAGEM CHUVA-VAZÃO. Farias, C. A. S.; Carneiro, T. C. & Lourenço, A. M. G.
MAPAS AUTO-ORGANIZÁVEIS PARA MODELAGEM CHUVA-VAZÃO Farias, C. A. S.; Carneiro, T. C. & Lourenço, A. M. G. Motivação O crescimento populacional e consequente aumento das demandas; A situação se agrava em
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Tipos de Aprendizagem Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir diferentes tipos de
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisAplicação de Mapa Auto-Organizável ao Agrupamento de Dados de Refletividade de Radar
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Aplicação de Mapa Auto-Organizável ao Agrupamento de Dados de Refletividade de Radar Jorge V. R. Bonato, Paulo H. Siqueira, Programa de Pós-Graduação
Leia maisANÁLISE DE DESEMPENHO DE CURSOS DE PÓS-GRADUAÇÃO UTILIZANDO MAPAS AUTO-ORGANIZÁVEIS PARCIAIS
Anais do IX Congresso Brasileiro de Redes Neurais /Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Sociedade Brasileira de Redes Neurais ANÁLISE DE DESEMPENHO DE CURSOS DE PÓS-GRADUAÇÃO
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia mais5. Aplicação da Modelagem Proposta
Aplicação da Modelagem Proposta 5. Aplicação da Modelagem Proposta Na aplicação da modelagem proposta serão utilizados os dados de carga elétrica da LIGHT Serviços de Eletricidade S.A. (principal concessionária
Leia maisDETERMINAÇÃO DE CURVAS TÍPICAS DE CARGA ATRAVÉS DAS TÉCNICAS DE MINERAÇÃO DE DADOS SOM E K-MÉDIAS
DETERMINAÇÃO DE CURVAS TÍPICAS DE CARGA ATRAVÉS DAS TÉCNICAS DE MINERAÇÃO DE DADOS SOM E K-MÉDIAS Fábio Donisete Silva, João Areis Ferreira Barbosa Júnior, Carlos Eduardo Tavares Núcleo de Qualidade de
Leia maisAprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos
Leia mais5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO
102 5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO Conforme detalhado na seção 4.3, foram criados três conjuntos de dados: clientes BT com 382 padrões, clientes comerciais MT com 866 padrões e clientes industriais
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisEXECUTIVE MASTER EM APPLIED BUSINESS ANALYTICS
EXECUTIVE MASTER EM APPLIED BUSINESS ANALYTICS UNIDADE CURRICULAR: MÉTODOS DE SEGMENTAÇÃO Relatório da Aplicação do Algoritmo SOM Mapa Auto-organizado Elisabeth Fernandes Nuno Pinho da Silva Ano letivo
Leia maisXX Seminário Nacional de Distribuição de Energia Elétrica SENDI a 26 de outubro Rio de Janeiro - RJ - Brasil
XX Seminário Nacional de Distribuição de Energia Elétrica SENDI 2012-22 a 26 de outubro Rio de Janeiro - RJ - Brasil Blunio Elias da Silva Bruno Hercilio de Andrade Catao CEMIG Distribuição S.A. CEMIG
Leia maisDefinição de Soluções na Construção do Plano de Obras do SDMT - Planejamento Integrado do Sistema Elétrico de Distribuição da Cemig D
XXII Seminário Nacional de Distribuição de Energia Elétri SENDI 2016-07 a 10 de novembro Curitiba - PR - Brasil BERTONI DOS SANTOS JUNIOR Cicéli Martins Luiz CEMIG Distribuição S.A. CEMIG Distribuição
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA CURSO DE CIÊNCIAS DA COMPUTAÇÃO
UNIVERSIDADE FEDERAL DE SANTA CATARINA DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA CURSO DE CIÊNCIAS DA COMPUTAÇÃO MÉTODOS DE SEGMENTAÇÃO DE MAPAS AUTO-ORGANIZÁVEIS PARA ANÁLISE DE AGRUPAMENTO LEONARDO FREITAS
Leia maisXX Seminário Nacional de Distribuição de Energia Elétrica SENDI a 26 de outubro Rio de Janeiro - RJ - Brasil
XX Seminário Nacional de Distribuição de Energia Elétrica SENDI 2012-22 a 26 de outubro Rio de Janeiro - RJ - Brasil VICTOR BRUNO SARTORI Anderson Carneiro Rafael Radaskievicz Copel Distribuição S.A. Copel
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 3: 1 /54 Programa Dia 1: Apresentação
Leia maisAgrupamento de Dados a partir de Mapas Auto-Organizáveis na Ferramenta YADMT. Thiago Magalhães Faino
UNIOESTE Universidade Estadual do Oeste do Paraná CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS Colegiado de Ciência da Computação Curso de Bacharelado em Ciência da Computação Agrupamento de Dados a partir
Leia maisCapítulo 7. Mapas Auto-Organizados de Kohonen - SOM
Capítulo 7 Mapas Auto-Organizados de Kohonen - SOM Neste capítulo estudaremos um dos mais populares algoritmos na categoria de aprendizado não-supervisionado, as RNAs conhecidas como Mapas Auto-Organizados
Leia mais7 Modelo Híbrido: Conjugação de Redes Neurais Artificiais e Análise de Fronteira Estocástica para Cálculo do X O
7 Modelo Híbrido: Conjugação de Redes Neurais Artificiais e Análise de Fronteira Estocástica para Cálculo do X O 7.1. Classificação de Padrões: Encontrando Grupos de Similaridade Para a definição de fronteiras
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisESTUDO DA MELHORIA ALCANÇADA NOS ÍNDICES DE CONTINUIDADE COM A APLICAÇÃO DE RELIGADORES AUTOMÁTICOS EM REDE DE DISTRIBUIÇÃO
ESTUDO DA MELHORIA ALCANÇADA NOS ÍNDICES DE CONTINUIDADE COM A APLICAÇÃO DE RELIGADORES AUTOMÁTICOS EM REDE DE DISTRIBUIÇÃO Maiara Pies Hoss maiara.hoss@live.com Henrique Maschio henrique.maschio@yahoo.com
Leia maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Fundamentação da disciplina Analise de dados Decisões
Leia maisFatores de Hipertensão usando Redes Neurais Kohonen SOM. Palavras Chave: análise de cluster, hipertensão, mapas auto-organizáveis, redes neurais.
Fatores de Hipertensão usando Redes Neurais Kohonen SOM Resumo O Mapa Auto-organizável de Kohonen (SOM) é um tipo especial de Rede Neural com aprendizado não-supervisionado. Em um mapa Auto-organizável,
Leia maisRacionalizando Investimentos com Melhoria dos Índices de Confiabilidade da Rede
Racionalizando Investimentos com Melhoria dos Índices de Confiabilidade da Rede Um enfoque estatístico através de uma metodologia inovadora e da alocação ótima de investimentos Eng. Alexandre Vasconcellos
Leia maisRafael Ribeiro Alexandra Souza Thiago Barcelos Leandro Silva
Mensurando o desenvolvimento do Pensamento Computacional por meio de Mapas Auto-Organizáveis: Comparação de métricas de complexidade de Software com Dr. Scratch e CT-Test Rafael Ribeiro Alexandra Souza
Leia maisDeterminação de perfis de consumo baseada em mapas de Kohonen Modificados
Faculdade de Engenharia da Universidade do Porto Determinação de perfis de consumo baseada em mapas de Kohonen Modificados Rui Manuel Proença Bidarra VERSÃO PROVISÓRIA Dissertação realizada no âmbito do
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisMulti-Estabilidade, Diagramas de Fase e Propriedades Estatísticas do Rotor Quicado: Um Mapa Onde Coexistem Muitos Atratores
Multi-Estabilidade, Diagramas de Fase e Propriedades Estatísticas do Rotor Quicado: Um Mapa Onde Coexistem Muitos Atratores Luciano Camargo Martins Jason Alfredo Carlson Gallas IF-UFRGS 91501-970 Porto
Leia maisVisualização de Clusters em Dados Georreferenciados: uma abordagem. com recurso ao Self-Organizing Map 3D
Visualização de Clusters em Dados Georreferenciados: uma abordagem com recurso ao Self-Organizing Map 3D Jorge Gorricha 1, Victor Lobo 2 1 M2007022@isegi.unl.pt 2 Escola Naval, vlobo@isegi.unl.pt Sumário:
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisOtimização da Paleta de Cores
Otimização da Paleta de Cores Resumo O objetivo deste artigo é apresentar a técnica de otimização da paleta de cores utilizada no MSX Viewer 5 para encontrar a melhor paleta de cores do MSX 2 e do v9990,
Leia maisXX Seminário Nacional de Distribuição de Energia Elétrica SENDI a 26 de outubro Rio de Janeiro - RJ - Brasil
XX Seminário Nacional de Distribuição de Energia Elétrica SENDI 2012-22 a 26 de outubro Rio de Janeiro - RJ - Brasil João de Souza Ivan Navolar ELEKTRO - Eletricidade e ServIços S.A Schneider Electric
Leia maisMensurando o desenvolvimento do Pensamento Computacional por meio de Mapas Auto-Organizáveis: um estudo preliminar em uma Oficina de Jogos Digitais
Mensurando o desenvolvimento do Pensamento Computacional por meio de Mapas Auto-Organizáveis: um estudo preliminar em uma Oficina de Jogos Digitais Thiago Barcelos Alexandra Souza Leandro Silva Roberto
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisGestão da Confiabilidade de Usinas Hidrelétricas Aplicando Algoritmo de Reamostragem de Dados
Gestão da Confiabilidade de Usinas Hidrelétricas Aplicando Algoritmo de Reamostragem de Dados Jorge Coelho 1,2, Fabrício Bernardelli 1, Celso de Brasil 2, Augusto C. Gregatti 3 (1) Dep. de Ingeniería Eléctrica,
Leia maisAplicação de Mapas Auto-Organizáveis para análise de dados de geosensores: estudo de caso na Mata Atlântica
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.8931 Aplicação de Mapas Auto-Organizáveis para análise de dados de geosensores:
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia maisAUTOCORRELAÇÃO ESPACIAL. Flávia F. Feitosa
AUTOCORRELAÇÃO ESPACIAL Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Junho de 2015 AULAS ANTERIORES A importância analítica do espaço para o Planejamento Territorial
Leia mais3 Análise de Fácies Sísmicas
3 Análise de Fácies Sísmicas Os modelos geológicos dos reservatórios são formados a partir de estimativas de características especificas das rochas ou sedimentos. Estimativas das propriedades das rochas,
Leia maisAplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados
Aplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados 1 Vinicius Carvalho Beck 2 Júlio Renato Q. Marques 3 Fabrício P. Härter Universidade
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisMineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
Leia mais1. Conceitos básicos dos Sistemas Auto-organizáveis. Os sistemas auto-organizáveis estão relacionados com aprendizagem nãosupervisionada.
Redes Neurais Sistemas Auto-Organizáveis. Conceitos básicos dos Sistemas Auto-organizáveis Os sistemas auto-organizáveis estão relacionados com aprendizagem nãosupervisionada. O objetivo de um algoritmo
Leia maisMineração de Dados com Mapas de Kohonen: Uma Abordagem no Setor Financeiro
Mineração de Dados com Mapas de Kohonen: Uma Abordagem no Setor Financeiro Autoria: Anderson Guimarães de Pinho Resumo O presente artigo objetivará a aplicação de Mapas de Kohonen na identificação de perfis
Leia mais3. O item da seção 8.2 do Módulo 8 do PRODIST estabelece que:
Nota Técnica n 0007/2012-SRD/ANEEL Em 31 de janeiro de 2012. Processo n : 48500.006011/2011-50 Assunto: Estabelecimento dos limites de continuidade DEC e FEC dos conjuntos da Caiuá Distribuição de Energia
Leia maisTUTORIA ADAPTATIVA AO APRENDIZ BASEADA EM REDES NEURAIS ARTIFICIAIS
TUTORIA ADAPTATIVA AO APRENDIZ BASEADA EM REDES NEURAIS ARTIFICIAIS Sirlon Diniz de Carvalho Universidade Federal de Goiás Faculdades Alves Faria sirlon@pireneus.eee.ufg.br Weber Martins Universidade Federal
Leia maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Fundamentação da disciplina Analise de dados Decisões
Leia mais3. Os atributos que caracterizam os conjuntos são estabelecidos no item 2.7 da seção 8.2 do Módulo 8 do PRODIST:
Nota Técnica n 6/212-SRD/ANEEL Em 3 de janeiro de 212. Processo n : 485.614/211-93 Assunto: Estabelecimento dos limites de continuidade DEC e FEC dos conjuntos da CNEE, para o período de 213-216. I. DO
Leia maisAPLICAÇÃO DA REDE NEURAL DE KOHONEN NA IDENTIFICAÇÃO DE LOCUTOR. Gustavo Oliani David ¹; Thiago Antonio Grandi de Tolosa ²
APLICAÇÃO DA REDE NEURAL DE KOHONEN NA IDENTIFICAÇÃO DE LOCUTOR Gustavo Oliani David ¹; Thiago Antonio Grandi de Tolosa ² 1 Aluno de Iniciação Científica da Escola de Engenharia Mauá (EEM/CEUN-IMT); 2
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia mais1 Introdução 1.1. Motivação
1 Introdução 1.1. Motivação O setor elétrico em todo o mundo vem sofrendo um processo de transformação, quer no campo político, quer no econômico. A privatização e a desregulamentação do sistema elétrico
Leia maisAPLICAÇÃO DE MAPAS AUTO ORGANIZÁVEIS NA ANÁLISE E AGRUPAMENTO DE ESTILOS DE APRENDIZAGEM
Patrocínio, MG, outubro de 2016 ENCONTRO DE PESQUISA & EXTENSÃO, 3., 2016, Patrocínio. Anais... Patrocínio: IFTM, 2016. APLICAÇÃO DE MAPAS AUTO ORGANIZÁVEIS NA ANÁLISE E AGRUPAMENTO DE ESTILOS DE APRENDIZAGEM
Leia maisResolução da Prova 1 SCC Redes Neurais 2o. Semestre de Prof. João Luís
Resolução da Prova 1 SCC-5809 - Redes Neurais 2o. Semestre de 2011 - Prof. João Luís RESOLUÇÃO (2) 1. A figura abaixo mostra uma rede neural com um único neurônio escondido. Mostre que essa rede resolve
Leia mais5 Resultados Dados artificiais Convergência à mediana e à média com dados artificiais
5 Resultados Os resultados da aplicação do método proposto estão estruturados de forma a evidenciar: 1. A convergência numérica do algoritmo proposto nesta tese para a mediana e para a média de grupos
Leia mais6 Classificação das Distribuidoras de Energia Elétrica
6 Classificação das Distribuidoras de Energia Elétrica Após apresentados os capítulos conceituais anteriores será desenvolvido, aqui, o estudo de caso propriamente dito. Assim, as ferramentas descritas
Leia maisXIX Seminário Nacional de Distribuição de Energia Elétrica. Software Computacional de Perdas Técnicas de Energia PERTEC
XIX Seminário Nacional de Distribuição de Energia Elétrica SENDI 2010 22 a 26 de novembro São Paulo - SP - Brasil Software Computacional de Perdas Técnicas de Energia PERTEC Franco Pavan Ingrid Lourenço
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisOrganização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters
Organização. Introdução 2. Medidas de Similaridade 3. Métodos de Agrupamento (métodos hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Métodos de Partição Cada exemplo
Leia mais