ESTUDO DA INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS DA CALDEIRA DE RECUPERAÇÃO SOBRE A GERAÇÃO DE VAPOR UTILIZANDO REDES NEURAIS ARTIFICIAIS

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "ESTUDO DA INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS DA CALDEIRA DE RECUPERAÇÃO SOBRE A GERAÇÃO DE VAPOR UTILIZANDO REDES NEURAIS ARTIFICIAIS"

Transcrição

1 ESTUDO DA INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS DA CALDEIRA DE RECUPERAÇÃO SOBRE A GERAÇÃO DE VAPOR UTILIZANDO REDES NEURAIS ARTIFICIAIS Gustavo Matheus de Almeida 1, Marcelo Cardoso 1, Éder Domingos de Oliveira 1, Andréa Oliveira Souza da Costa 2, Song Won Park 3 1 Brasil. Laboratório de Desenvolvimento de Processos. Departamento de Engenharia Química. Escola de Engenharia. UFMG. Tel.: Brasil. Departamento de Engenharia Química. COPPE. UFRJ. Tel.: Brasil. Departamento de Engenharia Química. Escola Politécnica. USP Tel.: ABSTRACT In the cellulose production by Kraft process, the pieces of wood are cooked in a digestor with a solution of mainly sodium hidroxid (NaOH) and sodium sulfite (Na 2 S). After that the cellulose pulp are separated from the cooking liquor. This solution goes to the utilities recovery where it is concentrated in multiple effect evaporators, burned in the recovery boiler and causticized with the aim to recover the chemical compounds used to cook the wood. The liquor burning generates energy to the mill. The role of the recovery boiler is very important to the overall process because not only recover the compounds NaOH and Na 2 S and produces energy to the mill but also reduces the pollutants emisssions. As it is complex (with many variables) and works in parallel (with many phenomenons ocurring at the same time: oxidation, drying and pirolysis and reduction), the artificial neural networks computational tool was used as an alternative to model this equipament. This is because this technique generates a model (when many data is available) from an input/output mapping even if there is not enough knowledge about the operations. So the aim of this work is to study the influence of operational variables on the steam generation and to construct a model that is able to predict this response variable. For that it was used a feed-forward multiple layers network with a single hidden layer. The activation function was the hiperbolic tangent sigmoid and the learning algorithm was the back-propagation with the momentum term (µ) equal to 0,3. The numbers of neurons (K) in the hidden layer was defined in an empirical way. The best model obtained was with K equal to 10 that presented the lower value for the mean absolute error during the validation phase (EMP V ). So the final arquitecture of the model was 7:10:1, that is, one input layer with seven variables, one hidden layer with ten neurons and one output layer with one variable (the response variable). As a conclusion, this technique is a potential alternative to be used in the Kraft recovery boilers modeling. No método de produção Kraft da pasta celulósica, os cavacos de madeira são aquecidos em um digestor com licor de cozimento, que consiste principalmente de uma solução aquosa de hidróxido de sódio (NaOH) e sulfeto de sódio (Na 2 S). Após o cozimento, os cavacos desdobram-se em fibras individuais, formando a pasta de celulose. Já o licor vai para a unidade de recuperação, onde é concentrado em evaporadores de múltiplo efeito, queimado na caldeira de recuperação e caustificado em tanques de sedimentação com a finalidade de adequar a sua composição para reutilização. A queima do licor na caldeira produz vapor e energia elétrica para todo o processo. O papel da caldeira de recuperação no processo de fabricação de celulose é fundamental, pois, além de recuperar os ativos químicos (NaOH e Na 2 S) utilizados na etapa de cozimento do licor e gerar vapor, a caldeira de recuperação também reduz a emissão de poluentes. Sendo um ambiente complexo (que envolve muitas variáveis) e que opera em paralelo (com diversos fenômenos ocorrendo simultaneamente: oxidação, secagem e pirólise e, redução), utilizou-se a ferramenta computacional, redes neurais artificiais (RNAs), como alternativa para a modelagem deste equipamento. Isto porque esta técnica utiliza o 1/8

2 mapeamento entrada/saída para construir modelos, a partir de uma massa de dados consistente e disponível, mesmo quando não se tem conhecimento suficiente sobre o problema. Sendo assim, os objetivos deste trabalho são estudar a influência das variáveis operacionais da caldeira de recuperação sobre a geração de vapor e construir um modelo neural capaz de predizer esta variável resposta. Para tal, utilizou-se uma rede neural do tipo múltiplas camadas feed-forward com uma única camada intermediária. A função de transferência utilizada foi a sigmoidal tangente hiperbólica e o algoritmo de aprendizagem, o back-propagation acrescido do termo momentum (µ), igual 0,3. A quantidade de neurônios na camada intermediária (K) foi definida de forma empírica. O melhor modelo obtido foi para K igual a 10 que apresentou o menor valor para o erro médio absoluto percentual na etapa de validação (EMP V ). Com isso, tem-se a seguinte arquitetura para o modelo neural final, 7:10:1, ou seja, uma camada de entrada contendo sete variáveis operacionais, uma camada intermediária com dez neurônios e uma camada de saída com uma variável resposta. Como conclusão, tem-se a validade da aplicação da modelagem neural com em caldeiras de recuperação da indústria de celulose e papel. PALAVRAS-CHAVE: modelagem, processo kraft, caldeira de recuperação, redes neurais artificiais, stepwise Introdução O estudo em RNAs começou em 1943 com o psiquiatra e neuroanatomista McCulloch e o matemático Pitts a partir da descrição do primeiro modelo artificial de um neurônio biológico. No entanto, somente nos anos 80 há a explosão de pesquisas em redes neurais devido a novas descobertas e o consequente interesse na aplicação prática desta ferramenta computacional. Da década de 90 em diante, é crescente o uso desta técnica como alternativa à resolução de problemas na indústria. A ferramenta computacional Redes Neurais Artificiais (RNAs) é uma solução alternativa à computação algorítmica convencional para a resolução de problemas. Isto porque utiliza o mapeamento entrada/saída para construir modelos a partir de uma massa de dados consistente onde não se tem conhecimento suficiente do problema para se aplicar a modelagem convencional. A motivação para as pesquisas em RNAs é o cérebro humano que pode ser definido como um computador altamente complexo, não-linear e paralelo. O poder computacional das redes neurais é devido à sua estrutura paralela e distribuída de trabalhar as informações e a sua habilidade de aprender e generalizar. A aprendizagem está relacionada com a capacidade da rede extrair as características relevantes para a construção do modelo a partir da massa de dados disponível e, a generalização, com a capacidade de predição do modelo obtido. A aplicação desta ferramenta em processos é também motivada pela sua robustez em trabalhar com dados inconsistentes, tais como, ruídos, outliers (BRAGA et al., 1998; HAYKIN, 2001). Redes neurais podem ser utilizadas na solução de vários tipos de problemas, tais como, modelagem, classificação, controle de processos, predição, etc. Entre os vários exemplos de aplicação na indústria de celulose e papel, tem-se o trabalho de HORTON et al. (1998) que relata o uso das redes neurais como ferramenta alternativa para modelar o ambiente complexo e não-linear das caldeiras de recuperação. Neurônio Artificial O neurônio artificial é baseado na estrutura fisiológica do neurônio biológico (Figura 1). Esta semelhança capacita às redes neurais processar informações de forma paralela e 2/8

3 distribuída, como o cérebro humano. corpo celular sinapse dendritos axônio Figura 1: Neurônio biológico. De forma análoga ao neurônio biológico, o artificial contém entrada (dendritos), função de ativação (corpo celular) e saída (axônio), Figura 2. A entrada ν recebe os dados do ambiente, a função de ativação φ(ν) é responsável por processar estas informações e, a saída Y, fornece o valor da variável de interesse para o ambiente. A entrada auxiliar b, denominada bias, resulta no deslocamento da função de transferência acelerando a convergência do processo de aprendizado. Seu valor é fixo e igual a +1 sendo o respectivo peso, w 0, treinável da mesma forma que os demais (WASSERMAN, 1989). x 1 x 2... w 1 w 2 w i ν φ(ν) Y x i w 0 b Figura 2: Neurônio artificial. Os elos de conexão entre os neurônios, as sinapses ou pesos, têm a capacidade de sofrer modificações adaptando-se ao ambiente de interesse. Desta forma, podem armazenar o conhecimento adquirido pela rede neural extraído de exemplos (histórico de dados). São caracterizados por um valor numérico, negativo ou positivo, definido pela matriz W (BRAGA et al., 1998) Passos para a Modelagem Neural O processo de construção de um modelo neural passa pelas seguinte etapas:! Coleta dos dados! Definição da arquitetura da rede neural! Definição dos parâmetros! Treinamento! Validação Após a coleta dos dados, a próxima fase é definir a arquitetura da rede. A arquitetura mais comum de redes neurais é aquela onde os neurônios estão dispostos em camadas. Para a aplicação em processos, utiliza-se as redes com múltiplas camadas, isto é, além das camadas de entrada e de saída, a rede tem uma ou mais camadas intermediárias ou ocultas, Figura 3. 3/8

4 CAMADA DE ENTRADA CAMADA INTERMEDIÁRIA CAMADA DE SAÍDA Figura 3: Rede com uma camada intermediária. As camadas intermediárias são responsáveis por mapear a relação entre a entrada e a saída da rede, atuando como extratoras de características. O objetivo é aproximar a função desconhecida f do ambiente, descrita por D = f (X ) onde X é o vetor contendo as variáveis de entrada e D, o vetor com uma ou mais variáveis de saída desejado, por uma função F a partir de um conjunto de exemplos, onde F = {( X, D) }. A generalização da rede D = F X f X, x M onde M é o é dada pela capacidade de F aproximar f, isto é, ( ) ( ) domínio do ambiente de interesse que se deseja modelar. A quantidade de neurônios em cada camada oculta é geralmente definida de forma empírica. Esta forma de aprendizagem, onde o vetor D é fornecido à rede, é dita aprendizagem supervisionada. É uma estratégia que utiliza o erro dado pela diferença entre a resposta desejada, D, e aquela calculada pela rede, Y, para modificar os valores das sinapses ou pesos. Esta etapa de aprendizado é responsável pela obtenção do modelo neural (HAYKIN, 2001). Na etapa de definição de parâmetros estabelece-se critérios de parada a serem usados na interrupção do aprendizado da rede neural. Os exemplos mais usuais são:! Encerrar o treinamento após N ciclos ou épocas! Encerrar o treinamento após o erro dado pela diferença entre D e Y ser menor que um valor ε aceitável Cada vez que todo o conjunto de exemplos de entrada/saída {( D) } X, é colocado para a rede tem-se uma época ou ciclo de treinamento. A quantidade de épocas é uma característica crítica a ser definida na etapa de treinamento. Quando N é alto, tem-se um tempo de treinamento longo e, pode haver a modelagem de ruído e o desenvolvimento de uma função não linear complexa enquanto que um tempo curto (N baixo) pode ser insuficiente para que a rede consiga capturar as informações necessárias à construção de um modelo satisfatório. Em ambos os casos, a capacidade de predição do modelo fica prejudicada. Durante a etapa de aprendizado, há outros parâmetros a serem definidos, como η e µ, denominados parâmetro taxa de aprendizagem e termo momentum, respectivamente. O primeiro é responsável pelo tamanho do passo usado na atualização dos pesos e o segundo pelo aumento na velocidade de convergência do processo de aprendizagem. A definição destes valores também é crítica e pequenas alterações podem melhorar ou piorar significativamente o modelo neural obtido (BRAGA et al., 1998). Qualquer projeto de redes neurais passa por uma fase de treinamento. É quando a rede extrai informações relevantes dos exemplos criando uma representação própria para o problema. Nesta etapa, há a modificação dinâmica das conexões entre os neurônios. Esta adaptação iterativa permite às redes neurais memorizar informações, adaptar-se e aprender. Ao final desta etapa, o modelo neural está completamente definido. Para se realizar o treinamento da rede, o conjunto total de dados disponível é dividido de forma aleatória em duas partes denominadas conjuntos de treinamento e de validação. O primeiro é utilizado para ajustar os pesos sinápticos e o segundo para estimar a capacidade de 4/8

5 generalização do modelo neural, construído a partir do conjunto de treinamento. Em seguida, tem-se a etapa de validação. Nesta fase, apenas o vetor de entrada X do conjunto de validação é apresentado à rede e, então, compara-se o vetor de saída Y, calculado pela rede neural, com o vetor de saída desejado D (BRAGA et al., 1998). Sendo validado, o modelo neural está apto a ser implementado com o objetivo de realizar a tarefa para a qual foi construído, seja ela modelagem, controle de processos, predição, etc. Justificativa e Objetivo do Trabalho Por se tratar de um ambiente complexo (que envolve muitas variáveis) e em paralelo (com diversos fenômenos ocorrendo simultaneamente, tais como, oxidação, secagem e pirólise e, redução) (ADAMS, 1997), propõe-se a utilização da ferramenta computacional redes neurais artificiais (RNAs) como ferramenta computacional alternativa para a resolução deste problema. Os objetivos deste trabalho são estudar a influência das variáveis operacionais da caldeira de recuperação sobre a geração de vapor e construir um modelo neural capaz de predizer esta variável resposta. Metodologia Coleta dos dados A caldeira de recuperação alvo deste estudo é a caldeira de uma fábrica localizada no Brasil. Neste trabalho, há a preocupação de se utilizar como variáveis operacionais aquelas atualmente medidas pela indústria de celulose o que facilita a análise e a implementação desta ferramenta computacional. A quantidade e a qualidade dos dados experimentais são imprescindíveis para o sucesso da modelagem neural. Pré-seleção das variáveis operacionais medidas Sendo alta a quantidade inicial de variáveis operacionais medidas, o primeiro passo foi tentar reduzir esta quantidade. Para tal, utilizou-se o software estatístico Minitab, aplicando-se a técnica de regressão stepwise para verificar quais as variáveis têm maior peso sobre a variável resposta vazão de vapor gerado. Rede neural utilizada neste trabalho Neste estudo, utilizou-se uma rede neural feed-forward (isto é, a rede se propaga apenas no sentido direto e não há comunicação entre neurônios de uma mesma camada) do tipo múltiplas camadas contendo somente uma camada intermediária. A camada de entrada que recebe as variáveis de entrada, a camada intermediária responsável pelo mapeamento entrada-saída e construção do modelo neural e, a camada de saída que fornece o valor da variável resposta para o ambiente externo. A função de transferência utilizada foi a sigmoidal tangente hiperbólica e o algoritmo de aprendizagem, o back-propagation acrescido do termo momentum (µ), igual 0,3. Este algoritmo realiza o ajuste dos pesos pelo método do gradiente descendente a fim de minimizar progressivamente a função custo, neste caso, o erro médio quadrático E, dado pelo quadrado da diferença entre a saída desejada D e aquela calculada pela rede Y. Esta modificação dinâmica dos pesos é que permite às RNAs memorizar informações, adaptar-se e aprender. Um cuidado que se deve ter na sua utilização é que ele pode minimizar o erro de treinamento, mas pode vir a não minimizar o erro do conjunto de validação. O parâmetro taxa de aprendizagem η é variável durante a etapa de treinamento. Foram usadas 1000 épocas para treinar a rede e a quantidade de neurônios na camada intermediária foi definida de forma empírica. 5/8

6 Construção do modelo neural Com a definição das variáveis de entrada e da rede neural a ser utilizada neste trabalho, passou-se à etapa de treinamento. Nesta fase, formou-se aleatoriamente dois conjuntos de exemplos na proporção 4:1, ou seja, 80% dos padrões foram utilizados para treinar a rede e, o restante, 20%, para validar o modelo obtido pela fase anterior. É importante observar que os padrões de treinamento devem formar um conjunto apropriado capaz de abranger todo o domínio (M) de interesse contendo os valores máximo e mínimo de cada variável. Definição da quantidade de neurônios na camada intermediária Geralmente, o uso de uma única camada intermediária contendo o número adequado de neurônios é suficiente (DEMUTH e BEALE, 1997). O próximo passo, então, foi definir a quantidade de neurônios (K) a ser utilizada nesta camada. Esta definição é geralmente empírica. É importante observar que se K for baixo, a rede pode ser incapaz de extrair as principais características a partir da massa de dados disponível e tem-se uma simulação pobre. Sendo alto, por outro lado, pode haver um superajuste dos dados durante a etapa de treinamento. Resumindo, a quantidade de neurônios na camada intermediária deve ser suficiente para a satisfatória modelagem do problema, porém, suficientemente baixa para garantir a generalização e conseqüente capacidade de predição do modelo obtido. Fez-se, então, várias simulações variando-se K de 1 a 15 (RAFIQ et al., 2001). Resultados Coleta dos dados O período de coleta dos dados foi de um mês de operação da fábrica tendo-se 720 medidas para um conjunto de 16 variáveis operacionais. Pré-seleção das variáveis operacionais medidas Como resultado preliminar, têm-se as variáveis: vazão de licor negro alimentado à caldeira (VZ LNC), porcentagem de sólidos secos (%SS), vazão e temperatura do ar primário (VZ AP e T AP), temperatura e pressão do ar secundário (T AS e P AS) e pressão no tubulão de vapor (P BL), como as possíveis variáveis que maior influência têm sobre a vazão de vapor gerado. É importante destacar que entre estas variáveis estão aquelas previamente citadas como as mais influentes sobre a geração de vapor por engenheiros da fábrica (VZ LNC, %SS, P BL) Definição da quantidade de neurônios na camada intermediária Segundo o critério para a escolha do melhor modelo neural, o menor valor obtido para o erro médio percentual na etapa de validação (EMP V ) foi para K igual a 10, menor que 2%. Este erro é calculado segundo a Equação 1, EMP V = 1 V Y D D (1) sendo V o número total de padrões de validação. A Figura 4 compara os valores reais de operação coletados na indústria (D) e aqueles calculados pela rede neural (Y) para a vazão de vapor gerado. Com isso, tem-se a seguinte arquitetura para o modelo neural final, 7:10:1, ou seja, uma camada de entrada contendo sete variáveis, uma camada intermediária com dez neurônios e uma camada de saída com uma variável resposta. 6/8

7 340 VAPOR GERADO ÉPOCAS DESEJADO CALCULADO (RNA) Figura 4: Gráfico entre os valores reais de operação coletados na indústria (D) e aqueles calculados pela rede neural (Y) para a vazão de vapor gerado. Conclusões Neste trabalho, observou-se a validade da aplicação da modelagem neural com uma capacidade de predição satisfatória (menor que 2%) em caldeiras de recuperação da indústria de celulose e papel. Nesta primeira fase da pesquisa, utilizou-se a vazão de vapor gerado como variável resposta. Com a metodologia desenvolvida, o objetivo passa a ser a modelagem neural de outras variáveis com real interesse para a indústria de celulose como a razão toneladas de vapor gerado por tonelada de sólidos secos, a eficiência de redução, emissões, entre outras. Nomenclatura x i i-ésimo neurônio da camada de entrada contendo o valor da variável de entrada i w i i-ésimo peso da camada de entrada %SS porcentagem de sólidos secos, % b bias K quantidade total de neurônios na camada intermediária D vetor contendo a variável de saída desejada E função custo erro médio quadrático EMP V erro médio percentual de validação f função desconhecida do problema de interesse F representação neural obtida para o problema de interesse M domínio do problema de interesse MLP rede MultiLayer PERCEPTRON N quantidade total de épocas usadas na etapa de treinamento P AS pressão de alimentação do ar secundário, mmh 2 O P BL pressão no tubulão de vapor, kg f /cm 2 RNAs redes neurais artificiais T AP temperatura de alimentação do ar primário, ºC T AS temperatura de alimentação do ar secundário, ºC V quantidade total de padrões de validação VZ AP vazão do ar primário, t/h VZ LNC vazão do licor negro concentrado, t/h VZ VG vazão de vapor gerado, t/h W matriz dos pesos sinápticos 7/8

8 X Y W 0 vetor contendo as variáveis de entrada vetor contendo a variável predita pelo modelo neural peso para o bias Letras Gregas η parâmetro taxa de aprendizagem µ termo momentum ν soma dos valores das entradas ponderados pelos respectivos pesos φ() função de ativação Referências Bibliográficas 1. ADAMS, T. N., General Characteristics of Kraft Back Liquor Recovery Boilers, cap. 1, In: Kraft Recovery Boiler, ADAMS, T. N. Editor, TAPPI Press, p. 3-38, BRAGA, A. P, CARVALHO, A. P. L. F. e LUDERMIR, T. B., Fundamentos de Redes Neurais Artificiais, Imprinta Gráfica e Editora Ltda., Rio de Janeiro, RJ, HAYKIN, S., Redes Neurais - Princípios e Prática, 2 a ed., Bookman Companhia Editora, Porto Alegre, Brasil, HORTON, R. R.; DENLINGER, M. A.; LIEN, S. J.; SCHMIDL, W.; GRACE, T. M., Artificial Neural Network Modeling of a Kraft Recovery Boiler, In: International Chemical Recovery Conference, TAPPI Proceedings, p , RAFIQ, M. Y.; BUGMANN, G.; EASTERBROOK, D. J., Neural Network Design for Engineering Applications, Computers & Structures, vol. 79, p , WASSERMAN, P. D.; Neural Computing: Theory and Practice, Van Nostrand Reinhold, 1989, 230p. 8/8

3 Redes Neurais Artificiais

3 Redes Neurais Artificiais 3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida

Leia mais

INTELIGÊNCIA ARTIFICIAL

INTELIGÊNCIA ARTIFICIAL INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos

Leia mais

UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA

UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural

Leia mais

Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN

Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1

Leia mais

serotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina

serotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)

Leia mais

Redes Neurais Artificiais (RNA) Definições. Prof. Juan Moisés Mauricio Villanueva

Redes Neurais Artificiais (RNA) Definições. Prof. Juan Moisés Mauricio Villanueva Redes Neurais Artificiais (RNA) Definições Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br 1 Conteúdo 1. 2. 3. 4. 5. 6. Introdução Modelos básicos e regras de aprendizagem Rede neural de retro

Leia mais

Introdução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana

Introdução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)

Leia mais

RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ

RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional

Leia mais

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

UNIVERSIDADE 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 mais

Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons

Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes

Leia mais

Introdução às Redes Neurais Artificiais

Introdução às Redes Neurais Artificiais Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos

Leia mais

Aprendizado de Máquina (Machine Learning)

Aprendizado de Máquina (Machine Learning) Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em

Leia mais

Bryan da Silva Silveira 1 Esly Ferreira da Costa Júnior 2 2 Andréa Oliveira Souza da Costa 3 3

Bryan da Silva Silveira 1 Esly Ferreira da Costa Júnior 2 2 Andréa Oliveira Souza da Costa 3 3 Modelagem Dinâmica de Evaporadores de Múltiplo Efeito de Fábrica de Celulose por Regressão Linear Múltipla Dynamic Modeling of Evaporators for Multiple Effect of Pulp Milling by Linear Multiple Regression

Leia mais

4 Redes Neurais Artificiais

4 Redes Neurais Artificiais 4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características

Leia mais

Redes Neurais MLP: Exemplos e Características

Redes 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 mais

Aula 1 Introdução - RNA

Aula 1 Introdução - RNA Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores

Leia mais

Classificação Linear. André Tavares da Silva.

Classificação Linear. André Tavares da Silva. Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron

Leia mais

Inteligência Computacional

Inteligência Computacional Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma

Leia mais

Redes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação

Redes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas

Leia mais

Redes Neurais Artificiais. Professor: Juan Moises Villanueva

Redes Neurais Artificiais. Professor: Juan Moises Villanueva Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Rede Neural Direta Arquitetura com múltiplas camadas com fluxo de informação apenas em

Leia mais

Fundamentos de Inteligência Artificial [5COP099]

Fundamentos de Inteligência Artificial [5COP099] Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução

Leia mais

3 Redes Neurais Introdução

3 Redes Neurais Introdução 3 Redes Neurais 3.. Introdução As redes neurais artificiais, ou comumente conhecidas como Neural Networs, foram motivadas em princípio pela extraordinária capacidade do cérebro humano para executar tarefas

Leia mais

CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.

CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento

Leia mais

Rede RBF (Radial Basis Function)

Rede 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 mais

HP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.

HP 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 mais

Classificação de Padrões. Abordagem prática com Redes Neurais Artificiais

Classificação de Padrões. Abordagem prática com Redes Neurais Artificiais Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas

Leia mais

Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial SISTEMAS INTELIGENTES PROFESSOR FLÁVIO MURILO

Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial SISTEMAS INTELIGENTES PROFESSOR FLÁVIO MURILO Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial 1 Redes Neurais - Definição O que é Rede Neural ou Rede Neuronal Artificial (RNA)? É um modelo computacional que objetiva

Leia mais

Balanço de massa e energia da Caldeira de Recuperação 3 da Fíbria - Jacareí 24/05/12

Balanço de massa e energia da Caldeira de Recuperação 3 da Fíbria - Jacareí 24/05/12 Balanço de massa e energia da Caldeira de Recuperação 3 da Fíbria - Jacareí 24/05/12 OBSERVAÇÃO INICIAL Este trabalho faz parte da monografia do curso de Especialização em Celulose e Papel da UFV. O trabalho

Leia mais

Redes Neurais Artificial

Redes Neurais Artificial Redes Neurais Artificial Tópicos: Introdução ao estudo de RNA sua origem e inspiração biológica Características gerais das RN e descrição do neurônio artificial Aprendizado de RN e tipos de Aprendizado

Leia mais

ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.

ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.

Leia mais

Aprendizado de Máquinas. Multi-Layer Perceptron (MLP)

Aprendizado de Máquinas. Multi-Layer Perceptron (MLP) Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.

Leia mais

Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental

Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado

Leia mais

ESTUDO DE ALGORITMO MLP COMO APROXIMADOR DE FUNÇÃO

ESTUDO DE ALGORITMO MLP COMO APROXIMADOR DE FUNÇÃO Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2016 Rafain Palace Hotel & Convention Center- Foz do Iguaçu - PR 29 de agosto a 1 de setembro de 2016 ESTUDO DE ALGORITMO MLP COMO APROXIMADOR

Leia mais

Algoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.

Algoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado

Leia mais

RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS

RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS 1 RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS Giovanni Crestan Leonardo Enomoto Araki Thiago Antonio Grandi De Tolosa Wânderson de Oliveira Assis Wilson Carlos Siqueira Lima Júnior IMT Instituto Mauá

Leia mais

Blucher Proceedings VI Encontro Científico de Física Aplicada

Blucher Proceedings VI Encontro Científico de Física Aplicada Seleção de variáveis e análise de dados industriais a serem usados na proposta de descrição matemática empírica para o coeficiente global de troca térmica em evaporador Kraft Jacinto, L. O. 1 *; Pinheiro,

Leia mais

3 Modelos Comparativos: Teoria e Metodologia

3 Modelos Comparativos: Teoria e Metodologia 3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito

Leia mais

MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC

MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período

Leia mais

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA Daniel Neves Schmitz Gonçalves Luiz Antonio Silveira Lopes Marcelino Aurelio Vieira da Silva APLICAÇÃO DE REDES NEURAIS

Leia mais

Paradigmas de Aprendizagem

Paradigmas de Aprendizagem Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com

Leia mais

Inteligência Artificial

Inteligência Artificial Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais) Prof. a Joseana Macêdo Fechine Régis

Leia mais

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica REDES NEURAIS ARTIFICIAIS PERCEPTRONS Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Forma mais simples de configuração das RNAs Rosenblatt (1958) retina área de projeção área de associação respostas

Leia mais

Perceptron de Múltiplas Camadas e Backpropagation

Perceptron de Múltiplas Camadas e Backpropagation Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Perceptron de Múltiplas Camadas e Backpropagation Redes Neurais Artificiais Site: http://jeiks.net

Leia mais

ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS

ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência

Leia mais

4 Redes Neurais Artificiais RNAs

4 Redes Neurais Artificiais RNAs 66 4 Redes Neurais Artificiais RNAs Redes neurais artificial (RNA) são algoritmos que se baseiam no comportamento do cérebro humano. Dessa forma, imita a estrutura massivamente paralela do cérebro, com

Leia mais

Professor José Gomes de Carvalho Jr. Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO

Professor José Gomes de Carvalho Jr. Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO Redes Neurais Artificiais ou simplesmente Redes Neurais (também conhecidas como modelos conexionistas) têm sido, ao longo dos últimos anos, uma área de

Leia mais

Redes Neurais Artificiais. Professor: Juan Moises Villanueva

Redes Neurais Artificiais. Professor: Juan Moises Villanueva Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Sumário 1. Sistemas Inteligentes 2. Introdução as Redes Neurais Artificias Neurônio Biológico

Leia mais

SCC Capítulo 5 Perceptron Multicamadas

SCC Capítulo 5 Perceptron Multicamadas Introdução Back-propagation (BP) MLPs Convolução SCC-5809 - Capítulo 5 Perceptron Multicamadas João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809: Redes

Leia mais

Redes Neurais Artificiais

Redes Neurais Artificiais Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Inteligência Artificial

Leia mais

Redes Neurais Artificiais. Professor: Juan Moises Villanueva

Redes Neurais Artificiais. Professor: Juan Moises Villanueva Redes eurais Artificiais Mestrando: Lucas icolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Sumário 1. Redes Adaline e Madaline 2. Redes eurais Diretas 3. Funções de Ativação Discreta

Leia mais

Redes Neurais aplicadas na predição de valores genéticos

Redes Neurais aplicadas na predição de valores genéticos Redes Neurais aplicadas na predição de valores genéticos Gabi Nunes Silva 1 Isabela de Castro Sant'Anna 2 Rafael Simões Tomaz 3 Cosme Damião Cruz 2 1 Introdução Nos programas de melhoramento genético,

Leia mais

Introdução às Redes Neurais Artificiais

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

Leia mais

PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL

PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE

Leia mais

Protótipo de Software para Reconhecimento de Impressões Digitais

Protótipo de Software para Reconhecimento de Impressões Digitais Protótipo de Software para Reconhecimento de Impressões Digitais Aluno: Alex Sandro da Silva Orientador: Paulo de Tarso Mendes Luna Semestre - 99/1 Roteiro da Apresentação INTRODUÇÃO CONCEITOS BÁSICOS

Leia mais

Modelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:

Modelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis: Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização

Leia mais

Comparação de Modelos Neurais Aplicados a Resistência de Fornos de Redução do Alumínio Primário

Comparação de Modelos Neurais Aplicados a Resistência de Fornos de Redução do Alumínio Primário Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Comparação de Modelos Neurais Aplicados a Resistência de Fornos de

Leia mais

Inteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida

Inteligência 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 mais

3 REDES NEURAIS ARTIFICIAIS

3 REDES NEURAIS ARTIFICIAIS 50 3 REDES NEURAIS ARTIFICIAIS Este capitulo apresenta uma descrição sucinta da teoria básica de Redes Neurais Artificiais e sobre a criação do Comitê de Redes Neurais. Se o leitor estiver familiarizado

Leia mais

REDES NEURAIS. É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos. Sua unidade fundamental é o neurônio

REDES NEURAIS. É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos. Sua unidade fundamental é o neurônio REDES NEURAIS Sistema Nervoso 2 O que é? É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos Engloba o cérebro Sua unidade fundamental é o neurônio Se diferencia

Leia mais

Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox.

Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. SCE-5809 - REDES NEURAIS Redes Neurais Multi-Camadas Parte 3 Profa Roseli Ap Francelin Romero Qual é o número mínimo de camadas num PMC que fornece uma aproximação para qualquer mapeamento contínuo? Cybenko,

Leia mais

APLICAÇÃO DAS REDES NEURAIS DE BASE RADIAL NA METEOROLOGIA. PALAVRAS-CHAVE: Redes Neurais Artificiais; Rede Neural de Base Radial; Meteorologia.

APLICAÇÃO DAS REDES NEURAIS DE BASE RADIAL NA METEOROLOGIA. PALAVRAS-CHAVE: Redes Neurais Artificiais; Rede Neural de Base Radial; Meteorologia. APLICAÇÃO DAS REDES NEURAIS DE BASE RADIAL NA METEOROLOGIA Emerson Yoshio Maeda (IC, FUNDAÇÃO ARAUCÁRIA), (UNESPAR/FECILCAM), math.maeda@gmail.com Juliano Fabiano da Mota (OR), (UNESPAR/FECILCAM), jfmota@fecilcam.br

Leia mais

Um Sistema Distribuído para Treinamento de Redes Neurais

Um Sistema Distribuído para Treinamento de Redes Neurais Um Sistema Distribuído para Treinamento de Redes Neurais JOSÉ REINALDO LEMES JÚNIOR UFLA - Universidade Federal de Lavras DCC Departamento de Ciência da Computação Cx Postal 3037 CEP 37200-000 Lavras (MG)

Leia mais

CLASSIFICAÇÃO DE CROMATOGRAMAS GASOSOS DE ÓLEOS BASEADA EM REDES NEURAIS

CLASSIFICAÇÃO DE CROMATOGRAMAS GASOSOS DE ÓLEOS BASEADA EM REDES NEURAIS Copyright 04, Instituto Brasileiro de Petróleo e Gás - IBP Este Trabalho Técnico Científico foi preparado para apresentação no 3 Congresso Brasileiro de P&D em Petróleo e Gás, a ser realizado no período

Leia mais

Ricardo Cavalcanti Costa Modelos Preditivos de Velocidade de Vento para Sistemas Eólicos Baseados em Redes Neurais Artificiais

Ricardo Cavalcanti Costa Modelos Preditivos de Velocidade de Vento para Sistemas Eólicos Baseados em Redes Neurais Artificiais UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE ENERGIAS ALTERNATIVAS E RENOVÁVEIS DEPARTAMENTO DE ENGENHARIA ELÉTRICA Ricardo Cavalcanti Costa Modelos Preditivos de Velocidade de Vento para Sistemas Eólicos

Leia mais

SISTEMA PARA CLASSIFICAÇÃO DE MÉIS BASEADO EM REDES NEURAIS

SISTEMA PARA CLASSIFICAÇÃO DE MÉIS BASEADO EM REDES NEURAIS Revista CSBEA v. 2, n. 1 (2016) 1 SISTEMA PARA CLASSIFICAÇÃO DE MÉIS BASEADO EM REDES NEURAIS E. F. DIAS 1, M. M. de ALMEIDA 2 e E. R. DUARTE 3 1 Universidade Tecnológica Federal do Paraná, Campus Ponta

Leia mais

Multi-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão

Multi-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em

Leia mais

Modelo de Previsão de Recalques em Estacas Hélice Contínua Utilizando Redes Neurais Artificiais

Modelo de Previsão de Recalques em Estacas Hélice Contínua Utilizando Redes Neurais Artificiais Modelo de Previsão de Recalques em Estacas Hélice Contínua Utilizando Redes Neurais Artificiais Luciana Barbosa Amancio UFPI, Teresina, Brasil, eng.luciana2009@gmail.com Silvrano Adonias Dantas Neto UFC,

Leia mais

REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS

REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS Renan Pires de Araújo 1 ; Adrião Duarte Dória Neto 2 1 Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação em Ciência

Leia mais

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

UNIVERSIDADE 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 mais

MODELAGEM FENOMENOLÓGICA E EM REGIME ESTACIONÁRIO DO PROCESSO DE RECUPERAÇÃO KRAFT

MODELAGEM FENOMENOLÓGICA E EM REGIME ESTACIONÁRIO DO PROCESSO DE RECUPERAÇÃO KRAFT MODELAGEM FENOMENOLÓGICA E EM REGIME ESTACIONÁRIO DO PROCESSO DE RECUPERAÇÃO KRAFT Marcos Vinicius Giro Maitam 1, Esly Ferreira da Costa Junior 2, Andréa Oliveira Souza da Costa 2 1. Discente do Curso

Leia mais

Introdução às Redes Neurais Artificiais. Eduardo Simas

Introdução às Redes Neurais Artificiais. Eduardo Simas Introdução às Redes Neurais Artificiais Eduardo Simas (eduardo.simas@ufba.br) Sumário O que são as Redes Neurais Artificiais? Para que servem? Processamento da Informação Tipos de Redes Neurais Modos de

Leia mais

Redes Neurais Articiais para Controle de uma Planta de Nível

Redes Neurais Articiais para Controle de uma Planta de Nível 1 Redes Neurais Articiais para Controle de uma Planta de Nível Isabele Morais Costa, Luana Lyra de Almeida, Stella Neves Duarte Lisboa e Fábio Meneghetti Ugulino de Araújo ResumoEste trabalho pretende

Leia mais

APLICAÇÃO DO SIMULADOR EMSO EM UM PROBLEMA ESPECÍFICO DE CINÉTICA E CÁLCULO DE REATORES

APLICAÇÃO DO SIMULADOR EMSO EM UM PROBLEMA ESPECÍFICO DE CINÉTICA E CÁLCULO DE REATORES APLICAÇÃO DO SIMULADOR EMSO EM UM PROBLEMA ESPECÍFICO DE CINÉTICA E CÁLCULO DE REATORES T. A. F. ROCHA 1, W. U. LEITE 1, B. L. VERÁS 1 e W. R. O. PIMENTEL 1 1 Universidade Federal de Alagoas, Centro de

Leia mais

INVESTIGAÇÃO DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DA CINÉTICA DE SECAGEM DOS FRUTOS

INVESTIGAÇÃO DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DA CINÉTICA DE SECAGEM DOS FRUTOS INVESTIGAÇÃO DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DA CINÉTICA DE SECAGEM DOS FRUTOS DE AROEIRA-VERMELHA (Schinus terebinthifolius Raddi) B. G. SILVA 1 e A. M. F. FILETI 1 1 Universidade

Leia mais

Redes Neurais Artificiais

Redes Neurais Artificiais Redes Neurais Artificiais x 1 w k1 Bias b k +1 +1 x 1 x 2 x 3 x m +1 y 1 y 2 y o Sinais de entrada x 2 x m Fabricio Breve fabricio@rc.unesp.br w k2 w km Pesos sinápticos Σ Junção aditiva v k f(. ) Saída

Leia mais

1. Introdução. 1.1.Objetivo

1. Introdução. 1.1.Objetivo 1. Introdução 1.1.Objetivo O objetivo desta dissertação é desenvolver um sistema de controle por aprendizado acelerado e Neuro-Fuzzy baseado em técnicas de inteligência computacional para sistemas servo-hidráulicos

Leia mais

DESEMPENHO DO ALGORÍTMO DE BACKPROPAGATION COM A FUNÇÃO DE ATIVAÇÃO BI-HIPERBÓLICA

DESEMPENHO DO ALGORÍTMO DE BACKPROPAGATION COM A FUNÇÃO DE ATIVAÇÃO BI-HIPERBÓLICA September 4-8, DESEMPENHO DO ALGORÍTMO DE BACKPROPAGATION COM A FUNÇÃO DE ATIVAÇÃO BI-HIPERBÓLICA Geraldo Miguez COPPE / PESC, Universidade Federal do Rio de Janeiro, Brasil geraldomiguez@gmail.com Nelson

Leia mais

XII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002

XII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002 ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade

Leia mais

PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS

PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS 1 SILVA, J. N., 2 MONTEIRO, G. S., 3 SILVA, S. K., 4 AVELINO, M. C., 5 FRANÇA, M. I. C,.

Leia mais

CONSTRUINDO INTERVALOS DE CONFIANÇA NA PREVISÃO DA POTÊNCIA DO VENTO UTILIZANDO RESERVOIR COMPUTING

CONSTRUINDO INTERVALOS DE CONFIANÇA NA PREVISÃO DA POTÊNCIA DO VENTO UTILIZANDO RESERVOIR COMPUTING CONSTRUINDO INTERVALOS DE CONFIANÇA NA PREVISÃO DA POTÊNCIA DO VENTO UTILIZANDO RESERVOIR COMPUTING Breno Menezes Escola Politécnica de Pernambuco Universidade de Pernambuco Recife, Brasil E-mail: bamm@ecomp.poli.br

Leia mais

Uso de Redes Neurais Artificiais na Determinação dos Zeros de Funções Polinomiais

Uso de Redes Neurais Artificiais na Determinação dos Zeros de Funções Polinomiais Revista Tecnologias em Proeção v n p 8-5 dez 8 Uso de Redes Neurais Artificiais na Determinação dos Zeros de Funções Polinomiais Ircílio Chissolucombe Resumo A Inteligência Artificial tem sido muito utilizada

Leia mais

Redes Neurais Convolucionais

Redes Neurais Convolucionais André Gustavo Hochuli Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira Programa de Pós-Graduação em Informática Departamento de Informática UFPR http://www.inf.ufpr.br/aghochuli/caffe/ Redes Neurais

Leia mais

Figura 3.19 Exemplo da simulação de um ensaio de embutimento simples, Plaut e Silva (2003). Figura 3.20 Exemplo da simulação de um processo de hidroco

Figura 3.19 Exemplo da simulação de um ensaio de embutimento simples, Plaut e Silva (2003). Figura 3.20 Exemplo da simulação de um processo de hidroco Figura 3.18 Determinação das deformações de um disco sob compressão, adaptação da citação de Dieter (1988). Atualmente programas de computador extremamente sofisticados e equipamentos poderosos permitem

Leia mais

MODELAGEM FENOMENOLÓGICA DO COMPORTAMENTO DINÂMICO DE EVAPORADORES DE MÚLTIPLO EFEITO

MODELAGEM FENOMENOLÓGICA DO COMPORTAMENTO DINÂMICO DE EVAPORADORES DE MÚLTIPLO EFEITO MODELAGEM FENOMENOLÓGICA DO COMPORTAMENTO DINÂMICO DE EVAPORADORES DE MÚLTIPLO EFEITO Autores*: Micheli Nolasco Araujo 1 Olivert Soares Pinheiro 2 Esly Ferreira da Costa Junior 1 Andréa Oliveira Souza

Leia mais

REDES NEURAIS ARTIFICIAIS: UMA CONTRIBUIÇÃO AO PROCESSO DE DECISÕES FINANCEIRAS

REDES NEURAIS ARTIFICIAIS: UMA CONTRIBUIÇÃO AO PROCESSO DE DECISÕES FINANCEIRAS REDES NEURAIS ARTIFICIAIS: UMA CONTRIBUIÇÃO AO PROCESSO DE DECISÕES FINANCEIRAS WILSON KENDY TACHIBANA VERIDIANA DE FÁTIMA ORLANDI Resumo: As redes neurais artificiais são modelos baseados no comportamento

Leia mais

Redes Neurais. Profa. Flavia Cristina Bernardini

Redes Neurais. Profa. Flavia Cristina Bernardini Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento

Leia mais

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por

Leia mais

5 Redes Neurais Artificiais

5 Redes Neurais Artificiais 5 Redes Neurais Artificiais 5.1. Introdução A motivação original desta metodologia 1 foi a tentativa de modelar a rede de neurônios humanos visando compreender o funcionamento do cérebro. Portanto, como

Leia mais

Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos

Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos Leandro M. de Souza Resumo Neste artigo, é proposta uma metodologia que utiliza Redes Neurais Artificiais

Leia mais

AVALIAÇÃO DE CONFIGURAÇÕES DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DO CONSUMO DE ENERGIA DE SISTEMAS DE CLIMATIZAÇÃO

AVALIAÇÃO DE CONFIGURAÇÕES DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DO CONSUMO DE ENERGIA DE SISTEMAS DE CLIMATIZAÇÃO UNIVERSIDADE DE SÃO PAULO ESCOLA POLITÉCNICA DEPARTAMENTO DE ENGENHARIA MECÂNICA AVALIAÇÃO DE CONFIGURAÇÕES DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DO CONSUMO DE ENERGIA DE SISTEMAS DE CLIMATIZAÇÃO

Leia mais

Análise Quantitativa de Tecidos em Úlceras de Perna

Análise Quantitativa de Tecidos em Úlceras de Perna 49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],

Leia mais

PREVISÃO DE CASOS DE DENGUE EM ITAJAÍ SC UTILIZANDO REDES NEURAIS ARTIFICIAIS COM SAÍDAS RECORRENTES ÀS ENTRADAS

PREVISÃO DE CASOS DE DENGUE EM ITAJAÍ SC UTILIZANDO REDES NEURAIS ARTIFICIAIS COM SAÍDAS RECORRENTES ÀS ENTRADAS PREVISÃO DE CASOS DE DENGUE EM ITAJAÍ SC UTILIZANDO REDES NEURAIS ARTIFICIAIS COM SAÍDAS RECORRENTES ÀS ENTRADAS Munyque Mittelmann 1, Lucas Grigolon Varela 1, Daniel Gomes Soares 1 1 Instituto Federal

Leia mais

AVALIAÇÃO DE CONFIGURAÇÕES DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE CONSUMO DE ENERGIA DE SISTEMAS DE CLIMATIZAÇÃO

AVALIAÇÃO DE CONFIGURAÇÕES DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE CONSUMO DE ENERGIA DE SISTEMAS DE CLIMATIZAÇÃO AVALIAÇÃO DE CONFIGURAÇÕES DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE CONSUMO DE ENERGIA DE SISTEMAS DE CLIMATIZAÇÃO Esteban Fernandez Arancibia ep.fdez@gmail.com Resumo:Este trabalho apresenta um estudo

Leia mais

Inteligência Computacional

Inteligência Computacional Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Motivação Básica A mente humana,

Leia mais

CONFIGURATION OF ARTIFICIAL NEURAL NETWORKS FOR ESTIMATING THE VOLUME OF TREES

CONFIGURATION OF ARTIFICIAL NEURAL NETWORKS FOR ESTIMATING THE VOLUME OF TREES Ciência da Madeira (Braz. J. Wood Sci.), Pelotas, v. 05, n. 01, p. 58-67, Maio de 2014 ISSN: 2177-6830 CONFIGURAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAÇÃO DO VOLUME DE ÁRVORES Daniel Henrique Breda

Leia mais

Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si

Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências

Leia mais

RECONSTRUÇÃO E RECONHECIMENTO DE IMAGENS BINÁRIAS UTILIZANDO O ALGORITMO MÁQUINA DE BOLTZMANN

RECONSTRUÇÃO E RECONHECIMENTO DE IMAGENS BINÁRIAS UTILIZANDO O ALGORITMO MÁQUINA DE BOLTZMANN UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA GUSTAVO BRUNO DO VALE RECONSTRUÇÃO E RECONHECIMENTO DE IMAGENS BINÁRIAS UTILIZANDO O ALGORITMO MÁQUINA

Leia mais

O Ensino de Ciência da Computação. Práticas de ensino de algoritmos (Hazzan, Cap. 3 / EAD Cap. 2) Péricles Miranda

O Ensino de Ciência da Computação. Práticas de ensino de algoritmos (Hazzan, Cap. 3 / EAD Cap. 2) Péricles Miranda O Ensino de Ciência da Computação Práticas de ensino de algoritmos (Hazzan, Cap. 3 / EAD Cap. 2) Péricles Miranda O Que é Ciência da Computação? Analise os argumentos abaixo: 1. Ciência é a observação,

Leia mais

MONITORAMENTO QUANTITATIVO E QUALITATIVO DO VAPOR GERADO EM UMA CALDEIRA DE RECUPERAÇÃO QUÍMICA

MONITORAMENTO QUANTITATIVO E QUALITATIVO DO VAPOR GERADO EM UMA CALDEIRA DE RECUPERAÇÃO QUÍMICA MONITORAMENTO QUANTITATIVO E QUALITATIVO DO VAPOR GERADO EM UMA CALDEIRA DE RECUPERAÇÃO QUÍMICA 1 Gilberto D. M. Filho, 2 Marcelardoso, 3 Gustavo M. de Almeida 1 Aluno de Iniciaçãientífica/UFMG, discente

Leia mais

Previsão de consumos a curto prazo

Previsão de consumos a curto prazo Previsão de consumos a curto prazo Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) O que são? são técnicas computacionais que apresentam um modelo matemático inspirado

Leia mais