COMPARAÇÃO ENTRE AS REDES NEURAIS ARTIFICIAIS MLP E RBF PARA MODELAGEM DO RENDIMENTO DA FERMENTAÇÃO ALCOÓLICA
|
|
- Denílson Barreiro da Fonseca
- 7 Há anos
- Visualizações:
Transcrição
1 COMPARAÇÃO ENTRE AS REDES NEURAIS ARTIFICIAIS MLP E RBF PARA MODELAGEM DO RENDIMENTO DA FERMENTAÇÃO ALCOÓLICA André Luis Guimarães Lemes [PIBITI/CNPq] 1, Evandro Bona [orientador] 2, Jade Varaschim Link [Colaborador] 2, Herily Pereira Sato [Colaborador] 1 1 Coordenação de Engenharia de Alimentos 2 Programa de Pós-Graduação em Tecnologia de Alimentos Câmpus Campo Mourão Universidade Tecnológica Federal do Paraná - UTFPR ROD BR 369 Km 0,5 - Caixa Postal CEP: alglemes@hotmail.com, ebona@utfpr.edu.br, jadejvl@hotmail.com, satohp@hotmail.com Resumo - No Brasil, as condições para o desenvolvimento de biocombustíveis são muito favoráveis, sendo o etanol produzido a partir da cana-de-açúcar uma alternativa de baixo custo de produção, em relação ao etanol de outros países. Este fato pode, futuramente, levar o Brasil à liderança do mercado internacional de etanol, aumentando muito a sua produção, necessitando assim, certa previsibilidade dessa para se obter um bom controle dos estoques. As redes neurais artificiais têm sido amplamente aplicadas no controle de sistemas não lineares devido a sua capacidade de aproximação universal. O presente trabalho teve como objetivo realizar uma comparação entre as redes neurais artificiais perceptron de múltiplas camadas (MLP) e rede de funções de base radial (RBF) para modelar o rendimento da fermentação alcoólica. Observou-se que a rede neural artificial do tipo MLP foi capaz de modelar satisfatoriamente o rendimento de fermentação alcoólica com um erro quadrado médio (EQM) de 0,2667 e coeficiente de correlação (r) entre os valores previstos e observados de 0,9446 para as amostras de teste. Já a RBF atingiu um EQM = 0,3859 e r = 0,9081. Com a rede MLP, que obteve um melhor desempenho para o problema estudado, fez-se uma análise da importância de cada variável independente no rendimento permitindo, assim, uma análise preliminar que vai orientar estudos futuros. Palavras-chave: redes neurais artificiais; fermentação alcoólica; função de bases radiais; perceptron de múltiplas camadas. Abstract - In Brazil, the conditions for the development of biofuels are very favorable, and the ethanol produced from sugar cane is a low-cost alternative when compared to ethanol from other countries. This fact may, in future, make the Brazil international leadership in this area, increasing its ethanol production and requiring certain predictability of the production to control the stock. Artificial neural networks have been widely applied in the control of nonlinear systems due to its universal approximation capability. The present work had as its aim to perform a comparison between two types of artificial neural networks. The multilayer perceptron (MLP) and the radial basis function network (RBF) were used to model the performance of the alcoholic fermentation. It was observed that the MLP was able to model the yield of alcoholic fermentation with a mean square error (MSE) and a correlation coefficient (r) between predicted and observed values of to the test samples. The RBF has reached a MSE = and r = With the MLP network, which obtained a better performance for the problem studied, a sensitivity analysis of each independent variable was applied to allow a preliminary notion that will guide in future studies. Keywords: artificial neural networks, alcoholic fermentation, radial basis function, multilayer perceptron.
2 INTRODUÇÃO Há algum tempo os biocombustíveis vem sendo o centro das atenções nacionais e internacionais, devido ao alto preço do petróeo e à preocopação com a emissão de gases de efeito estufa. No Brasil, a produção de etanol à base de cana-de-açúcar foi iniciada em 1975 visando diminuir o consumo de petróleo. O Brasil apresenta condições extremamente favoráveis para a produção de biocombustíveis, o que pode favorecer uma posição futura como líder do etanol no mercado internacional. Em 2006 o Brasil exportou 19% de sua produção de etanol, que correspondeu 70% da demanda mundial, sendo que essa demanda tende a aumentar devido a um maior consumo de combustíveis de fontes renováveis em todo o mundo, como por exemplo, em países da União Européia que já prometem uma maior porcentagem de etanol misturado à gasolina [1]. Outro fator que contribuiu para o aumento da produção e consumo de etanol no Brasil é a tecnologia dos motores flex, que permite o uso de qualquer proporção de etanol/gasolina [2]. Economicamente falando, o etanol produzido à base de cana-de-açúcar no Brasil oferece baixo custo em relação ao etanol produzido em outros países como o produzido à base de milho nos Estados Unidos, devido à condições climáticas, condições gerais de produção e a produtividade da cana-de-açúcar, favorecendo assim a exportação do produto. Em relação ao mercado interno, em 2008 o etanol representou mais da metade de todos os combustíves utilizados [1]. Por causa deste momento de transição entre a era fóssil e a era alternativa, a previsão da produção de álcool favorece o planejamento do volume de estoque, evitando a falta deste produto [3]. Redes Neurais Artificiais (RNA) têm sido amplamente aplicadas na identificação e controle de sistemas não lineares [4]. Uma das principais causas desse sucesso é a sua capacidade de aproximação universal [5]. As RNA são modelos para o processamento de informação compostas por um conjunto de elementos conectados, unidades ou nós de processamento simples, cuja funcionalidade baseia-se no funcionamento de um neurônio do córtex cerebral. A habilidade de processamento da rede está na memória armazenada nas conexões dessas unidades, chamadas de pesos, que são adquiridas por um processo chamado de aprendizagem, a partir de padrões de treinamento [6]. O presente trabalho teve como objetivo comparar dois tipos distintos de redes neurais artificiais, o perceptron de múltiplas camadas (MLP - Multi Layer Perceptron) e a rede de funções de base radial (RBF Radial Basis Functions), utilizados para modelar o rendimento da fermentação alcoólica. METODOLOGIA Banco de dados industrial. Foram utilizados dados fornecidos pela Usina Santa Terezinha (Iguatemi-PR), onde constam 109 registros contendo dados de safra, tempo de queima, pureza da cana (PCTS), Açúcar Total Recuperável (ATR) da cana, dextrana da cana, ART (açúcares redutores totais), impureza no mosto, ART do mosto, acidez do mosto, nitrogênio amoniacal do mosto, ARRT (teor de açúcares redutores residuais total) do vinho, teor alcoólico do vinho, acidez do vinho, glicerol no vinho, ph do levedo, porcentagem de levedo na cuba, porcentagem de levedo na dorna, bastonetes no vinho, viabilidade, floculação e rendimento de fermentação. A variável safra foi excluída do banco de dados devido à mesma não ser um parâmetro de controle do processo de fermentação, formando assim o Banco de Dados 1. Foi realizada uma análise das correlações estatisticamente significativas entre as variáveis independentes e o rendimento de fermentação. As variáveis que apresentaram um coeficiente de correlação estatisticamente significativo ao nível de 5% foram utilizadas para formar o Banco de Dados 2. A fim de analisar a influência da safra, as variáveis independentes que apresentaram um coeficiente de correlação estisticamente significativo (p 0,05) em relação à
3 mesma e que não constavam no Banco de Dados 2 foram adicionadas formando o Banco de Dados 3. Para a construção do Banco de Dados 4, foi utilizado o módulo Feature Selection do software Statistica. Nessa metodologia as variâncias das variáveis dependentes e independentes são comparadas e seleção dos fatores mais importantes é feita com base um teste estatístico do tipo F. Para avaliar a influência da safra, as variáveis independentes de correlação estisticamente significativa (p 0,05) em relação à mesma e que não constavam no Banco de Dados 4 foram adicionadas formando o Banco de Dados 5. As amostras de cada banco de dados foram separadas em dois grupos obedecendo a seleção aleatória: amostras de treinamento e amostras de teste. Foram separadas para teste 11 amostras, sendo aproximadamente 10% das amostras de cada safra. Redes neurais artificiais. A fim de modelar a produção de etanol, foram construídos dois tipos de RNA, o MLP e a RBF. A arquitetura da MLP é composta por uma camada de entrada com um neurônio para cada variável de entrada, uma ou duas camadas ocultas, neste caso apenas uma, com o número de neurônios ocultos a ser definido, e uma camada de saída. Para cada conexão entre os neurônios existe um peso associado [4], como mostra a Figura 1. (a) (b) Figura 1. Representação de uma rede (a) MLP e (b) RBF [4]. Em cada neurônio de cada camada é realizado um somatório ponderado pelos pesos sinápticos dos sinais provenientes dos neurônios da camada anterior. Esta soma, chamada de campo local induzido, é aplicada a uma função de ativação não linear que irá produzir a saída do neurônio [4]. Nas redes MLP as funções de ativação mais utilizadas são as sigmóides do tipo logística e tangente hiperbólica [7]. O sucesso das redes MLP em aplicações onde é necessário usar o poder computacional para a solução de problemas difíceis vem do seu treinamento supervisionado que utiliza um algoritmo conhecido como retopropagação de erro. Este algoritmo é baseado na regra de aprendizagem por correção de erro [4, 8]. A arquitetura de uma RBF, como mostra a Figura 1, compreende três camadas que exercem papeis diferentes. A primeira camada conecta a rede ao seu ambiente, o seu número de neurônios é igual ao número de variáveis de entrada. A segunda camada, conhecida como camada oculta, aplica uma transformação não linear do espaço de entrada para o espaço oculto. Todos os nós da camada de entrada estão conectados com cada nó da camada oculta [9]. Essas unidades ocultas fornecem um conjunto de funções radiais que constituem uma base arbitrária para os padrões de entrada [4]. A função radial é uma função de valores reais cujo valor depende apenas da distância entre seu vetor de entrada x e um ponto chamado centro. A camada de saída é feita de unidades lineares [10]. O método de aprendizagem aplicado foi o processo de aprendizagem híbrido [4, 11] que é constituído de dois diferentes estágios: estágio de aprendizagem auto-organizada, onde o objetivo é estimar localizações adequadas para os centros das funções de base radial na camada oculta; e estágio de
4 aprendizagem supervisionada, que estima os pesos lineares da camada de saída completando o projeto da rede. Para o processo de aprendizagem auto-organizada, utilizamos um algoritmo de agrupamento que separa o conjunto fornecido de dados em subgrupos, cada um dos quais sendo tão homogêneo quanto possível. O algoritmo utilizado foi o algoritmo de agrupamento K-means, que coloca os centros das funções de base radial apenas naquelas regiões do espaço de entrada onde os dados significativos estão presentes [4]. Otimização dos parâmetros das redes. Para que fossem encontrados os parâmetros das redes que melhor se adéquem aos problemas propostos, foi utilizada a otimização do simplex sequencial [12]. O princípio do simplex é deslocar uma figura regular sobre uma superfície para evitar respostas que não sejam satisfatórias. Em um espaço n-dimensional o simplex é um poliedro com n+1 vértices e com faces planas, onde n é o número de variáveis independentes. Este método tende a levar a figura simplex a um valor ótimo através da reflexão de pontos específicos. Quando próximo do ótimo, o simplex pode sofrer contração com objetivo de determinar uma posição mais precisa [13]. Os parâmetros otimizados na rede MLP foram: normalização dos dados de entrada e dos dados de saída (minimax e auto-escalonamento); função de ativação na camada oculta (logística e tangente hiperbólica); função de ativação na camada de saída (logística, tangente hiperbólica e linear); utilização ou não da transformação de Box-Cox nos dado de entrada [14]; número de neurônios na camada oculta (variando de 5 a 15); e banco de dados da ser utilizado. Os parâmetros otimizados na rede RBF foram: quantidade de bases radiais utilizadas (variando de 5 a 15); normalização dos dados de entrada (minimax, autoescalonamento ou não normalizar); função de distância para o algoritmo k-means; e banco de dados a ser utilizado. Os parâmetros são escolhidos no final da otimização, quando a variação do erro quadrático médio (EQM) se estabilize ou quando todos os vértices da figura simplex se estabilizarem. Para a obtenção da rede neural artificial que melhor modele o rendimento da fermentação, foram criadas 1000 redes de cada tipo, MLP e RBF em cada etapa da otimização, sendo que a escolhida é aquela que apresentou um menor valor de erro quadrático médio (EQM) do resultado final em relação às amostras de teste. Análise de sensibilidade das variáveis. Para se descobrir a importância de cada variável para o melhor modelo criado, foi realizada uma análise de sensibilidade das variáveis. Para realizar essa análise, calcula-se primeiro o erro do modelo para o conjunto original das amostras (EQM 0 ). Posteriormente substitui-se o valor da variável em questão em todas as amostras pelo valor médio da mesma, e calcula-se o erro do modelo em relação ao novo conjunto de amostras (EQM i ). O mesmo é realizado com todas as outras variáveis. O cálculo da sensibilidade de cada variável é feito de acordo com a Equação 1, sendo que a variável é considerada importante quando seu valor de sensibilidade for maior que 1 [15]. (1) Implementação computacional. Para este trabalho as RNA e o simplex seqüencial foram implementados através de uma sequência de rotinas construídas no software MATLAB R2007b (The MathWorks Inc., Estados Unidos). As análises de correlações e as análises de seleção de variáveis realizadas através do software STATISTICA 7 (StatSoft, 2004). RESULTADOS E DISCUSSÃO
5 Os bancos de dados que foram utilizados de acordo com as análises estatísticas realizadas estão representados na Tabela 1. Tabela 1. Bancos de dados utilizados para a seleção das redes neurais. Banco de Dados 1 Banco de Dados 2 Banco de Dados 3 Banco de Dados 4 Banco de Dados 5 Tempo de queima; Pureza da cana; ATR da cana; Dextrana da cana; ART; Impureza no mosto; ART do mosto; Acidez do mosto; Nitrogênio amoniacal do mosto; ARRT do vinho; Teor alcoólico do vinho; Acidez do vinho; Glicerol no vinho; ph do levedo; % de levedo na cuba;% de levedo na dorna; Bastonetes no vinho; Viabilidade; Floculação. Pureza da cana; Dextrana da cana; Impureza no mosto; Nitrogênio amoniacal do mosto; ARRT do vinho; Glicerol no vinho; Viabilidade. Pureza da cana; Dextrana da cana; Impureza no mosto; ART do mosto; Nitrogênio amoniacal do mosto; ARRT do vinho; Teor alcoólico do vinho; Glicerol no vinho; % de levedo na dorna; Viabilidade. Pureza da cana; Dextrana da cana; ART do mosto; Nitrogênio amoniacal do mosto; ARRT do vinho; Teor alcoólico do vinho; Glicerol no vinho; % de levedo na dorna; Viabilidade. Pureza da cana; ATR da cana; Dextrana da cana; Impureza no mosto; ART do mosto; Nitrogênio amoniacal do mosto; ARRT do vinho; Teor alcoólico do vinho; Glicerol no vinho; ph do levedo; % de levedo na dorna; Viabilidade; Floculação. A otimização realizada com a MLP apontou para um melhor resultado final quando os parâmetros utilizados são: normalização de entrada (minimax), normalização de saída (minimax), função de ativação da camada oculta (tangente hiperbólica), função de ativação da camada de saída (tangente hiperbólica), não utilização da transformação de Box-Cox, 10 neurônios na camada oculta e banco de dados (Banco de Dados 5). Figura 2. Respostas obtidas por cada tipo de RNA: (a) MLP amostras de treinamento; (b) MLP amostras de teste; (c) RBF amostras de treinamento; e (d) RBF amostras de teste.
6 A otimização realizada com a RBF apontou para um resultado final mais satisfatório quando os parâmetros utilizados são: 15 bases radiais, normalização dos dados de entrada (minimax); função de distância para o algoritmo k-means (correlação) e banco de dados (Banco de Dados 1). A escolha do Banco de Dados 5 como parâmetro da MLP mostra que para esse tipo de RNA a análise de correlações estatisticamente significantes mostrou-se eficaz, diminuindo o número de variáveis a ser utilizadas na modelagem, sem afetar o desempenho do modelo. Com os parâmetros estabelecidos, as RNA foram criadas e as respostas das melhores redes de cada tipo estão dispostas nos gráficos da Figura 2. A partir dos dados encontrados, foi possível calcular os valores de EQM e de coeficiente de correlação de cada conjunto de respostas em relação às suas respectivas respostas previstas. Os valores de EQM e de coeficiente de correlação estão dispostos na Tabela 2. Tabela 2. Resultados obtidos de EQM e Coeficiente de correlação da melhor rede neural artificial de cada tipo. Tipo de RNA Grupo de amostra Coef. de correlação EQM RBF Treinamento 0,5371 1,1441 Teste 0,9081 0,3859 MLP Treinamento 0,9386 0,1928 Teste 0,9446 0,2667 O baixo valor do coeficiente de correlação dos resultados da RBF com as amostras de treinamento evidencia uma grande diferença entre a tendência linear das respostas da RNA com a linha de tendência dos valores reais como pode ser observado no gráfico da Figura 2. Essa diferença de tendências faz com que os resultados da rede fiquem mais distantes do valor real, aumentando assim o valor do erro quadrático médio desses dados. No entanto, a RBF produziu resultados mais satisfatórios em relação às amostras de teste, sendo este um fato incomum, já que os valores reais de rendimento de fermentação que foram utilizados na construção da RNA são das amostras de treinamento. Nota-se que a MLP produziu resultados mais satisfatórios que a RBF, tanto em relação às amostras de treinamento quanto às amostras de teste. De acordo com este fato, a análise de sensibilidade das variáveis foi realizada a partir da MLP, e os valores de sensibilidade das variáveis estão relatados na Tabela 3. Tabela 3. Valores de sensibilidade das variáveis do Banco de Dados 5 a partir da MLP. Variável Sensibilidade Variável Sensibilidade Nitrogênio amoniacal do mosto 9,2668 Floculação 2,7787 Teor alcoólico do vinho 5,1507 Glicerol no vinho 2,4641 ART do mosto 4,4276 ph do levedo 1,8021 Levedo na dorna 3,7721 Impureza no mosto 1,8020 Dextrana da cana 3,4292 ARRT do vinho 1,5283 ATR da cana 3,3188 Viabilidade 1,4401 Pureza da cana 3,1427
7 De acordo com a análise de sensibilidade, todas as variáveis mostraram-se significativas, já que todas possuem valor de sensibilidade maior que 1. Pode-se verificar também que de acordo com seus valores de sensibilidade, algumas variáveis são muito importantes, e para avaliar cada caso em particular foram criados gráficos variando cada variável em 100 pontos entre seus niveis mínimos e máximos e mantendo as outras constantes em suas respectivas médias. Esses gráficos estão dispostos na Figura 3. Figura 3. Variação da resposta prevista pela MLP em função da variação de cada variável. As demais variáveis são mantidas no seu valor médio. De acordo com a Figura 3, o nitrogênio amoniacal do mosto, a variável mais impactante para o modelo segundo a análise de sensibilidade, influencia negativamente no rendimento da fermentação. Isso acontece devido a uma excessiva multiplicação da levedura na presença de elevados teores de nitrogênio amoniacal no mosto. Esse crescimento desvia grande parte do açúcar, não só para a formação da biomassa, mas também para o glicerol acoplado a esse crescimento. Valores de teor alcoólico influenciam negativamente na fermentação acima da concentração de 10%, o que não ocorre nas amostras disponíveis [16]. CONCLUSÕES A MLP construída foi capaz de modelar satisfatoriamente o rendimento de fermentação alcoólica tanto para as amostras de treinamento quanto para amostras de teste. O resultado satisfatório encontrado utilizando o Banco de Dados 5 mostrou que com um conjunto de apenas 13 variáveis independentes foi possível criar um modelo da fermentação alcóolica eficiente. Os resultados apresentados pela RBF mostraram que o modelo criado não se adéqua bem ao tipo de problema proposto. AGRADECIMENTOS Agradecemos ao CNPq pela concessão das bolsas de IC e IT. A CAPES pela concessão da bolsa de mestrado. E, ao IAPAR que forneceu as amostras utilizadas no trabalho.
8 REFERÊNCIAS [1] KOHLHEPP, G. Análise da situação da produção de etanol e biodiesel no Brasil. Estudos Avançados, v.24, n.68, p , [2] MANTOVANELI, I. C.; COSTA, A. C.; MACIEL FILHO, R. Hybrid neural network model for alcoholic fermentation processes with multiple stages. In: 2 nd MERCOSUR CONGRESS ON CHEMICAL ENGINEERING, 10., Costa Verde RJ, Disponível em: < pdf>, Acesso em: 02/03/2010. [3] OLIVEIRA, A. C. S.; SOUZA, A. A.; LACERDA, W. S.; GONÇALVE, L. R. Aplicação de redes neurais artificiais na previsão da produção de álcool. Ciência e Agrotecnologia, v.34, n.2, p , [4] HAYKIN, S. Redes Neurais: Princípio e Práticas. 2 ed. Porto Alegre: Bookman, 900p, [5] MELEIRO, L. A. C.; VON ZUBEN, F. J.; MACIEL FILHO, R. Constructive learning neural network applied to identification and control of fuel-ethanol fermentation process. Engineering Aplications of Artificial Intelligence, v.22, p , [6] GURNEY, K.; Uma Introdução à Redes Neurais. London: Routledge, [7] BASHEER, I. A.; HAJMEER, M. Artificial neural networks: fundamentals, computing, design, and application. Journal of Microbiological Methods, v.43, p.3-31, [8] EYNG, E. Controle Feedforward baseado em redes neurais aplicado a coluna de absorção do processo de produção de etanol. Campinas: UNICAMP, Dissertação (Mestrado), [9] TUDU, B; JANA, A; METLA, A; GHOSH, D; BHATTACHARYYA, N; BANDYOPADHYAY, R. Eletronic nose for black tea quality evaluation by an incremental RBF network. Sensors and Actuators B: Chemical, v.138, p.90-95, [10] MARINI, F. Artificial neural networks in foodstuff analyses: Trends and perspectives - A review. Analytica Chimica Acta, v.635, p , [11] BISHOP, C. M. Neural Networks for Pattern Recognition. Oxford: Oxford University, 482p, [12] GAO, F.; HAN, L. Implementing the Nelder-Mead simplex algorithm with adaptive parameters. Comput. Optim. Appl. 51: , [13] BONA, E.; BORSATO, D.; SILVA, R. S. F.; HERRERA, R. P. Aplicativo para otimização empregando o método simplex seqüencial. Acta Scientiarum, p , [14] MONTGOMERY, D.C.; PECK, E.A. Introduction to linear regression analysis. 2.ed. New York: John Wiley & Sons, Inc., 527p, [15] HUNTER, A.; KENNEDY, L.; FERGUSON, I. Application of neural networks and sensitivity analysis to improved prediction of trauma survival. Computer Methods and Programs in Biomedicine, p.11-19, [16] AMGARTEN, E.L. Estudo da viabilidade de uso de redes neurais artificiais para a predição do rendimento da fermentação alcoólica.tese (Mestrado em Biotecnologia) Universidade Positivo, Curitiba PR. 89p. 2012
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 maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia maisRedes neurais artificiais
Redes neurais artificiais Conceitos em redes neuronais Redes neuronais artificiais (RNA): uma metáfora cerebral para processamento de informações Computação neuronal Muitos usos de RNA para Reconhecimento
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia 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 maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia 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 maisMELAÇO DE CANA-DE-AÇÚCAR BISADA NA FERMENTAÇÃO ALCOÓLICA
MELAÇO DE CANA-DE-AÇÚCAR BISADA NA FERMENTAÇÃO ALCOÓLICA TWO SUMMERS SUGARCANE MOLASSES IN ALCOHOLIC FERMENTATION IGOR DOS SANTOS MASSON 1 ; MARCELO BELCHIOR MEIRELES 2 ; VITOR TEIXEIRA 2 ; GUSTAVO HENRIQUE
Leia maisModelo de Redes Neurais Artificiais para Inferência da Qualidade de um Processo Polimérico
Julia Lima Fleck Modelo de Redes Neurais Artificiais para Inferência da Qualidade de um Processo Polimérico Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do título
Leia maisSELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
Leia maisRedes 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 maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
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 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 maisESTUDO 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 maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia 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 mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia mais3 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 maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia 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 maisREDE 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 maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
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 maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisINTELIGÊNCIA 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 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 maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisAPLICAÇÃO 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 maisPROPOSTA 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 maisO efeito da padronização das notas sobre os resultados da avaliação dos cursos de Engenharia Civil
O efeito da padronização das notas sobre os resultados da avaliação dos cursos de Engenharia Civil Julio Gomes jgomes.dhs@ufpr.br RESUMO O presente trabalho tem por objetivo apresentar uma análise do efeito
Leia maisClassificação 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 maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia maisAula 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 maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisSISTEMA 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 maisModelagem empírica de funções multivariáveis por redes neurais artificiais
[~][/~][~][/~][~] [/~][ Blucher Proceedings Modelagem empírica de funções multivariáveis por redes neurais artificiais Cansian, A. B. M. 1* ; Costa, A. O. S. 2 ; Costa Jr, E. F. C. 2 1 Curso de Graduação
Leia maisAvaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos
Avaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos Otávio Roberto Martins de Souza UFSC otavio@eps.ufsc.br Silvana Pezzi, M.Eng UFSC spezzi@eps.ufsc.br
Leia 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 maisLat. Am. J. Sci. Educ. 3, (2016)
Lat. Am. J. Sci. Educ. 3, 122 (216) Latin American Journal of Science Education www.lajse.org Emprego da modelagem matemática como ferramenta para estimativa de produção de açúcar, planejamento logístico
Leia maisAnálise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisMODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Leia maisAnálise de trilha para componentes da produção de álcool em híbridos de sorgo sacarino 1
Análise de trilha para componentes da produção de álcool em híbridos de sorgo sacarino 1 José Maurílio Moreira de Figueiredo Júnior 2, Robert Eugene Schaffert 3 e Rafael Augusto da Costa Parella 3 1 Trabalho
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
Leia maisEtapas da Modelagem. Modelagem e Controle da Qualidade da Água Superficial Regina Kishi, 11/11/2014, Página 1
Etapas da Modelagem Modelagem e Controle da Qualidade da Água Superficial Regina Kishi, 11/11/2014, Página 1 Classificação dos modelos Medição de dados Conhecimento do processo físico Totalmente orientado
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia maisClassificação 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 maisEstatística Experimental
Estatística Experimental Prof. Dr. Evandro Bona ebona@utfpr.edu.br paginapessoal.utfpr.edu.br/ebona Bibliografia Recomendada Barros Neto, B.; Scarminio, I. S.; Bruns, R. E. Como Fazer Experimentos. 4ª
Leia maisPredição de propriedades termodinâmicas de equilíbrio líquido-vapor com uso de redes neurais
https://eventos.utfpr.edu.br//sicite/sicite2017/index Predição de propriedades termodinâmicas de equilíbrio líquido-vapor com uso de redes neurais RESUMO Lucas Rodrigues da Silva lucsil@alunos.utfpr.edu.br
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia 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 maisESTUDO DE MÁQUINA DE APRENDIZAGEM EXTREMA APLICADA À APROXIMAÇÃO DE FUNÇÃO
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2017 Hangar Convenções e Feiras da Amazônia - Belém - PA 8 a 11 de agosto de 2017 ESTUDO DE MÁQUINA DE APRENDIZAGEM EXTREMA APLICADA À
Leia maisRedes Neurais Artificiais Aplicadas na Otimização da Adsorção de Filmes Finos de Ftalocianinas
Redes Neurais Artificiais Aplicadas na Otimização da Adsorção de Filmes Finos de Ftalocianinas Aline Márcia de O. Farias 1, Emanuel Airton de O. Farias 1, Carla Eiras 1,2, Durcilene A. da Silva 1, Ricardo
Leia maisESTUDO COMPARATIVO DE MODELOS DE COEFICIENTES DE ATIVIDADE DA FASE LÍQUIDA PARA SEPARAÇÃO DA MISTURA ETANOL-ÁGUA
ESTUDO COMPARATIVO DE MODELOS DE COEFICIENTES DE ATIVIDADE DA FASE LÍQUIDA PARA SEPARAÇÃO DA MISTURA ETANOL-ÁGUA A. APIO 1 e N. P. G. SALAU Universidade Federal de Santa Maria, Departamento de Engenharia
Leia maisUSO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA
USO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA F. M. A. S. COSTA 1, A. P. SILVA 1, M. R. FRANCO JÚNIOR 1 e R.
Leia maisInteligência 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 maisPREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON L. O. M. DA SILVA 1, D. L. C. DA SILVA 1, L. A. VANDERLEI 1, M. C. O.
Leia maisPalavras-Chaves: Modelo, Soja,Variabilidade 1. INTRODUCÃO
Impacto da Variabilidade da Temperatura e Precipitação Sobre Um Modelo Simplificado de Estimativa de Produtividade de Soja nas Principais Regiões Brasileiras. Lima, Rosemary Ap. Odorizi; Kubota, Paulo
Leia maisIntrodução 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 maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisAlgoritmos 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 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 maisINFLUÊNCIA DO TEMPO DE ARMAZENAMENTO DA CANA NA QUALIDADE DA PRODUÇÃO DE BIOETANOL
169 INFLUÊNCIA DO TEMPO DE ARMAZENAMENTO DA CANA NA QUALIDADE DA PRODUÇÃO DE BIOETANOL INFLUENCE OF SUGAR CANE STORAGE TIME ON QUALITY OF BIOETHANOL PRODUCTION Resumo Lucas Aparício Castelli (1) Aline
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisEliane da Silva Christo. Previsão de Potência Reativa. Tese de Doutorado
Eliane da Silva Christo Previsão de Potência Reativa Tese de Doutorado Tese apresentada como requisito parcial para obtenção do título de Doutor pelo Programa de Pós- Graduação em Engenharia Elétrica da
Leia maisIntrodução 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 maisCombinação Geométrica de Métodos Preditivos; Aplicação à Previsão de Consumo Residencial Mensal de Energia Elétrica
Luiz Albino Teixeira Júnior Combinação Geométrica de Métodos Preditivos; Aplicação à Previsão de Consumo Residencial Mensal de Energia Elétrica Dissertação de Mestrado Dissertação apresentada como requisito
Leia maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisAluno: João Ferreira Orientador: Paulo Maciel
Estratégias para análise do impacto ambiental causado por centros de dados, considerando consumo de energia, eficiência energética e predições com RNA. Aluno: João Ferreira Orientador: Paulo Maciel Introdução
Leia maisOTIMIZAÇÃO DA PRODUÇÃO DE BIODIESEL A PARTIR DE ETANOL E ÓLEO RESIDUAL DE FRITURAS EMPREGANDO CATÁLISE MISTA: EFEITO DA CONCENTRAÇÃO DE CATALISADORES
OTIMIZAÇÃO DA PRODUÇÃO DE BIODIESEL A PARTIR DE ETANOL E ÓLEO RESIDUAL DE FRITURAS EMPREGANDO CATÁLISE MISTA: EFEITO DA CONCENTRAÇÃO DE CATALISADORES Louise A. Kuhl 1*, Gustavo O. Gugelmin 2, Adriana E.
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 maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisEM MICROBIOLOGIA. Lavras, maio de 2012
PLANEJAMENTO EXPERIMENTAL EM MICROBIOLOGIA Prof. Dr. Whasley Ferreira Duarte Lavras, maio de 2012 1 8 4 < 0,5 8 4 SUMÁRIO Planejamento experimental Definição de bioestatística O que são as técnicas de
Leia maisPCC146 RECONHECIMENTO DE PADRÕES Trabalho Pacial
Universidade Federal de Ouro Preto Instituto de Ciências Exatas e Biológicas Programa de Pós-Graduação em Ciência da Computação PCC146 RECONHECIMENTO DE PADRÕES Trabalho Pacial Eduardo Luz Rensso Mora
Leia maisAPRENDIZADO EM MODELOS CONEXIONISTAS
APRENDIZADO EM MODELOS CONEXIONISAS Aprendizado é o processo pelo qual os parâmetros (os pesos das coneões entre os neurônios) de uma rede neural são austados através de uma forma continuada de estímulo
Leia mais