UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS NA RESOLUÇÃO DA CINEMÁTICA INVERSA DE UM MANIPULADOR ROBÓTICO COM 5 GRAUS DE LIBERDADE
|
|
- Eugénio Desconhecida Azenha
- 6 Há anos
- Visualizações:
Transcrição
1 450 Página UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS NA RESOLUÇÃO DA CINEMÁTICA INVERSA DE UM MANIPULADOR ROBÓTICO COM 5 GRAUS DE LIBERDADE Francisco Erivaldo Fernandes Junior, Marconi Kolm Madrid fcoerivaldojr@gmail.com, madrid@dsce.fee.unicamp.br Universidade de Campinas Campinas, São Paulo Categoria: ARTIGO SUPERIOR Resumo: No presente trabalho é mostrado o desenvolvimento e os resultados obtidos no estudo sobre o uso de redes neurais para a resolução da cinemática inversa de manipuladores robóticos, mais precisamente para o caso de um manipulador com 5 graus de liberdade. A cinemática inversa é um ramo com grandes desafios devido ao problema das equações não serem lineares, dificultando a determinação de soluções de uma forma fechada. Portanto, diversos pesquisadores, ao longo dos anos, tentam resolver esse problema evitando o uso de inversões de equações. Nesse sentido, o uso de Redes Neurais Artificiais se mostra uma alternativa atraente. Para se atingir este objetivo, o estudo foi realizado para o caso de um robô manipulador educacional com 5 graus de liberdade, composto de uma estrutura de alumínio e seis servomotores. Além disso, utilizou-se o MATLAB para o desenvolvimento e treinamento da Rede Neural. Palavras Chaves: Robótica, Redes Neurais Artificiais, Cinemática Inversa. Abstract: The present work shows the development and the results obtained of a study about the use of Neural Networks to solve the inverse kinematics of robotic manipulators, more specifically to a robotic manipulator with 5 degree of freedom. The inverse kinematics is a field of study with challenges due the fact that the equations aren't linear which become a problem to obtain closed form solution. Therefore, many scientists try to solve this problem with methods that don't use equation inversions. In this sense, the use of Artificial Neural Networks proves to be an interesting alternative for this purpose. To achieve this goal, an educational robotic manipulator with 5 degree of freedom was used as the object of study. This robot has an aluminum structure and six servomotors. Furthermore, the software MATLAB was used to develop and train the Neural Network. Keywords: Robotics, Artificial Neural Networks, Inverse Kinematics. 1 INTRODUÇÃO A robótica é um campo de pesquisa tecnológica relativamente ovem que não é limitada pelas tradicionais fronteiras existentes entre as diversas engenharias. Para o entendimento das complexidades e aplicações que envolve o estudo dos robôs é necessário conhecimentos de engenharia elétrica, engenharia mecânica, engenharia industrial e de sistemas, ciências da computação, economia e matemática [Spong et al, 2004]. Além disso, os robôs são as principais ferramentas utilizadas em automação da produção industrial, em tarefas perigosas, em tarefas no espaço sideral e/ou em qualquer tarefa em que se deseja que uma máquina substitua um ser humano [Mittal, 2003; Siciliano et al, 2010]. Por isso, o estudo dessas máquinas tem vital importância para o desenvolvimento das áreas de tecnologia em mecatrônica e automação. A cinemática é o estudo do movimento de um robô em relação a um referencial cartesiano fixo ignorando as forças e os momentos que causam o movimento da estrutura. A formulação da cinemática de um robô, permite o estudo de dois problemas chaves na robótica. O problema da cinemática direta e o problema da cinemática inversa. O modelo cinemático direto permite determinar a posição e orientação da garra do robô, em relação a um referencial cartesiano fixo, a partir dos valores das suas juntas. Por outro lado, o modelo cinemático inverso permite determinar os valores das juntas do robô a partir da posição e orientação da garra. A cinemática direta pode ser facilmente obtida pela convenção de Denavit-Hartenberg. Entretanto, não existe uma forma simples de se obter o modelo cinemático inverso de um manipulador robótico [Spong et al, 2004; Siciliano et al, 2010; Corke, 2011]. Na literatura é possível encontrar diversas técnicas clássicas para resolver o problema da cinemática inversa. Para manipuladores robóticos simples, as soluções algébricas e geométricas são as abordagens mais comuns para este fim [Siciliano et al, 2010]. Enquanto que o desacoplamento cinemático é um exemplo de uma técnica clássica utilizada em robôs mais complexos [Spong et al, 2004]. Entretanto, existem alguns problemas ao se utilizar de tais abordagens. Problemas que são inerentes a própria natureza da cinemática inversa, por exemplo [Siciliano et al, 210]: As equações são em gerais não lineares e, por isso, nem sempre é possível encontrar soluções de forma fechada; Múltiplas soluções podem existir; Infinitas soluções podem existir, por exemplo, no caso de um manipulador redundante; Podem não existir soluções admissíveis. Devido a esses problemas, torna-se interessante tentar encontrar outras maneiras para encontrar uma solução para a cinemática inversa. Com esse problema em mente que em
2 1997 foi publicado um artigo sobre um método de busca heurística para solução de cinemática inversa escrito por Madrid e Badan [Madrid e Badan, 1997]. Posteriormente, esse método foi aperfeiçoado por Nicolato em 2007 [Nicolato, 2007]. Além desses, existem os métodos baseados em Redes Neurais Artificiais, RNA. O uso de RNA em robótica é algo relativamente novo, uma das primeiras publicações que relaciona o uso de RNA com robótica data de 1989 [Kung et al, 1989]. Enquanto que em 1995, Tzafestas publicou um estudo da arte do uso de RNA em robótica [Tzafestas, 1995]. No caso especial do uso de RNA para resolução de cinemática inversa pode-se citar os trabalhos de Ito, Karlik, Wei, Koker, Oyama, Youssef, Daya e Dash [Ito, 1995; Karlik et al, 200; Wei et al, 2003; Koker et al, 2004; Oyama et al, 2005; Youssef et al, 2008; Daya et al, 2010; Dash et al 2011]. Existem também trabalhos nos quais os autores usam uma combinação de algoritmos genéticos com RNA [Martin et al, 2007; Koker, 2013]. Essas publicações provam que o estudo da cinemática inversa utilizando-se das Redes Neurais Artificiais é uma área de interesse para diversos pesquisadores. Segundo Gurney [Gurney, 1997], uma rede neural é um conjunto interconectado de elementos de processamento simples, chamados de nós, cuja funcionalidade é livremente baseada em neurônios animais. A capacidade de processamento da rede é armazenada nas forças de ligação entre as unidades, denominadas de pesos, obtidas pelo processo de adaptação ou aprendizagem de um conjunto de treinamento. Além disso, as Redes Neurais Artificiais também são conhecidas como aproximadores universais de funções [Hornik et al, 1989; Krose et al, 1996]. Portanto, são boas candidatas para serem usadas na resolução da cinemática inversa de manipuladores robóticos. Tipicamente, uma rede neural artificial é composta por um conjuntos de entradas e um conjunto de saídas. Uma RNA pode ser composta por camadas de neurônios entre as entradas e as saídas. Essas camadas intermediárias de neurônios são conhecidas pelo nome de Camadas Escondidas, do inglês Hidden Layers. Uma RNA pode ter um número arbitrário de camadas escondidas e cada uma delas podem ter um número arbitrário de neurônios [Gurney, 1997; Krose et al, 1996]. Por exemplo, na Figura 1 é mostrada uma RNA com 4 entradas, 2 saídas e 1 camada escondida com 3 neurônios. foram seguidos para se atingir o objetivo de resolver a cinemática inversa de um manipulador robótico com 5 graus de liberdade, segue a estrutura do presente artigo: O método de Denavit-Hartenberg para obtenção do modelo cinemático direto do robô em estudo é apresentado na seção 2; A teoria das Redes Neurais Artificiais é apresentada na seção 3; Os métodos e materiais utilizados para a realização do presente trabalho são apresentados na seção 4; Os resultados obtidos estão expostos na seção 5; Por último, a conclusão e considerações finais estão apresentadas na seção 6. 2 O TRABALHO PROPOSTO 2.1 Modelagem Cinemática Direta 451 Página Obter o modelo cinemático direto de um robô é tão importante quanto seu modelo cinemático inverso. Isso se deve ao fato de que com a cinemática direta é possível obter a cinemática inversa, o jacobiano e o modelo dinâmico do manipulador [Spong et al, 2003; Siciliano et al, 2010]. Portanto, o primeiro passo para a realização do presente trabalho foi a obtenção do modelo cinemático direto do robô em estudo, mostrado na Figura 2. Ao contrário da cinemática inversa, a obtenção do modelo cinemático direto de um manipulador robótico é um processo simples que faz uso de matrizes de transformação homogênea. A forma mais comum para obtenção desse modelo é através do uso da convenção de Denavit-Hartenberg, DH [Spong et al, 2003; Siciliano et al, 2010]. Nessa convenção, um sistema de coordenadas é fixado em cada junta do robô. Essas juntas podem possui movimentos de rotação ou translação em torno de seu eixo. Uma matriz de transformação homogênea é atribuída para cada sistema de coordenadas fixado. Essas matrizes contém informações de orientação e posição do sistema coordenado atual em relação ao sistema anterior e pode ser escrita da seguinte forma: Figura 1: Exemplo de uma Rede Neural Artificial, adaptado de Gurney, Portanto, visando a compreensão do leitor sobre os passos que onde θ i, α i, a i e d i, são parâmetros DH associados com o elo i e a junta i. Geralmente, os nomes dados a esses parâmetros são: link length, link twist, link offset e joint angle. Mais informações sobre esses parâmetros podem ser encontradas em [Siciliano et al, 2010, Corke, 2011, Spong et al, 2004]. Portanto, para se determinar as matrizes de cada elo é necessário montar uma tabela com esses parâmetros que, no caso do robô em estudo, encontra-se na Tabela I.
3 onde: 452 Página Figura 2: Robô manipulador com 5 graus de liberdade. Por último, para se determinar a orientação e a posição final da garra do robô é necessário multiplicar todas as matrizes ao longo da cadeia cinemática. Para o caso do robô em estudo, tem-se: Portanto, o modelo cinemático direto do robô em estudo é o seguinte: 2.2 Redes Neurais Artificiais As redes neurais artificiais são baseadas nos neurônios naturais encontrados nos animais. As RNAs são consideradas sistemas de computação paralela e possuem a habilidade de se adaptar, aprender, aproximar funções, generalizar, agrupar e organizar dados [Gurney, 1997; Krose et al, 1996]. Devido a essas características que esse tipo de rede se mostra promissor para aresolução de uma infinidade de problemas. Historicamente, os primeiros trabalhos a introduzir esse assunto datam de 1943 [McCulloch e Pitts, 1943]. Entretanto, houve uma época de desinteresse no estudo das RNAs devido ao trabalho de Minsky e Papert de 1969 em que mostrava as deficiências do modelo perceptron. Entretanto, na década de 80, o interesse pelas redes neurais reapareceu devido a evolução dos sistemas computacionais e a descoberta da retropropagação, uma técnica importante para o treinamento de redes neurais [Krose et al, 1996]. Como dito na introdução deste trabalho, uma rede neural artificial é um conjunto de nós interconectados, sendo cada nó chamado de neurônio. Entretanto, a força da rede neural não está no nó em si, mas sim no peso de suas conexões. Para obtenção dos pesos adequados para uma determinada tarefa é necessário que a rede passe por um processo de adaptação ou treinamento. Nesse processo, são apresentados a rede um conjunto de treinamento, que consistem nas entradas e saídas desejadas. Portanto, durante o processo de treinamento, os pesos da rede são ajustados até que o valor predito pela rede seja menor que o erro desejado em relação aos valores reais. Após o processo de treinamento, a rede será capaz de generalizar os dados, não apenas para as entradas e saídas
4 utilizadas durante o treinamento, mas, também, para entradas desconhecidas [Gurney, 1997; Krose et al, 1996].. 3 MATERIAIS E MÉTODOS Os materiais utilizados para a realização do presente trabalho foram os seguintes: Um robô manipulador com 5 graus de liberdade, acionado por quatro servomotores do tipo TR213 e dois servomotores do tipo TR205, mostrado na Figura2; Um microcontrolador Arduino Uno Rev. 3, semelhante ao mostrado na Figura 3; Uma fonte para alimentar os servomotores do tipo ATX; Software MATLAB; Neural Networks Toolbox; Robotics Toolbox [Corke, 1996]. Figura 3: Arduino Uno Rev. 3. Além disso, o método seguido foi trabalhar de forma simulada no software do MATLAB e, ao obter-se resultados satisfatórios, transferir o trabalho para o robô real. Sendo assim, foram seguidos os seguintes passos para o treinamento e teste da rede neural artificial: Levantamento do modelo cinemático do robô em estudo; Obtenção dos dados de treinamento da rede neural pela utilização do espaço de trabalho do robô. Sendo os dados de treinamento compostos por; o Dados de entrada: todos os valores possíveis para a orientação e a posição da garra do robô; o Dados de saída: os valores correspondentes de cada junta do robô; Treinamento da rede neural para diferentes parâmetros; Elaboração de uma trajetória para testar os resultados do treinamento da rede neural. Seguindo os passos citados acima foram obtidos resultados satisfatórios que serão detalhados na próxima seção. 4 RESULTADOS E DISCUSSÃO Devido ao número de páginas limitado para a escrita deste artigo serão apresentados nesta seção apenas os melhores resultados obtidos na realização do trabalho. Além disso, a rede neural foi treinada apenas com 4 graus de liberdade, pois o 5º grau de liberdade constitui apenas uma rotação em torno do eixo Z do sistema de referência da garra do robô. Para testar os resultados obtidos no treinamento das redes neurais utilizadas no presente trabalho, foi elaborada a trajetória mostrada na Figura 5. Essa trajetória seria a realização de uma simples tarefa de transporte, pegar um objeto em um local e colocá-lo em outro local. Para a obtenção dos melhores resultados, foi utilizada uma rede neural do tipo feedforward, Figura 1, com 3 camadas escondidas, contendo, respectivamente, 17, 15 e 12 neurônios. Além disso, em cada camada escondida foi utilizada a função de transferência log-sigmoid. Essa rede possui 12 entradas e 4 saídas, Figura 5. Sendo as entradas os valores da orientação e posição final da garra do robô. Enquanto que as saídas são os valores de cada junta do robô. O treinamento da rede foi feito utilizando a função trainbr e um conjunto de treinamento com dados de entrada e dados de saída. Esses dados foram divididos de forma randômica sendo 15% usados na validação e 85% usados no teste da rede. A taxa de aprendizagem foi de 0,2 e a rede foi treinada por 3000 iterações. Utilizando-se desses parâmetros se obteve um erro de treinamento da ordem de 10 10, conforme ilustrado na Figura 6. Por fim, ao aplicar a rede neural treinada na trajetória desejada, foi obtido um erro da ordem de 10 2 mm, conforme apresentado na Figura 7. Portanto, o método estudado no presente artigo pode ser utilizado até em tarefas que requerem um alto nível de precisão. Além disso, sendo o treinamento da rede neural a única etapa do processo que exige grande poder computacional, o método em estudo pode ser aplicado para solucionar a cinemática inversa de um manipulador em tempo real, durante a realização da tarefa. Figura 4: Arquitetura da rede utilizada. Figura 5: Trajetória do robô. 453 Página Figura 6: Erro quadrático médio do treinamento da rede neural.
5 5 CONCLUSÕES Anais da Mostra Nacional de Robótica - MNR 2013 Figura 7: Resultado final. Conforme demonstrado pelos resultados, a utilização de redes neurais para resolução da cinemática inversa de manipuladores robóticos é bastante satisfatório. Com um erro entre o valor desejado e o predito pequenos, as RNAs podem ser usadas em tarefas que requerem bastante precisão. Ao longo do desenvolvimento deste trabalho foram feitas algumas constatações interessantes. Da forma como apresentada nesse artigo, as RNAs não são adequadas para resolução de cinemática inversa de manipuladores redundantes, manipuladores que possuem mais graus de liberdade do que o seu espaço de trabalho. O exemplo típico desse fato é quando se tenta utilizar a metodologia apresentada em um robô planar com 3 graus de liberdade. Devido às redundâncias acaba-se criando um conjunto de dados de treinamento confuso para a rede e, por isso, a rede não consegue convergir para o resultado esperado. Portanto, a maneira como foi desenvolvida o presente trabalho apresenta bons resultados apenas para robôs não redundantes. Como um robô planar com 2 graus de liberdade ou um robô 3D com no máximo 6 graus de liberdade. REFERÊNCIAS BIBLIOGRÁFICAS Spong, M. W.; Hutchinson, S.; Vidayasagar, M. Robot Dynamics and Control. 2nd. ed. John Wiley & Sons, Inc, p. ISBN Mittal, R. K. Robotic and Control. Tata McGraw Hill, Siciliano, B. et al. Robotics: Modelling, Planning and Control. Springer, Corke, P. Robotics, Vision and Control: Fundamental Algorithms in Matlab. Springer, Madrid, M.; Badan, A. Heuristic Search method for continuous-path tracking optimization on highperformance industrial robots. Control Engineering Practice, v. 5, n. 9, p , set ISSN Nicolato, F. Estudo e Implementação de um Método de Cinemática Inversa Baseado em Busca Heurística para Robôs Manipuladores: Aplicação em Robôs Redundantes e Controle Servo Visual. 87 p., Tese (Doutorado) Universidade de Campinas, Tzafestas, S. Neural networks in robotics: state of the art. Proceedings of the IEEE International Symposium on Industrial Electronics. Atenas. IEEE, v. 1, p ISBN Ito, K. Regularization of inverse kinematics for redundant manipulator using neural networks inversions. 454 Página Proceedins of ICNN'95 International Conference on Neural Networks. IEEE, v. 5, p Karlik, B.; Aydin, S. An improved approach to the solution of inverse kinematics for robot manipulators. Engineering Applications of Artificial Intelligence, 2000, v. 13, n. 2, p , abr ISSN Wei., L.-X.; Wang, H.-R.; Li, Y. L. A new solution for inverse kinematics of manipulator based on neural network. Proceedings of the 2003 International Conference on Machine Learning and Cybernetics. IEEE, 2003, v. 2, n.1, p Köker, R. et al. A study of neural network based inverse kinematics solution for a three-joint robot. Robotics and Autonomous Systems, 2004, v. 49, n. 3-4, p , dez ISSN Oyama, E. et al. Inverse kinematics learning for robotic arms with fewer degrees of freedom by modular neural network systems IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE, p ISBN Youssef, K.; Woo, P.-Y. Robotic position/orientation control using neural networks, 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence). Hong Kong: IEEE, p ISBN Daya, B.; Khawandi, S.; Chauvet, P. Neural network system for inverse kinematics problem in 3 DOF robotics. In: 2010 IEEE Fifth International Conference on Bio- Inspired Computing: Theories and Applications (BIC- TA). IEEE, p ISBN Dash, K. et al. A neural network based inverse kinematic problem IEEE Recent Advances in Intelligent Computational Systems, 2011, Ieee, p , Martín, J. A. H.; Lope, J.; de Santos, M. Evolution of Neurocontrollers for Multi-link Robots. Innovations in Hybrid Intelligent Systems, 2007, v. 44, p , Köker, R. A genetic algorithm approach to a neural-networkbased inverse kinematics solution of robotic manipulators based on error minimization. Information Sciences, 2013, v. 222, p , fev ISSN Gurney, K. An Introduction to Neural Networks. London: UCL Press p. ISBN Hornik, K.; Stinchcombe, M.; White, H. Multilayer feedforward networks are universal approximators. Neural Networks, 1989, v. 2, p , Krose, B.; Smagt, P. V. D. An Introduction to Neural Networks.Eighth. Amsterdam: University of Amsterdam, p. McCulloch, W. S., Pitts, W. (1943). A logical calculus of the immanent in nervous activity. Bulletin of Mathematical Biophysics, 5, Minsky, M., Papert, S. (1969). Perceptrons: An Introduction to Computational Geometry. The MIT Press. Corke, P. I. A robotics toolbox for MATLAB. IEEE Robotics & Automation Magazine, 1996, v. 3, p , mar 1996.
Aplicação de Redes Neurais Artificiais e Algoritmos Genéticos na Resolução da Cinemática Inversa de um Manipulador Robótico com 5 graus de liberdade
Aplicação de Redes Neurais Artificiais e Algoritmos Genéticos na Resolução da Cinemática Inversa de um Manipulador Robótico com 5 graus de liberdade Francisco Erivaldo Fernandes Junior Departamento de
Leia maisPrograma Analítico de Disciplina ELT434 Robótica Industrial
0 Programa Analítico de Disciplina Departamento de Engenharia Elétrica - Centro de Ciências Exatas e Tecnológicas Número de créditos: Teóricas Práticas Total Duração em semanas: 15 Carga horária semanal
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 maisROBÓTICA DENAVIT- HARTENBERG. Prof a. Dra. GIOVANA TRIPOLONI TANGERINO Tecnologia em Automação Industrial
SP CAMPUS PIRACICABA ROBÓTICA Prof a. Dra. GIOVANA TRIPOLONI TANGERINO Tecnologia em Automação Industrial DENAVIT- HARTENBERG https://giovanatangerino.wordpress.com giovanatangerino@ifsp.edu.br giovanatt@gmail.com
Leia maisCONTROLE CINEMÁTICO DE UM ROBÔ ANTROPOMÓRFICO COM PUNHO ESFÉRICO
CONTROLE CINEMÁTICO DE UM ROBÔ ANTROPOMÓRFICO COM PUNHO ESFÉRICO José Alberto Naves Cocota Júnior cocota@em.ufop.br Thiago D Angelo thiago.d.angelo@hotmail.com João Victor Oliveira eca.joaovictor@yahoo.com.br
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 maisControle de Robôs Manipuladores. Prof. Valdir Grassi Junior sala 2986 (prédio antigo)
Controle de Robôs Manipuladores Prof. Valdir Grassi Junior e-mail: vgrassi@usp.br sala 2986 (prédio antigo) Introdução Robôs Manipuladores O que são robôs manipuladores? Robôs Manipuladores Industriais
Leia maisTransmitir aos alunos conhecimentos sobre robótica fixa e móvel, visando capacitá-los a desenvolver
DISCIPLINA: ELE228 - Robótica A Créditos: 4 Caráter: Eletiva UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE SISTEMAS ELÉTRICOS DE AUTOMAÇÃO E ENERGIA PROGRAMA DE PÓS-GRADUAÇÃO
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 maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisMODELAGEM CINEMÁTICA DE UM ROBÔ ANTROPOMÓRFICO COM DOIS GRAUS DE LIBERDADE 1
MODELAGEM CINEMÁTICA DE UM ROBÔ ANTROPOMÓRFICO COM DOIS GRAUS DE LIBERDADE 1 Vânia Luisa Behnen 2, Roberta Goergen 3, Marcia Regina Maboni Hoppen Porsch 4, Mônica Raquel Alves 5, Antonio Carlos Valdiero
Leia maisROBÓTICA. Equacionamento da Cinemática Direta de Robôs
ROBÓTICA Equacionamento da Cinemática Direta de Robôs Prof. Dr. Carlo Pece Depto. de Eletrotécnica UTFPR Transparências adaptadas de material fornecido pelo prof. Winderson E. dos Santos UTFPR 1 Cinemática
Leia maisANÁLISE DE UM MANIPULADOR ROBÓTICO MÓVEL 1
ANÁLISE DE UM MANIPULADOR ROBÓTICO MÓVEL 1 Rodolfo R. dos SANTOS 2 Graduando em Engenharia de Controle e Automação, IFSP/Câmpus São Paulo Bolsista PIBIFSP Caio Igor Gonçalves CHINELATO 3 Docente do Curso
Leia maisModelo Cinemático Inverso. Prof. Walter Fetter Lages 16 de setembro de 2007
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica Programa de Pós-Graduação em Engenharia Elétrica ELE00070-Tópicos Especiais em Controle e Automação I
Leia maisManipulação Robótica. Aula 2
Manipulação Robótica Aula 2 Programa 1) Introdução 1.1. Tipos de Robôs 1.2. Aplicações 2) Robôs Manipuladores 2.1. Estrutura de Robôs Manipuladores 2.2. Classificação de Robôs Manipuladores 2.3. Sistema
Leia maisIntrodução à Robótica Industrial. Aula 2
Introdução à Robótica Industrial Aula 2 Programa 1) Introdução 1.1. Tipos de Robôs 1.2. Aplicações 2) O Robô Manipulador 2.1. Estrutura de Robôs Manipuladores 2.2. Sensores 2.3. Atuadores 2.4. Efetuadores
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 maisManufatura assistida por computador
Manufatura assistida por computador Cinemática Direta em Manipuladores Robóticos Professor: Mário Luiz Tronco Aluno Doutorado: Luciano Cássio Lulio Engenharia Mecânica Orientação e sistemas de referência
Leia maisAprendizado por imitação usando Redes Neurais
Universidade de São Paulo Instituto de Ciências Matemáticas e Computação Aprendizado por imitação usando Redes Neurais Aluna: Valéria de Carvalho Santos Profª. Dra. Roseli A. F. Romero 2 Sumário Introdução
Leia maisManufatura assistida por Computador
Manufatura assistida por Computador Cinemática Direta em Manipuladores Robóticos for MATLAB Professor Mário Luiz Tronco Aluno Doutorado: Luciano Cássio Lulio Engenharia Mecânica 2013/01 Álgebra linear
Leia maisEngenharia de Controle e Automação: ENG03316 Mecanismos I Engenharia Elétrica: ENG10017 Sistemas e Sinais e ENG04475 Microprocessadores I
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE SISTEMAS ELÉTRICOS DE AUTOMAÇÃO E ENERGIA PLANO DE ENSINO PERÍODO LETIVO 2018/2 DISCIPLINA: ROBÓTICA A ENG10026 Créditos:
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 mais3 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 maisCinemática Inversa com Redes Neurais Aplicadas em Robôs Manipuladores
Cinemática Inversa com Redes Neurais Aplicadas em Robôs Manipuladores Gabriel Daltro Duarte [1], Claudio Pereira Mego Quinteros [²], Lincoln Machado de Araújo [³] [1] gdaltrod@gmail.com. [2] claudioquinteros_ee@hotmail.com.
Leia maisInteligência 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 maisAprendizado 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 maisUnidade 08 MATLAB Neural Network Toolkit
Unidade 08 MATLAB Neural Network Toolkit 1. Introdução Uma rede neural artificial (NN daqui em diante) é um modelo matemático que consiste de neurônios interconectados que imitam, em uma escala menor,
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 maisModelagem Cinemática de Robôs Industriais. Prof. Assoc. Mário Luiz Tronco
Modelagem Cinemática de Robôs Industriais Prof. Assoc. Mário Luiz Tronco Mário Prof. Mário Luiz Tronco Luiz Tronco Transformação direta de coordenadas θ 1 θ 2... θ N Variáveis de junta Variáveis cartesianas
Leia maisRede Neural Artificial na Solução Simultânea da Calibração de Câmera e da Cinemática Inversa
Rede Neural Artificial na Solução Simultânea da Calibração de Câmera e da Cinemática Inversa Márcio Mendonça (UTFPR - CP) mendonca@utfpr.edu.br Jônatas Favotto Dalmedico (UTFPR - CP) jdalmedico@alunosutfpr.edu.br
Leia maisApresentação do Curso e Motivação
SEM0317 Dinâmica e Controle de Sistemas Robóticos I Apresentação do Curso e Motivação Prof. Dr. Marcelo Becker M.Sc. Leonardo Marquez Pedro SEM - EESC - USP Sumário da Aula Ementa Avaliação Datas Importantes
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 maisNeural Networks. Neurônios: Elementos aritméticos simples. Redes Neuronais: conj de neurônios interligados.
Neural Networks Neural Networks Do ponto de vista computacional: métodos para representar funções usando redes de elementos aritméticos simples, e aprender tais representações através de exemplos. Do ponto
Leia maisCÁLCULO DE CINEMÁTICA INFERSA PARA MANIPULADORES UTILIZANDO ALGORITMOS GENÉTICOS
5ª Jornada Científica e Tecnológica e 2º Simpósio de Pós-Graduação do IFSULDEMINAS 06 a 09 de novembro de 2013, Inconfidentes/MG CÁLCULO DE CINEMÁTICA INFERSA PARA MANIPULADORES UTILIZANDO ALGORITMOS GENÉTICOS
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia mais1 ESCOLA POLITÉCNICA DA USP Introdução Eduardo L. L. Cabral ESCOLA POLITÉCNICA DA USP
elcabral@usp.br 1 PMR2560 Robótica Introdução Eduardo L. L. Cabral elcabral@usp.br elcabral@usp.br 2 Objetivos O que é a robótica? Robôs industriais Descrição da disciplina Vídeos elcabral@usp.br 3 De
Leia maisCinemática Inversa. Graus de Liberdade. Método Geométrico. Robô Quadrúpede.
Uma Abordagem Geométrica para cinemática inversa de uma perna com três juntas de um robô quadrúpede Bruno Costa Feltrin 1 Gean Costa Feltrin 2 Duan Paulo Cleypaul Santos 3 Agnaldo Cardozo Filho 4 Dheiver
Leia maisModelagem Cinemática de Robôs Industriais. Prof. Assoc. Mário Luiz Tronco
Modelagem Cinemática de Robôs Industriais Prof. Assoc. Mário Luiz Tronco Transformação direta de coordenadas 1 2... N Variáveis de junta Variáveis cartesianas Transformação inversa de coordenadas Transformação
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 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 maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
Leia maisClassificação. Classificação. Classificação. Classificação. Classificação. Introdução à Robótica Manipuladores e Robótica Móvel (classificação)
Introdução à Robótica e Robótica Móvel (classificação) Prof. Douglas G. Macharet douglas.macharet@dcc.ufmg.br Japanese Industrial Robot Association (JIRA) Class 1: Manual Handling Device Class 2: Fixed-Sequence
Leia maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
Leia maisClassificação. Classificação. Classificação. Classificação. Classificação 03/23/2016
Introdução à Robótica dos robôs Prof. Douglas G. Macharet douglas.macharet@dcc.ufmg.br Japanese Industrial Robot Association (JIRA) Class 1: Manual Handling Device Class 2: Fixed-Sequence Robot Class 3:
Leia maisCÁLCULO E VALIDAÇÃO DA CINEMÁTICA DIRETA E DA CINEMÁTICA INVERSA PARA USO NA TRAJETÓRIA DE UM ROBÔ CILÍNDRICO
CÁLCULO E VALIDAÇÃO DA CINEMÁTICA DIRETA E DA CINEMÁTICA INVERSA PARA USO NA TRAJETÓRIA DE UM ROBÔ CILÍNDRICO Wendell de Queiróz Lamas Universidade de Taubaté, Pró-reitoria de Pesquisa e Pós-graduação,
Leia maisEcho State Networks. Fabricio Breve João Bertini
Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações
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 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 maisTítulo do projeto: Metaheurísticas aplicadas à identificação, controle e otimização de sistemas
Número do BANPESQ/THALES: Título do projeto: Metaheurísticas aplicadas à identificação, controle e otimização de sistemas I. Autor: Leandro dos Santos Coelho II. Resumo: A Inteligência Computacional é
Leia maisUsando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
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 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 maisUNIVERSIDADE 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 maisAvaliação Datas Importantes Contato Bibliografia Recomendada Motivação. EESC-USP M. Becker /21
SEM0317 Dinâmica e Controle de Sistemas Robóticos I Apresentação do Curso e Motivação Prof. Dr. Marcelo Becker M.Sc. Kelen C. T. Vivaldini SEM - EESC - USP Sumário da Aula Ementa Avaliação Datas Importantes
Leia maisObjetivos desta aula. Modelo cinemático inverso: Métodos analíticos (ou soluções fechadas): Geométrico (por Trigonometria). Algébrico.
Robótica Objetivos desta aula Modelo cinemático inverso: Métodos analíticos (ou soluções fechadas): Geométrico (por Trigonometria). Algébrico. Bibliografia Capítulos 4 do Craig. Robot Manipulators: Mathematics,
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 maisAnimação Estruturas Articuladas
Animação de Estruturas Articuladas Conteúdo 1.Introdução 2.Técnicas de Animação 3.Cinemática Directa e Inversa 4.Representação de Figuras Articuladas 5.Cinemática Inversa 6.Caso de Estudo Página 1 1.Introdução
Leia mais1 Problema Cinemático Inverso
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Sistemas Elétricos de Automação e Energia ENG04479-Robótica-A Modelo Cinemático Inverso Prof. Walter Fetter Lages 29 de abril
Leia maisROBÓTICA SISTEMAS DE REFERÊNCIA. Prof a. Dra. GIOVANA TRIPOLONI TANGERINO Tecnologia em Automação Industrial
SP CAMPUS PIRACICABA ROBÓTICA Prof a. Dra. GIOVANA TRIPOLONI TANGERINO Tecnologia em Automação Industrial SISTEMAS DE REFERÊNCIA https://giovanatangerino.wordpress.com giovanatangerino@ifsp.edu.br giovanatt@gmail.com
Leia maisApresentação Robótica
Apresentação Robótica Curso Engenharia de Controle e Automação Alex Vidigal Bastos www.decom.ufop.br/alex/unipac.html alexvbh@gmail.com 1 Agenda Ementa Objetivos Conteúdo Programático Metodologia de Ensino
Leia maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia maisROBÓTICA CINEMÁTICA. Prof a. Dra. GIOVANA TRIPOLONI TANGERINO Tecnologia em Automação Industrial
SP CAMPUS PIRACICABA ROBÓTICA Prof a. Dra. GIOVANA TRIPOLONI TANGERINO Tecnologia em Automação Industrial CINEMÁTICA https://giovanatangerino.wordpress.com giovanatangerino@ifsp.edu.br giovanatt@gmail.com
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 maisIF-705 Automação Inteligente Redes Neurais para Modelagem e Controle
IF-705 Automação Inteligente Redes Neurais para Modelagem e Controle Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação
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 maisAplicações de redes neurais artificiais em simulações
Aplicações de redes neurais artificiais em simulações Resumo Marcelo Bilobrovec (UEPG - CEFET - PR) mbilo@uepg.br Rui Francisco Martins Marçal (CEFET - PR) marcal@pg.cefetpr.br Luiz Alberto Pilatti (CEFET
Leia maisSistemas Mecatrônicos 1
Sistemas Mecatrônicos 1 Módulo 1 Apresentação da Disciplina Prof. Leonardo Marquez Pedro Disciplinas Integradoras Projeto Pedagócico Grad. em Eng. Mecânica As disciplinas integradoras se pautam pela interação
Leia maisAPLICAÇÃO DE REDES NEURAIS ARTIFICIAIS COM TOPOLOGIA DEFINIDA POR ALGORITMOS GENÉTICOS PARA RESOLUÇÃO DA CINEMÁTICA INVERSA DE
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS COM TOPOLOGIA DEFINIDA POR ALGORITMOS GENÉTICOS PARA RESOLUÇÃO DA CINEMÁTICA INVERSA DE UM MANIPULADOR ROBÓTICO COM 6 GRAUS DE LIBERDADE Lucas de Oliveira Suplino
Leia maisIntrodução à Robótica Industrial p. 1/23
Introdução à Robótica Industrial Adriano A. G. Siqueira Aula 4 Introdução à Robótica Industrial p. 1/23 Cinemática Direta Dado: variáveis das juntas (ângulos ou deslocamentos) Procurado: posição e orientação
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisObtenção da Cinemática Inversa de Robôs 2D Binários Hiper-Redundantes por Algoritmos Genéticos
Obtenção da Cinemática Inversa de Robôs D Binários Hiper-Redundantes por Algoritmos Genéticos Felipe S. Scofano ICA : Laboratório de Inteligência Computacional Aplicada Departamento de Engenharia Elétrica
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 maisAnálise da Dinâmica Não Linear de um Braço Robótico
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Análise da Dinâmica Não Linear de um Braço Robótico Antropomórfico
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisRedes 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 maisRICARDO FERNANDO NUNES
UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO CÂMPUS DE ILHA SOLTEIRA DEPARTAMENTO DE ENGENHARIA ELÉTRICA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA RICARDO FERNANDO NUNES MAPEAMENTO DA
Leia maisRelações entre Elementos Geométricos na Álgebra dos Quatérnios Duais com Aplicações na Robótica
Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Relações entre Elementos eométricos na Álgebra dos Quatérnios Duais com Aplicações na Robótica Luiz A. Radavelli 1 Departamento
Leia maisAutomação Inteligente
Curso de Graduação em Engenharia Elétrica Universidade Federal da Paraíba Período 2016-2 Automação Inteligente Prof. Juan Moises Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Informações
Leia maisSCC Capítulo 2 Topologia e Representação
Modelos Arquiteturas Representação do Conhecimento SCC-5809 - Capítulo 2 Topologia e Representação João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809:
Leia maisDESENVOLVIMENTO DE UMA REDE NEURO-FUZZY PARA A PREVISÃO DE CARGA
DESENVOLVIMENTO DE UMA REDE NEURO-FUZZY PARA A PREVISÃO DE CARGA ALINE J. AMORIM 1, MARA L. LOPES 2, CARLOS R. MINUSSI 1, ESTELIO S. AMORIM 2 1. Departamento de Engenharia Elétrica, UNESP - Universidade
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 maisREDES NEURAIS. Marley Maria B.R. Vellasco. ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada CONTEÚDO
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
Leia maisAplicação de algoritmos genéticos e polinômios cúbicos na geração de trajetórias de um manipulador robótico
Aplicação de algoritmos genéticos e polinômios cúbicos na geração de trajetórias de um manipulador robótico Luiz Eduardo Nicolini do Patrocínio Nunes Victor Orlando Gamarra Rosado e Francisco José Grandinetti
Leia maisComputação Evolutiva no treinamento de Redes Neurais
Computação Evolutiva no treinamento de Redes Neurais Euclides Carlos Pinto Neto David Fernandes Neves Oliveira Macilio da Silva Ferreira PSI5886 - Prof. Emilio Del Moral Hernandez 1 Agenda Objetivo Otimização
Leia maisModelagem Cinemática de Robôs Industriais. Prof. Assoc. Mário Luiz Tronco
Modelagem Cinemática de Robôs Industriais Prof. Assoc. Mário Luiz Tronco Transformação direta de coordenadas 1 2... N Variáveis de junta Variáveis cartesianas Transformação inversa de coordenadas Transformação
Leia maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia maisIntrodução. Walter Fetter Lages
Introdução Walter Fetter Lages w.fetter@ieee.org Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Sistemas Elétricos de Automação e Energia ENG10026 Robótica A Copyright (c)
Leia maisImplementação de Redes Neurais Artificiais em Ambientes de Redes Industriais Foundation Fieldbus com o uso de Blocos Funcionais Padrões
1 Implementação de Redes Neurais Artificiais em Ambientes de Redes Industriais Foundation Fieldbus com o uso de Blocos Funcionais Padrões Diego R. C. Silva, Fábio S. Lima, Luiz Affonso Guedes, Adrião D.
Leia maisRedes 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 Redes Neurais Artificiais
Leia maisRegra de Oja. Para taxa de aprendizagem pequena, Oja aproximou. pesos para criar uma forma útil da aprendizagem
Regra de Oja A regra de Hebb necessita da normalização dos pesos para criar uma forma útil da aprendizagem i i i i i i n x n y n w n x n y n w n w 2 1 JDSS-LAC/INPE Para taxa de aprendizagem pequena, Oja
Leia maisInteligência Artificial
Inteligência Artificial Professor Rafael Stubs Parpinelli E-mail: rafael.parpinelli@udesc.br udesc.academia.edu/rafaelstubsparpinelli www.researchgate.net/profile/rafael_parpinelli www.joinville.udesc.br/portal/professores/parpinelli/
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 maisUniversidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática
Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 UM MECANISMO DE COORDENAÇÃO PARA O FRAMEWORK XAADB PROPOSTA DE TRABALHO DE GRADUAÇÃO Aluno: Ana Elizabeth
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 maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCENS UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisUTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS NO RECONHECIMENTO DE PADRÕES EM PACOTES DE DADOS TCP/IP
UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS NO RECONHECIMENTO DE PADRÕES EM PACOTES DE DADOS TCP/IP USING OF ARTIFICIAL NEURAL NETWORKS IN PATTERN RECOGNITION IN TCP/IP DATA PACKETS PERES, Cassiano Ricardo
Leia mais