DETERMINAÇÃO DA FREQÜÊNCIA DE RESSONÂNCIA DE ANTENAS TIPO MICROFITA TRIANGULAR E RETANGULAR UTILIZANDO REDES NEURAIS ARTIFICIAIS
|
|
- Ana Júlia Pereira Branco
- 6 Há anos
- Visualizações:
Transcrição
1 DETERMINAÇÃO DA FREQÜÊNCIA DE RESSONÂNCIA DE ANTENAS TIPO MICROFITA TRIANGULAR E RETANGULAR UTILIZANDO REDES NEURAIS ARTIFICIAIS E. R.Brinhole*, J. F. Z. Destro**, A. A. C. de Freitas***, N. P. de Alcantara Jr****. *UMP/Londrina/PR, **CEFET/Cornélio Procópio/PR, ***UNICAMP/Campinas/SP, ****UNESP/Bauru/SP naasson@feb.unesp.br RESUMO Apresentam-se modelos para auxiliar o projeto de antenas tipo microfita de equipamentos móveis, tanto para antenas retangulares como para antenas triangulares. Comparam-se modelos deterministas e modelos empíricos baseados em Redes Neurais Artificiais (RNA) da literatura pesquisada com os modelos apresentados neste trabalho. Apresentam-se modelos empíricos baseados em RNA tipo Perceptron Multi-camadas (PMC) e tipo Função de Base Radial (RBF). Os resultados alcançados em simulações realizadas comprovam que os modelos baseados em redes RBF fornecem resultados superiores aos demais modelos comparados. Os modelos propostos também são capazes de serem integrados em um ambiente CAD (Computed Aided Design) para projetar antenas tipo microfita de equipamentos móveis. 1. INTRODUÇÃO Na década de 1980 surgiram aplicações importantes dos sistemas de inteligência computacional (IC) em diversas áreas do conhecimento humano. Estes sistemas são baseados em redes neurais artificiais (RNA), em modelagens nebulosas e em algoritmos genéticos (AG). O nome inteligência computacional foi criado para distinguir esta classe de modelos daquelas criadas a partir da inteligência artificial (IA) tradicional, que representa e reproduz o conhecimento por meio de um conjunto de regras que são processadas automaticamente. Estas metodologias têm características como: aprendizado (RNA); raciocínio humano aproximado (nebuloso); busca inteligente (AG). Na área de antenas de equipamentos móveis tipo microfita, as aplicações de IC surgiram na década de 1990, por exemplo, citam-se as referências [1 e 2]. A freqüência de ressonância de antenas retangulares e triangulares dos equipamentos móveis deve ser determinada com precisão elevada porque necessita ter largura de faixa estreita. Por motivos óbvios, este tipo de antena deve operar somente na vizinhança da freqüência de ressonância. Esta aplicação sugere que os modelos baseados em RNA, treinados com dados experimentais da mesma classe de antena, coletados anteriormente, podem estimar preliminarmente a freqüência de ressonância de antenas triangulares ou retangulares tipo microfita em processo de fabricação e, a partir dos dados finais de fabricação da antena, determinar sua freqüência de ressonância com precisão. Observe-se que uma RNA não requer nenhuma fórmula (modelo determinista) para estimar a freqüência de ressonância da antena, ou seja, uma vez treinada a partir de dados experimentais, poderá determinar a freqüência de ressonância de uma antena da mesma classe (triangular, retangular etc). Assim, pode-se dizer que se trata de uma modelagem empírica, ou seja, baseada no comportamento do fenômeno (fenomenológica). Como um exemplo real de um diagrama de polarização de uma antena tipo microfita retangular, a figura (1) apresenta o diagrama de polarização linear horizontal (H) e vertical (E) de uma antena com as seguintes características físicas: L = 1.2 cm; W = 0,8 cm; P (E e H) = 15 db; freq. = GHz. A metodologia utilizada para estimar a freqüência de ressonância da antena retangular é de acordo com a referência [1], que é baseada nos parâmetros: W - largura; L - comprimento; h - espessura; ε r - permissividade do substrato. A metodologia para estimar a freqüência de ressonância de uma antena triangular é de acordo com a referência [2], que é baseada nos parâmetros: a - comprimento lateral do dispositivo; h - espessura; ε r - permissividade do substrato; m e n - modalidades de TM mn excitadas. Estes modelos podem ser utilizados para uma faixa razoável de larguras, de espessuras e de permissividades das antenas projetadas, bem como, são adaptáveis ao ambiente CAD. As fórmulas matemáticas exatas utilizadas por métodos deterministas rigorosos envolvem procedimentos
2 numéricos extensivos, ocasionando erros de truncamento etc. Este tipo de procedimento pode também necessitar de ajustes experimentais finais em relação a resultados teóricos obtidos previamente. Além dis so consomem muito tempo e não são facilmente adaptáveis ao ambiente de um sistema CAD. Figura 1. Diagrama de polarização E e H - antena retangular 2. METODOLOGIA E FUNDAMENTAÇÃO TEÓRICA A freqüência de ressonância de antenas tipo mic rofita é um fenômeno regido por uma lei cujo comportamento pode ser determinado a partir de amostras entrada-saída que retratam a aplicação desta lei para alguns casos específicos e, por interpolação, explica também outros casos similares, dentro de um domínio de interesse em que as amostras (com boa qualidade) possam ser obtidas. Logo, uma RNA pode adequar-se perfeitamente à solução deste problema. Caso contrário, estarão em jogo apenas aspectos da distribuição espacial dos dados [7]. A metodologia utilizada neste trabalho consiste em desenvolver modelos para estimar a freqüência de ressonância e compará-los com os resultados apresentados pelos modelos deterministas das referências [3-6] e os modelos baseados em Redes Neurais Artificiais (RNA) apresentados pelas referências [1-2]. A partir dos dados experimentais utilizados pelas referências [1-2], desenvolvem-se modelos baseados em RNA, para estimar as freqüências de ressonância de antenas tipo microfita retangulares e triangulares com características semelhantes, mas não iguais. Estes modelos são baseados nas RNA tipo Perceptron Multi-Camadas (PMC) e tipo Função de Base Radial (RBF). A partir de vários modelos desenvolvidos (por exemplo: dependem da quantidade de neurônios e do ajuste dos pesos), baseados em RNA, será escolhido o melhor modelo para antena retangular e o melhor modelo para antena triangular. Note-se que a motivação por trás da utilização das redes neurais artificiais é a possibilidade de se encontrar soluções eficazes para problemas de difícil tratamento. Entretanto, o potencial das redes neurais artificiais só pode ser devidamente explorado com o emprego de procedimentos refinados de análise e síntese, ou seja, os recursos de processamento devem ser aplicados na medida certa e na situação apropriada [7]. O cenário atual exige soluções mais competitivas e a tendência é que este cenário torne-se mais exigente. Portanto, detectar deficiências nas metodologias convencionais e explorar apropriadamente a flexibilidade das redes neurais artificiais pode justificar sua utilização. Assim, deve-se avaliar o ganho de desempenho face ao aumento de complexidade. As redes tipo Perceptron Multi-Camadas (PMC) constituem-se em uma alternativa atraente, porém, o treinamento delas é feito pelo algoritmo bacpropagation que pode apresentar dificuldades típicas dos algoritmos de otimização baseados em gradiente descendente. Estas dificuldades podem ser de velocidade de convergência ou susceptibilidade a mínimos locais, aumentando o esforço computacional e diminuindo a interpretabilidade/ ransparência dos resultados [8]. Uma alternativa às redes tipo PMC são as Redes de Base Radial (RBF). Neste artigo, as RNA são utilizadas para modelar o relacionamento entre os parâmetros físicos de uma antena tipo microfita e o resultado medido da freqüência de ressonância. O tipo de arquitetura adotada neste trabalho é a feedforward e, entre os tipos de RNA com esta arquitetura, escolheram-se as RNA tipo PMC e RBF para realizar as simulações. Uma arquitetura PMC típica pode ser expressa pela figura (2). Camada de Entrada x 1 x 2 x N 1 a Camada Escondida N 2 a Camada Escondida N Figura 2. Arquitetura Neural do PMC Saída fmn
3 Muitos algoritmos diferentes podem ser utilizados em conjunto com este tipo de arquitetura. Um algoritmo clássico utilizado para treinamento de redes tipo PMC é o gradiente conjugado, considerado um método heurístico. O método analítico de Newton é uma alternativa aos métodos de gradiente conjugado para uma otimização rápida. A equação básica do método de Newton é: x = x +1 -H 1 g (1) Onde H é a matriz Hessiana (derivada segunda) do índice de desempenho dos valores atuais dos pesos e das polarizações (bias), e g é o gradiente atual. O método de Newton converge freqüentemente mais rápido do que os métodos baseados no gradiente descendente. Infelizmente, é complexa e computacionalmente custosa a estimativa da matriz Hessiana para redes neurais com arquitetura tipo feedforward. Há uma classe de algoritmos que são baseados no método de Newton, mas que não requerem o cálculo das derivadas segundas. Estes métodos analíticos são chamados de métodos Quasi-Newton (ou secante). Atualizam uma matriz aproximada da Hessiana, em cada iteração do algoritmo. A atualização é computada em função do gradiente. Assim, para as antenas retangulares utilizam-se redes tipo PMC, com treinamento pelo método Quasi-Newton proposto por Broyden, Fletcher, Goldfarb, e Shanno (BFGS). Este algoritmo é descrito na referência [9] e a equação básica do método BFGS é apresentada pela equação (2), a seguir: T 1 T? x = [J (x).j(x)] J (x).e(x) (2) Onde J é a matriz Jacobiana e o vetor e representa os erros. O algoritmo de aprendizagem das redes PMC que apresentou melhores resultados para antenas triangulares foi o algoritmo Rprop Resilient Propagation [10]. A principal diferença entre este algoritmo e as outras heurísticas baseadas em variações do bacpropagation é que os ajustes dos pesos (w) dos neurônios da rede e da taxa de aprendizado (η) depende apenas dos sinais dos gradientes da função erro E(w), não dependendo portanto de sua magnitude. A função E(w) é responsável pela especificação de um critério de desempenho que está associado à rede. No algoritmo Rprop, os pesos e a taxa de aprendizado são alterados apenas uma única vez em cada época de treinamento. Cada peso w possui sua própria taxa de variação ( ), a qual varia em função do tempo t da seguinte forma: + η. (t 1), se ( t 1). > 0 (t ) = η. (t 1), se ( t 1). < 0 ( t 1), caso contrário Onde 0 < η - < 1 < η +. Uma mudança no sinal das derivadas parciais correspondentes ao peso w indica que a última mudança foi grande suficiente para que o sistema saltasse sobre um ponto de mínimo da função E(w), o que implica então numa diminuição do valor de proporcional ao fator η -. Já as derivadas consecutivas com o mesmo sinal indicam que o sistema está movendo permanentemente em uma única direção, o que implica assim num aumento sensível de proporcional ao fator η +. Os pes os da rede são então alterados por meio das seguintes equações: ( t), se ( t) > 0 w ( t) = + ( t), se ( t) < 0 (4) 0, casocontrário É importante notar que a mudança nos pesos da rede depende apenas do sinal das derivadas parciais, independente de sua magnitude. Se a derivada for positiva, o peso é decrementado por (t); se a derivada for negativa, o peso será incrementado por (t). Nas situações estudadas para antenas triangulares, utilizando redes tipo PMC, o algoritmo de aprendizagem Rprop foi mais eficiente que aqueles baseados no método gradiente conjugado [11] ou nos métodos gradiente de segunda ordem, como o de Levenberg-Marquardt [12]. Por outro lado, nesta aplicação, tanto para antenas retangulares como triangulares, os modelos baseados em redes RBF alcançaram melhores resultados. A arquitetura básica das redes RBF é de acordo com a figura (3). O algoritmo de treinamento utilizado foi de acordo com as referências [2]e [4] e a equação básica da rede tipo RBF é representada pela equação (5), a seguir: ^ i y( n + 1) = w (n)* ϕ( u( n) - z ) (5) = 0 Onde ϕ ( u( n) z ) é uma função escalar radialmente simétrica, tendo z como centro. Os vetores z são, por esta razão, referidos como centros no contexto de redes neurais RBF. O operador é usualmente a norma euclidiana - ou norma L2 - e mede o módulo do vetor (3)
4 argumento, isto é, a distância euclidiana da ponta do vetor à sua origem. Maiores detalhes sobre o treinamento deste tipo de RNA poderão ser vistos na referência [2 ] e [15]. u(n) φ 0(u) w 0(n) u i u(n-1) φ 1(u) w 1(n) Σ y(n+1) u(n-m+1) φ i(u) W i (n) Figura 3. Arquitetura Neural da rede RBF Obviamente, a complexidade da implementação de um modelo via RNA pode aumentar e tornar difícil encontrar a solução global ótima já que nem sempre se sabe determinar exatamente o ponto de mínimo global e o número de parâmetros de ajustes (pesos). Na próxima seção apresentam-se os resultados das simulações utilizando as abordagens propostas. 3. SIMULAÇÕES REALIZADAS Uma rede tipo PMC é usada em conjunto com um algoritmo de retro-propagação auxiliado pelo método BFGS para ajustar o modelo para as antenas retangulares. O treinamento da rede é feito com regularização. Os valores W, L, h e ε r são usados como entradas das antenas retangulares e a saída da RNA é a freqüência de ressonância (f mn ). Os melhores resultados foram obtidos usando duas camadas escondidas, com 25 e 51 nós, respectivamente, obedecendo à heurística sugerida em [15]. O número de épocas de treinamento foi de e a soma dos quadrados dos erros foi , de acordo com a figura (4)., com resultados superiores aos apresentados pela referência [1], com épocas e soma dos quadrados dos erros igual a 749. Os valores apresentados na tabela (1) demonstram a superioridade dos modelos propostos a partir das RNA tipo RBF. Observa-se que o desempenho da RNA tipo PMC é superior aos métodos disponíveis na literatura pesquisada (deterministas e baseados em RNA), mas inferiores às performances apresentadas pela s redes RBF. Figura 4. Treinamento da rede PMC antena retangular Tabela 1. Comparação entre a soma dos quadrados dos erros dos modelos empíricos e deterministas antena retangular Método Soma dos quadrados dos erros RBF Freqüência de ressonância PMC fmn [1] fmn [3] fmn [4] Épocas mil - - Tempo de treinamento 1 min. 3 horas Para antenas triangulares os melhores resultados foram obtidos usando uma RNA com duas camadas escondidas, com 50 e 101 neurônios, respectivamente, obedecendo à heurística sugerida em [15]. O algoritmo de treinamento que melhor se adequou a este tipo de antena foi Rprop, vide figura (5). Embora o número de épocas necessárias para o treinamento tenha sido , o tempo de treinamento foi de 5 minutos e a soma dos quadrados dos erros 20. Este resultado é superior ao apresentado pela referência [2], com soma dos quadrados dos erros igual a 23. Os valores apresentados na tabela 2 também demonstram a superioridade do método proposto a partir da RNA tipo RBF. Observa-se que o desempenho da RNA tipo PMC é inferior ao método baseado na rede RBF, superior ao apresentado pela referência [2] e aos métodos empíricos disponíveis na literatura pesquisada.
5 Figura 5. Treinamento da rede PMC antena triangular Tabela 2. Comparação entre a soma dos quadrados dos erros dos modelos empíricos e deterministas antena triangular Método Soma dos quadrados dos erros RBF Freqüência de ressonância PMC fmn [2] fmn [5] fmn [6] 10e(-8) Épocas mil 25 mil - - Tempo de treinamento 1 min. 30 min CONCLUS ÕES Os resultados obtidos usando os modelos s neste artigo estão muito mais perto dos valores experimentais do que os valores obtidos usando os métodos analíticos e os baseados em RNA comparados. Assim, como estes modelos apresentaram resultados com precisão excelente, podem ser incorporados a um ambiente CAD. Em termos práticos, as redes RBF apresentaram maior rapidez de processamento, custos computacionais menores e maior precisão na estimação da freqüência de ressonância. 5. MAJOR HEADINGS [1] D. Karaboga, K. Güney, S. Sagiroglu and M. Erler, Neural computation of resonant frequency of electrically thin and thic rectangular microstrip antennas. IEEE Proc. Microw. Antennas Proprag., vol. 146, no. 2, April [2] C. Christodoulou, M. Georgiopoulos, Applications of neural networs in eletromagnetics, 1rd ed., Oxford: Clarendon, 1999, pp [3] K. Güney, "A new edge extension expression for the resonant frequency of electrically thic rectangular microstrip antennas", Int. J. Electron., 1993, 75, (4), pp [4] M. Kara, "Closed-form expressions for the resonant frequency of rectangular microstrip antenna elements with thic substrates", Microw. Opt. Technol. Lett., 1996, 12, (3), pp [5] R. Garg and S. A. Long, "An Improved Formula for the Resonant Frequency of the Triangular Microstrip Patch Antennas", IEEE Proc. Microw. Antennas Proprag., vol. 36, 1998, p [6] J. Helszajn and D. S. James, "Planar Triangular Resonators with Magnetic Walls", IEEE Proc. Microw. Theory and Techniques., vol. 26, no. 2, 1978, pp [7] Fernando J. Von Zuben, Uma Caricatura Funcional de Redes Neurais Artificiais, DCA/FEEC/Unicamp - Campinas SP Brasil, 2003 [8] A. A. C. Freitas et al., Non-Linear Ponder Autoregressive (NPAR) Neural Networ (NN) Methodology to Predict Brazilian Exchange Rates, IV Quarto Encontro Brasileiro de Finanças - Sbfin, Rio de Janeiro, [9] J. E. Dennis and R. B. Schnabel, Numerical methods for unconstrained optimization and nonlinear equations, Englewood Cliffs, NJ: Prentice-Hall, [10] M. Riedmiller and H. Braun, A direct adaptive method for faster bacpropation learning: the RPROP algorithm, Proceedings of IEEE International Conference on Neural Networs (San Francisco), Vol. 1, pp , [11] R. D. Reed and R. J. Mars, Neural Smithing, MIT Press, Cambridge, Massachusetts, [12] M. T. Hagan and Menhaj, Training feedforward networs with the Marquardt algorithm, IEEE Trans. on neural networs, vol. 5, no. 6, pp , [13] A. A. C. Freitas, Redes Neurais Artificiais Aplicadas em Transformadores de Distribuição Imersos em Óleo, Tese de Mestrado, UNESP/FE/DEE, Bauru-SP, [14] H. Demuth and M. Beale, Neural Networ Toolbox, The Mathwors Inc., [15] S. Hayin, Neural Networs - A Comprehensive Foundation, McMillan Inc., Englewood Cliffs NJ, USA, 1994.
EVERALDO RIBEIRO BRINHOLE
UNIVERSIDADE ESTADUAL PAULISTA Faculdade de Engenharia Campus de Bauru DETERMINAÇÃO DA FREQÜÊNCIA DE RESSONÂNCIA DE ANTENAS TIPO MICROFITA TRIANGULAR E RETANGULAR UTILIZANDO REDES NEURAIS ARTIFICIAIS EVERALDO
Leia maisMODELAGEM NEURAL DA FREQUÊNCIA DE RESSONÂNCIA DE ANTENAS PATCHES EM MICROFITA QUASE-FRACTAL
MODELAGEM NEURAL DA FREQUÊNCIA DE RESSONÂNCIA DE ANTENAS PATCHES EM MICROFITA QUASE-FRACTAL Adaildo G. D ASSUNÇÃO (1); Elder Eldervitch C. DE OLIVEIRA (2); Ronaldo de A. MARTINS (3); João Bosco L. de OLIVEIRA
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 mais( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão)
Introdução a Sistemas Inteligentes ópicos em Redes Neurais III: Redes Neurais RBF ª Parte Prof. Ricardo J. G. B. Campello ICMC / USP Aula de Hoje Revisão de Modelos RBF reinamento de Modelos RBF Estimação
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 maisVariações do BP. Variações do BP. Variações do BP. Taxa de Aprendizado Adaptativa. Taxa de Aprendizado Adaptativa
A principal crítica ao algoritmo Back Propagation é o longo tempo de treinamento proposta de variações simples para acelerar o processo de aprendizado Taxa de Aprendizado Adaptativa Inicia-se com um valor
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia maisMODELAGEM DE UMA ANTENA PLANAR QUASE- FRACTAL UTILIZANDO REDE NEURAL ARTIFICIAL
1 MODELAGEM DE UMA ANTENA PLANAR QUASE- FRACTAL UTILIZANDO REDE NEURAL ARTIFICIAL Elder Eldervitch Carneiro de Oliveira 1 Tales Augusto Carvalho de Barros 2 Pedro Carlos de Assis Júnior 3 Rodrigo César
Leia maisMÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA
MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA Marlon Luiz Dal Pasquale Junior, UNESPAR/FECILCAM, jr.marlon@hotmail.com Solange Regina dos Santos (OR), UNESPAR/FECILCAM, solaregina@fecilcam.br
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 maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Multi-Layer Perceptrons (Back Propagation Radial Basis Functions (RBFs Competitive Learning Hopfield Formas de Aprendizado
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 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 maisUM ESTUDO TEÓRICO SOBRE O USO DAS ANTENAS DE MICROFITA
UM ESTUDO TEÓRICO SOBRE O USO DAS ANTENAS DE MICROFITA Autor (Rhenus Victor Luna da Silveira 1 ); Orientador (Profº. Dr. Sandro Gonçalves da Silva 2 ) ( 1 Universidade Federal do Rio Grande do Norte) rhenussilveira@yahoo.com.br;
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 Formas de Aprendizado Existe
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 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 maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado
Leia 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 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 mais7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
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 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 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 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 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 da Complexidade de Tempo e Espaço em Algoritmos para Classificação de Padrões em sinais de ECG
Análise da Complexidade de Tempo e Espaço em Algoritmos para Classificação de Padrões em sinais de ECG Eduardo Luz David Menotti Universidade Federal de Ouro Preto 05/07/2011 Summary Rede Neuronal Artificial
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 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 maisTESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1
TESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1 Eliseu Kotlinski 2, Manuel Martín Pérez Reimbold 3. 1 Relatório
Leia mais8 Conclusões e Trabalhos Futuros
8 Conclusões e Trabalhos Futuros Este trabalho propôs investigar o apoio das técnicas de Inteligência Computacional no desenvolvimento da Nanociência e Nanotecnologia. Tal apoio é aqui denominado de Nanotecnologia
Leia maisAprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
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 maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
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 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 maisO Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM)
O Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM) Thiago Henrique Cupertino SCE5809 - Redes Neurais 23 de Novembro de 2010 Conteúdo Introdução Desvantagens do
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 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 maisDEPARTAMENTO DE ENGENHARIA MECÂNICA
DEPARTAMENTO DE ENGENHARIA MECÂNICA Otimização: Algoritmos e Aplicações na Engenharia Mecânica ENG1786 & MEC2403 Ivan Menezes 2018-2 1 EMENTA 1. Introdução 1.1 Definições Básicas 1.2 Classificação dos
Leia mais)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD
)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD,QWURGXomR A grande maioria dos problemas de engenharia pode ser solucionado de diferentes formas, uma vez que um número muito grande de soluções atende aos critérios
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 maisUM NOVO MODELO DE FSS COM DOIS ELEMENTOS EM FORMA DE U OPERANDO NA BANDA X
UM NOVO MODELO DE FSS COM DOIS ELEMENTOS EM FORMA DE U OPERANDO NA BANDA X Emanuele da Silva Rodrigues MONTALVÃO (1); Augusto César Pereira da Silva MONTALVÃO (2); Adaildo Gomes D ASSUNÇÃO (3); Alfrêdo
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 maisIntrodução à Teoria do Aprendizado
Introdução à Teoria do Aprendizado Carlos Hall Os processos no mundo real são intrinsecamente: dinâmicos (dependem do tempo) não lineares não gaussianos não estacionários com restrições com interações
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia 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 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 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 mais2 Guias de onda em substratos dielétricos. 2.1 Guias NRD
20 2 Guias de onda em substratos dielétricos Ao longo do presente Capítulo são apresentadas as principais configurações que operam como guia de ondas em substratos dielétricos. São descritos o dimensionamento
Leia maisAlgoritmo Genético de Dois Níveis para Problemas de
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Genético de Dois Níveis para Problemas de Otimização Aparecida
Leia maisUtilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos
Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos Leandro M. de Souza Resumo Neste artigo, é proposta uma metodologia que utiliza Redes Neurais Artificiais
Leia 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 maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
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 maisAula 7 RNA Redes Auto-Organizáveis de Kohonen
2COP229 Aula 7 RNA Redes Auto-Organizáveis de Kohonen 2COP229 Sumário 1- Introdução 2- Processo de Aprendizado Competitivo 3- Mapas auto-organizáveis de Kohonen (SOM) 4- Projeto Prático 1-Introdução 2COP229
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
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 mais4 Validação do Algoritmo
Validação do Algoritmo 59 4 Validação do Algoritmo 4.1. Introdução Nos capítulos anteriores, foi descrito um método para análise de antenas microfita. Neste capítulo, é feita a análise de um algoritmo
Leia maisétodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia maisAprendizagem por treinamento de redes de aproximação Marco Henrique Terra
Aprendizagem por treinamento de redes de aproimação Marco Henrique Terra Introdução à Inteligência Artificial Introdução Neste capítulo, serão apresentados conceitos sobre redes de aproimação e interpolação.
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 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 maisImplementação de um phmetro através de Redes Neurais Artificiais e Algoritmos Genéticos
Prof. Emílio Del Moral Hernandez Implementação de um phmetro através de Redes Neurais Artificiais e Algoritmos Genéticos Alexandre Kimiyaki Ligo César Augusto Mayor Herrera Massaki de Oliveira Igarashi
Leia maisProjecto GEBA. Elaboração e construção de uma antena planar Explicação de um projecto. ASPOF EN-AEL Gonçalves Capela ASPOF EN-AEL Pessanha Santos
Projecto GEBA Elaboração e construção de uma antena planar Explicação de um projecto ASPOF EN-AEL Gonçalves Capela ASPOF EN-AEL Pessanha Santos Reunião Semanal 26 de Janeiro de 2010 01-02-2010 AGENDA Introdução;
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 maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado
PERCEPTRON Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS - Regra de propagação net - Função de ativação: Degrau = x w + - Topologia: uma
Leia maisOtimização Numérica (Método do Gradiente) de Transformadores através do Modelo de Impedância combinado com o Modelo de Reatância Concentrada
8. Otimização Numérica (Método do Gradiente) de Transformadores através do Modelo de Impedância combinado com o Modelo de Reatância Concentrada 8.1 Introdução Nos Capítulos 6 e 7 introduzimos o modelo
Leia maisesses dispositivos proporcionam o casamento de impedâncias apenas numa faixa restrita de freqüências (Music et al., 2003). Soluções mais elaboradas
1 Introdução Com o aumento constante na demanda da eletrônica sem fio e dos sistemas de comunicações ópticas, tem-se tornado essencial a elaboração de dispositivos de alta freqüência que sejam confiáveis,
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 maisAnálise e Otimização de um Monopolo Espiral Horizontal
Análise e Otimização de um Monopolo Espiral Horizontal K. Q. da Costa, V. A. Dmitriev e C. L. da S. S. Sobrinho Departamento de Engenharia Elétrica e de Computação, Universidade Federal do Pará, Av. Augusto
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 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 maisIF-705 Automação Inteligente Sistemas de Controle - Fundamentos
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia mais4 Estado da Arte do Kernel PCA
4 Estado da Arte do Kernel PCA Conforme apresentado no Capítulo 1, o Kernel PCA é uma técnica promissora para auxiliar no processo de ajuste de histórico, devido a sua capacidade de extrair parte da estatística
Leia maisENG-418 OTIMIZAÇÃO DE PROCESSOS QUÍMICOS
Universidade Federal da Bahia - UFBA Escola Politécnica EP Departamento de Engenharia Química - DEQ Laboratório de Controle e Otimização de Processos Industriais - LACOI Disciplina: Otimização de Processos
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisVRS usando redes neurais
IX G E G E VRS usando redes neurais Wagner Carrupt Machado GIGA Conteúdo VRS x RNA (Redes Neurais Artificiais) RNA Experimentos com ionosfera Conclusões VRS x RNA Modelagem dos erros que afetam os sinais
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
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 maisAntena para comunicações DSRC
23 e 24 de Setembro de 2010 Antena para comunicações DSRC Tiago Varum ( tiago.varum@ua.pt ), João N. Matos, Pedro Pinho Universidade de Aveiro, Instituto de Telecomunicações 2005, it - instituto de telecomunicações.
Leia maisy rede RNA Conjunto de treino em arquiteturas supervisionadas (ex. clássico: MLP com Error Back Propagation) Sistema Físico, Econômico, Biológico...
Retornando `as nossas motivaçoes ininciais no calculo de adaptaçoes de pesos... X Conjunto de treino em arquiteturas supervisionadas (ex. clássico: MLP com Error Back Propagation) Sistema Físico, Econômico,
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisThiago Christiano Silva
Thiago Christiano Silva Conteúdo Conceitos Relevantes Problemas de Otimização Conceitos de Estabilidade e Convergência Teoremas de Lyapunov Rede Neural de Hopfield Aplicações do modelo de Hopfield Clusterização
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
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 maisMétodo de Newton truncado
Método de Newton truncado Marina Andretta ICMC-USP 8 de outubro de 2018 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear
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 mais3 REDES CLÁSSICAS PERCEPTRON E ADALINE
w b Professor José Gomes de Carvalho Jr. 3 REDES CLÁSSICAS PERCEPTRON E ADALINE 3.-Redes com funções de ativação de limiar Uma rede simples de uma camada, consiste em um ou mais neurônios de saída j conectados
Leia maisJoão Paulo Teixeira Departamento de Electrotecnia ESTiG Instituto Politécnico de Bragança
joaopt@ipb.pt www.ipb.pt/~joaopt Departamento de Electrotecnia ESTiG Instituto Politécnico de Bragança Evolução das RNA Tipos de Redes Perceptrão Rede Linear Redes Recorrentes Redes Radiais Redes Feed-Forward
Leia maisRedes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial SISTEMAS INTELIGENTES PROFESSOR FLÁVIO MURILO
Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial 1 Redes Neurais - Definição O que é Rede Neural ou Rede Neuronal Artificial (RNA)? É um modelo computacional que objetiva
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia 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 maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
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 maisDesenvolvimento de Antena de Microfita Aplicada à Internet das Coisas
84 Desenvolvimento de Antena de Microfita Aplicada à Internet das Coisas Matheus Emanuel Tavares Sousa 1, Humberto Dionísio de Andrade 1, Idalmir de Souza Queiroz Júnior 1, Josenildo Henrique Gurgel de
Leia mais