é a distância entre um determinado ponto da linha
|
|
- Marcos Bernardes Bento
- 6 Há anos
- Visualizações:
Transcrição
1 Erro de Minimização O algoritmo do erro de minimização para efectuar a auto-localização de robôs foi desenvolvido de forma a superar os problemas existentes nas três abordagens identificadas, no sentido de preencher todos os requisitos necessários á auto-localização: robustez, eficiência e precisão. É baseado na actualização de passos que modelam o problema da localização em um erro de minimização e usando um minimizador numérico eficiente. Adicionalmente é possível obter uma medida de confiabilidade da posição estimada analisando a estrutura da função de erro, de forma a ser possível aplicar um processo de fusão sensorial para aumentar a precisão da estimativa. Este algoritmo é dependente dos dados obtidos do pré-processamento das imagens obtidas pela câmera montada no robô, ou outros sensores como ultra-sons e infravermelhos. Adequar as informações da Visão à estimativa da posição Para encontrar a posição e orientação do robô em relação à informação obtida do préprocessamento da imagem define-se uma função de erro que descreve a aptidão de uma determinada estimativa. A ideia é fazer com que os pontos da linha detectados coincidam com as linhas do campo o melhor possível, assumindo que a posição e orientação do robô são verdadeiras. Dai a minimização do erro retornar a melhor estimativa. Seja (p, ) o par que define a posição do robô, p=(px,py), e orientação,, do robô no sistema de coordenadas global. A lista de pontos da linha detectados relativamente ao robô é dada por s1,,sn. Então a posição do ponto da linha no sistema de coordenadas global é dada por: Minimizando o erro entre os pontos da linha detectados e as linhas de campo reais significa resolver: Em que a função é a distância entre um determinado ponto da linha no campo relativamente à linha do campo mais próxima deste. continuo e seccionalmente diferenciável e pode ser obtido através do conhecimento das linhas de campo que estão definidas nas regras do RoboCup. err é uma função de erro para os desvios entre os pontos da linha e as linhas do modelo, linhas do campo. é Figura 1: Esboço do ponto da linha detectado, relativamente ao eixo de coordenadas do robô e ao eixo de coordenadas global
2 Devido ao ruído e à imperfeição que advém do pré-processamento da imagem, somos confrontados com uma quantidade substancial de pontos da linha mal detectados, o que influência e distorce a estimativa. Por esse motivo é usado uma aproximação da função de erro que limita a influência dos pontos da linha que têm demasiado erro: em que o parâmetro c é aproximadamente 250. Devido à não linearidade da função de minimização não é possível calcular analiticamente a sua solução, embora necessitemos de um minimizador numérico. Como d é diferenciável em praticamente todo o lado, é possível calcular o seu gradiente também em praticamente todo o lado e interpolar os pontos não diferenciáveis. Para resolver isto podemos usar o método do gradiente descendente, isto é, usando o algoritmo de treino Resilient PROPagation (RPROP) devido à sua rápida convergência e à sua elevada robustez, sendo necessárias apenas 10 iterações para resolver a tarefa de minimização.
3 Algoritmo RPROP A retropropagação (BackPropagation) é o algoritmo mais usado em aprendizagem supervisionada em redes neuronais de múltipla camada. A ideia básica do algoritmo de aprendizagem de retroprogação é a repetição da aplicação de uma cadeia de regras para calcular a influência de cada peso da rede com respeito à arbitrariedade da função de erro E: Onde é o peso do neurónio j ao neurónio i, s i é a saída, e net i é a soma pesada das entradas do neurónio i. Uma vez sabida a derivada parcial para cada peso, o objectivo de minimizar a função de erro é atingido resolvendo o gradiente descendente: Obviamente a escolha da taxa de aprendizagem, que escala a derivada, tem um importante efeito no tempo necessário até a convergência ser alcançada. Se este valor for muito pequeno são necessários muitos passos para se alcançar uma solução aceitável; pelo contrário uma taxa de aprendizagem elevada leva à oscilação evitando que o erro caia abaixo de um determinado valor. Uma das primeiras formas propostas para resolver este problema foi a introdução de um termo de momento em que o parâmetro de momento escala a influência do passo anterior no currente passo: Acredita-se que termo de momento torna o processo de aprendizagem mais estável e que acelera a aprendizagem nas regiões superficiais da função de erro. No entanto, a experiência prática mostra que isso nem sempre é verdade, pois o valor óptimo para o parâmetro de momento tem igualmente um problema de dependência, como a taxa de aprendizagem, pelo que a melhoria geral não é conseguida. Vários algoritmos de adaptação da aprendizagem foram desenvolvidos para lidar com o problema de calcular o valor apropriado dos pesos. Um desses algoritmos é o Resilient Propagation (RPROP) que foi desenvolvido no intuito de evitar o problema da adaptabilidade desfocada, assim o RPROP altera o valor da actualização do peso,, directamente sem considerar o valor da derivada parcial. RPROP efectua a adaptação directa do peso de cada passo baseado na informação do gradiente local, não sendo esta adaptação influenciada pelo comportamento do gradiente. Para atingir isto, cada peso tem o seu próprio valor de actualização, que somente determina o tamanho da actualização do peso. Este valor evolui durante o processo de aprendizagem baseado na sua visão sobre a função de erro E, de acordo com a seguinte regra de aprendizagem: Então sempre que a derivada do peso correspondente muda de sinal, isso indica que a ultima actualização foi muito alta e que o algoritmo saltou para um mínimo local, pelo que o valor de actualização é diminuído pelo factor. Se a derivada mantiver o sinal, o valor de actualização é ligeiramente aumentado com o objectivo de acelerar a convergência nas regiões superficiais.
4 Quando o valor de actualização para cada peso estiver adaptado, a actualização dos pesos segue uma regra simples: se a derivada é positiva, erro aumentou, o peso é diminuído pelo valor de actualização; se a derivada é negativa o valor de actualização é somado: Mas existe uma excepção, que ocorre quando a derivada parcial muda de sinal, ou seja, quando o passo anterior foi tão grande que o mínimo desaparece, então a actualização do peso é revertida:
5 Então o algoritmo RPROP é dado por: Para todos os pesos fazer If begin End else begin If Else if End If Else if End Os parâmetros são definidos inicialmente com os seguintes valores, valores estes que advém do conhecimento e estudo prático do algoritmo: Embora estes sejam os parâmetros definidos por eleição, uma grande vantagem do RPROP é que para a maior parte dos problemas não é necessário fazer-se a escolha do valor dos parâmetros para obter o tempo de convergência óptimo. O problema da ambiguidade do cálculo do erro Apesar de a minimização do erro, apresentada anteriormente resolver robustamente o problema da auto-localização do robô, há situações em que ocorre ambiguidade na estimativa da posição e orientação do robô, tanto devido à pouca informação disponibilizada pelo pré-processamento da imagem, como o local onde o robô se encontra no campo, ou seja, numa situação com um mínimo global distinto a tarefa de optimização é bem colocada e todos os parâmetros podem ser estimados com fiabilidade. Mas há situações em que a tarefa de optimização é mal colocada devido ao reduzido número de pontos da linha ou devido à má estrutura dos pontos da linha. Por exemplo na situação em que o robô está localizado próximo de uma linha lateral, em que a distância à linha lateral, isto é, a coordena em y, é estimada com fiabilidade enquanto que a coordenada em x é ambígua. Desta forma a função de erro é caracterizada por um vale valores semelhantes. Para resolver este problema de abertura/ambiguidade, é necessário reconhecer três situações possíveis:
6 (a) A função de erro exibe um mínimo global distinto, assim é possível estimar p e com fiabilidade; (b) A função de erro é totalmente plana, devido ao reduzido número de pontos da linha, pelo que não é possível estimar qualquer parâmetro; (c) A função de erro exibe uma estrutura tipo vale em volta do mínimo. Neste caso pode-se estimar robustamente os parâmetros referentes ao eixo de coordenadas ortogonal ao vale, mas não se pode estimar os parâmetros referentes ao eixo de coordenadas paralelo ao vale, ou seja, é possível, estima p y e mas não p x. Para determinar a estrutura da função de erro em volta do mínimo propõe-se a análise da segunda derivada da função de erro: o valor de é pequeno no caso do vale ser paralelo ao eixo x e totalmente plano enquanto for grande se a função de erro tiver um mínimo distinto em relação ao eixo dos x. Da mesma forma se pode analisar e. Do ponto de vista prático o cálculo da derivada de segunda ordem simplifica a função d que é construída a partir das linhas do campo. A maioria destas linhas são paralelas ao eixo de coordenadas, só os cantos e o centro circular é que não são linhas rectas. Assim a função d é seccionamento linear na maior parte do campo e a sua derivada de segunda ordem é zero nessas zonas. As derivadas de primeira ordem podem ser decompostas da seguinte forma: Onde E Onde é a derivada de em ordem a Calculando as derivadas de segunda ordem obtém-se:
7 Infelizmente a função de aproximação não é totalmente definida positiva e, portanto, o critério da curvatura pode ser enganoso, isto é, a derivada parcial de segunda ordem pode ser reduzida para um mínimo local. No entanto este problema é causado apenas a partir de observações periféricas, uma vez que a função de erro é definida positiva no intervalo. Para evitar este problema é usado um truque em que nas equações da segunda derivada parcial a função de erro original é substituída pela função de erro quadrática e são ignoradas as observações periféricas. Desta forma a função de erro fica definida positiva e o critério de curvatura mostra resultados.
dist:=distance(pos); ou seja, o somatório dos erros mínimos, que advém do cálculo da distância mínima, uma vez, que o erro é função da distância.
Implementação das funções do algoritmo De seguida são demonstradas as derivadas de primeira e de segunda ordem, paras as variáveis necessárias, notar que apenas são demonstradas, não é explicado aqui para
Leia maisEstudo e Implementação de um Algoritmo de Localização Baseado na Correspondência de Mapas
Faculdade de Engenharia da Universidade do Porto Estudo e Implementação de um Algoritmo de Localização Baseado na Correspondência de Mapas Manuel Carlos Monteiro Gouveia Dissertação/Relatório de Projecto
Leia maisOptimização. Carlos Balsa. Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança
Optimização Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados Eng. Química e Industrial Carlos Balsa Matemática Aplicada
Leia maisCapítulo 5 - Optimização Não-Linear
Capítulo 5 - Optimização Não-Linear balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Mestrados em Engenharia da Construção Métodos de Aproximação em Engenharia
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 maisResumo. Filtragem Adaptativa. Filtros adaptativos. Tarefas desempenhadas pelos filtros
Resumo Filtragem Adaptativa Luís Caldas de Oliveira lco@istutlpt Instituto Superior Técnico Sistemas de filtragem adaptativa Conceitos de filtragem adaptativa Filtro de Wiener Algoritmo steepest descent
Leia maisE. S. JERÓNIMO EMILIANO DE ANDRADE DE ANGRA DO HEROISMO. Conteúdo Programáticos / Matemática e a Realidade. Curso de Nível III Técnico de Laboratório
E. S. JERÓNIMO EMILIANO DE ANDRADE DE ANGRA DO HEROISMO Curso de Nível III Técnico de Laboratório Técnico Administrativo PROFIJ Conteúdo Programáticos / Matemática e a Realidade 2º Ano Ano Lectivo de 2008/2009
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 maisMétodo de Quadrados Mínimos: Caso discreto
Método de Quadrados Mínimos: Caso discreto Marina Andretta ICMC-USP 23 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo numérico
Leia maisProf. MSc. David Roza José 1/37
1/37 Métodos Abertos Objetivos: Reconhecer as diferenças entre os métodos intervalados e abertos para a localização de raízes; Compreender o método da iteração de ponto-fixo e avaliar suas características
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisétodos uméricos ZEROS DE FUNÇÕES DE UMA OU MAIS VARIÁVEIS Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos ZEROS DE FUNÇÕES DE UMA OU MAIS VARIÁVEIS Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisDepartamento de Física da Faculdade de Ciências da Universidade de Lisboa T2 FÍSICA EXPERIMENTAL I /08 FORÇA GRAVÍTICA
Departamento de Física da Faculdade de Ciências da Universidade de Lisboa T2 FÍSICA EXPERIMENTAL I - 2007/08 1. Objectivo FORÇA GRAVÍTICA Comparar a precisão de diferentes processos de medida; Linearizar
Leia maisMétodos Numéricos Zeros Newton-Raphson e Secante. Professor Volmir Eugênio Wilhelm Professora Mariana Kleina
Métodos Numéricos Zeros Newton-Raphson e Secante Professor Volmir Eugênio Wilhelm Professora Mariana Kleina Método Newton Raphson 2 Método Newton-Raphson Dada uma função f( contínua num intervalo fechado
Leia maisESCOLA SECUNDÁRIA FERREIRA DIAS
ESCOLA SECUNDÁRIA FERREIRA DIAS ENSINO RECORRENTE DE NÍVEL SECUNDÁRIO POR MÓDULOS CAPITALIZÁVEIS CURSO DE CIÊNCIAS E TECNOLOGIAS DISCIPLINA : MATEMÁTICA A ANO: 10.º - CONJUNTO DOS MÓDULOS 1-2-3 DURAÇÃO
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 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 mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
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 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 maisResolução de sistemas de equações lineares: Método do Gradiente
Resolução de sistemas de equações lineares: Método do Gradiente Marina Andretta ICMC-USP 24 de março de 2015 Marina Andretta (ICMC-USP) sme0301 - Métodos Numéricos para Engenharia I 24 de março de 2015
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 maisOccupancy grid based graph-slam using the distance transform, SURF features and SGD
Occupancy grid based graph-slam using the distance transform, SURF features and SGD Autores: Arturo Gil, Miguel Juliá, Óscar Reinoso Artur Segal Kaim Agenda Introdução Arquitetura Resultados Trabalho futuro
Leia maisNovas Tecnologias de Informação Licenciatura em Estatística e Gestão de Informação. Escolha uma e uma só resposta para cada uma das seguintes questões
Novas Tecnologias de Informação Licenciatura em Estatística e Gestão de Informação Cotação: Grupo I - 1 valor cada; Grupo II-1,4, Grupo III-1,2,2 ATENÇÃO: Cada pergunta de escolha múltipla errada desconta
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Linear (PL) Aula 10: Método Simplex Técnica das variáveis artificias Método das penalidades ( Big M ). Método das duas fases. 2 Modificando o Exemplo Protótipo. Suponha-se que é modificado
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 maisCinemática Inversa (numérica) Douglas Wildgrube Bertol DEE - Engenharia Elétrica CCT
Cinemática Inversa (numérica) Douglas Wildgrube Bertol DEE - Engenharia Elétrica CCT AS2ROB1 Fundamentos de Robótica Joinville 01/10/2018 Cinemática Inversa sumário Modelo cinemático inverso métodos analíticos
Leia maisCálculo Numérico Ponto Fixo
Cálculo Numérico Ponto Fixo Método do Ponto Fixo (MPF) Dada uma função f(x) contínua no intervalo [a,b] onde existe uma raiz única, f(x) = 0, é possível transformar tal equação em uma equação equivalente
Leia maisMétodos para resolver problemas de otimização restrita
Métodos para resolver problemas de otimização restrita Marina Andretta ICMC-USP 22 de novembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 22 de novembro de 2010 1 / 13 Problema
Leia maisProf. Wagner Hugo Bonat. Bacharelado em Estatística Universidade Federal do Paraná. 15 de outubro de 2018
Sistemas de Equações não lineares Prof. Wagner Hugo Bonat Bacharelado em Estatística Universidade Federal do Paraná 15 de outubro de 2018 Conteúdo Wagner Hugo Bonat Sistemas de Equações não lineares 2/34
Leia maisResolução Numérica de Equações (Parte II)
Cálculo Numérico Módulo III Resolução Numérica de Equações (Parte II) Prof: Reinaldo Haas Cálculo Numérico Bissecção Métodos Iterativos para a Obtenção de Zeros Reais de Funções Bissecção Newton-Raphson
Leia maisAdimensionalizando a expressão acima utilizando mais uma vês a velocidade da ponta da pá e o comprimento da pá: 4 1.3
1 Teoria conjunta elementos de pá e momento linear A teoria de elementos de pá parte de um determinado número de simplificações sendo que a maior (e pior) é que a velocidade induzida é uniforme. Na realidade
Leia maisProf. MSc. David Roza José 1/35
1/35 Métodos Iterativos Objetivos: Compreender a diferença entre os métodos de Gauss-Seidel e Jacobi; Saber analisar a dominância diagonal e entender o quê significa; Reconhecer como a relaxação pode ser
Leia maisMarina Andretta. 17 de setembro de Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright.
Métodos de regiões de confiança Marina Andretta ICMC-USP 17 de setembro de 2014 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear
Leia mais3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
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 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 maisPUC-GOIÁS - Departamento de Computação
PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 Polinômio de Newton Polinômio de Newton Ideia básica Ideias sobre aproximação linear e quadrática podem
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 maissujeito a: 30x x (madeira) 5x x (horas de trabalho) x 1, x 2 0
IV. MÉTODO GRÁFICO O método gráfico só permite resolver problemas de PL de pequena dimensão (duas ou três variáveis) não tendo pois qualquer interesse prático. O método gráfico permite visualizar um conjunto
Leia maisResolução Numérica de Equações Métodos Parte II
Cálculo Numérico Resolução Numérica de Equações Métodos Parte II Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br MATERIAL ADAPTADO DOS SLIDES DA DISCIPLINA CÁLCULO NUMÉRICO DA UFCG - www.dsc.ufcg.edu.br/~cnum/
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 9 04/2014 Zeros reais de funções Parte 3 MÉTODO DE NEWTON RAPHSON Cálculo Numérico 3/42 CONSIDERAÇÕES INICIAS MÉTODO DO PONTO
Leia maisAlocação de Unidades via Relaxação Lagrangeana
Alocação de Unidades via Relaxação Lagrangeana Prof. Antonio Simões Costa Grupo de Sistemas de Potência EEL - UFSC Relaxação Lagrangeana: Conceitos Iniciais 2 1 Alocação de Unidades via Relaxação Lagrangeana
Leia maisResolução Numérica de Equações Métodos Parte II
Cálculo Numérico Resolução Numérica de Equações Métodos Parte II Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br MATERIAL ADAPTADO DOS SLIDES DA DISCIPLINA CÁLCULO NUMÉRICO DA UFCG - www.dsc.ufcg.edu.br/~cnum/
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 maisSME0300 Cálculo Numérico Aula 6
SME0300 Cálculo Numérico Aula 6 Maria Luísa Bambozzi de Oliveira marialuisa @ icmc. usp. br Sala: 3-241 Página: tidia-ae.usp.br 20 de agosto de 2015 Aula Passada Equações Não-Lineares: Determinar raiz
Leia maisA. Equações não lineares
A. Equações não lineares 1. Localização de raízes. a) Verifique se as equações seguintes têm uma e uma só solução nos intervalos dados: i) (x - 2) 2 ln(x) = 0, em [1, 2] e [e, 4]. ii) 2 x cos(x) (x 2)
Leia maisAs Primitivas de f'(x) são o conjunto: { f(x): f(x)=2x + K, K real }= {..2x + 1.., 2x + 1/2,..2x + 0..,2x + 1/3,..2x }
1 of 6 27/11/2006 00:48 Derivada Origem: Wikipédia, a enciclopédia livre. Na matemática, a derivada de uma função é o conceito central do cálculo diferencial. A derivada pode ser usada para determinar
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.2. Perceptron 2.2.1. Introdução 2.2.2. Funcionamento do perceptron
Leia maisAna Paula. October 26, 2016
Raízes de Equações October 26, 2016 Sumário 1 Aula Anterior 2 Método da Secante 3 Convergência 4 Comparação entre os Métodos 5 Revisão Aula Anterior Aula Anterior Aula Anterior Aula Anterior Método de
Leia maisMétodos Numéricos - Notas de Aula
Métodos Numéricos - Notas de Aula Prof a Olga Regina Bellon Junho 2007 Zeros de equações transcendentes e Tipos de Métodos polinomiais São dois os tipos de métodos para se achar a(s) raízes de uma equação:
Leia maisf(1) = 6 < 0, f(2) = 1 < 0, f(3) = 16 > 0 x [2, 3].
1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Métodos Numéricos Para Solução
Leia maisRedes Neuronais (outras redes)
Redes Neuronais (outras redes) Victor Lobo Principais arquitecturas de redes Aprendizagem Supervisionada MLP com BP Multi-Layer Perceptron (perceptrão multicamada) Treinado com Backpropagation (retropropagação
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 maisFísica Computacional 5
Física Computacional 5 1. Derivadas com diferenças finitas a. O conceito de derivada, menos simples que o de integral b. Cálculo numérico da derivada com diferenças finitas c. Um outro conceito, Equação
Leia maisResolução de sistemas de equações não-lineares: Método de Newton
Resolução de sistemas de equações não-lineares: Método de Newton Marina Andretta/Franklina Toledo ICMC-USP 24 de setembro de 202 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina
Leia maisTE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira
TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira Sumário 1. Como obter raízes reais de uma equação qualquer 2. Métodos iterativos para obtenção de raízes 1. Isolamento das raízes 2. Refinamento
Leia maisIntrodução. Introdução. Introdução. Introdução. Introdução. Introdução à Robótica Robótica Móvel Localização. Principais questões na Robótica
à Robótica Robótica Móvel Localização Prof. Douglas G. Macharet douglas.macharet@dcc.ufmg.br Principais questões na Robótica Onde estou? (localização) Aonde vou? (objetivo) Como vou? (planejamento)? à
Leia maisAPROXIMAÇÃO DE FUNÇÕES MÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS INTRODUÇÃO Frequentemente é possível estabelecer uma relação linear entre duas grandezas medidas experimentalmente. O método dos mínimos quadrados é uma maneira de se obter
Leia maisAula 7. Aula de hoje. Aula passada
Aula 7 Aula passada Método de Monte Carlo Estimando somatórios Calculando erro Estimando Erro de Integração de Monte Carlo Monte Carlo Ray Tracing Aula de hoje Gerando amostras de v.a. discretas Gerando
Leia maisCálculo Numérico BCC760 Raízes de equações algébricas e transcendentes
Cálculo Numérico BCC760 Raízes de equações algébricas e transcendentes Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ Introdução Dada uma função y = f(x), o objetivo deste
Leia maisPara temos : que é a ideia de um polinômio. A série pode convergir para alguns valores de mas pode divergir para outros valores de.
MATERIAL DIDÁTICO Professora Sílvia Victer CÁLCULO 2 SÉRIES DE POTÊNCIAS Definição: Séries de Potências é uma série infinita de termos variáveis. Elas podem ser usadas em várias aplicações, como por exemplo,
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 mais4. O algoritmo LMS e variantes
Apontamentos de Processamento Adaptativo de Sinais 4. O algoritmo LMS e variantes Família de algoritmos do gradiente Na prática usam-se estimativas do gradiente, ˆ (n), em vez do verdadeiro gradiente (n),
Leia maisT6.1 Reconhecimento de Padrões
T6.1 Reconhecimento de Padrões Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Introdução ao reconhecimento de padrões 2. Representação do conhecimento 3. Reconhecimento
Leia maisRepresentação esquemática de estruturas de dados
UNIVERSIDADE DE SÃO PAULO - USP Instituto de Química de São Carlos - IQSC Grupo de Química Medicinal do IQSC/USP 1 Representação esquemática de estruturas de dados 2 1 Tipos de variáveis Contínua Concentração,
Leia maisProtótipo de Software para Reconhecimento de Impressões Digitais
Protótipo de Software para Reconhecimento de Impressões Digitais Aluno: Alex Sandro da Silva Orientador: Paulo de Tarso Mendes Luna Semestre - 99/1 Roteiro da Apresentação INTRODUÇÃO CONCEITOS BÁSICOS
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 12 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 12 de Janeiro de 2017 Nota: O exame está cotado para 40 valores. Os 20 valores
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 maisMétodos Numéricos Interpolação / Aproximação. Renato S. Silva, Regina C. Almeida
Métodos Numéricos Interpolação / Aproximação Renato S. Silva, Regina C. Almeida Interpolação / Aproximação situação: uma fábrica despeja dejetos no leito de um rio; objetivo: determinar a quantidade de
Leia maisResolução de sistemas de equações lineares: Método dos Gradientes Conjugados
Resolução de sistemas de equações lineares: Método dos Gradientes Conjugados Marina Andretta/Franklina Toledo ICMC-USP 24 de março de 2015 Baseado no livro Cálculo Numérico, de Neide B. Franco Marina Andretta/Franklina
Leia maisComputação Numérica Ano letivo 2011/12 Orientações de resposta ao exame/p-folio de 1ª época
Computação Numérica 101 Ano letivo 011/1 Orientações de resposta ao exame/p-folio de 1ª época 1. Considere a função y( x) = ln x x + 4. a. (1,5 val) Construa o polinómio de Taylor de y(x) de grau, com
Leia maisFundamentos IV. Gustavo Vinhal. September 13, Escola de Ciências Exatas e Computação
Fundamentos IV Raizes de equações Gustavo Vinhal Escola de Ciências Exatas e Computação September 13, 2016 Método de regula falsi Método da relgula falsi ou falsa posição Encontra a raiz de uma equação
Leia maisCAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES
CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES Vamos estudar alguns métodos numéricos para resolver: Equações algébricas (polinómios não lineares; Equações transcendentais equações que envolvem funções
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 maisTema 0: Módulo Inicial Nº de Aulas Previstas (90 m): 18
Planificação Anual Matemática A 0º Ano Ano Lectivo 0/0 Tema 0: Módulo Inicial Nº de Aulas Previstas (90 m): 8 (BLOCOS DE 90M) Revelar espírito crítico, de rigor e confiança nos seus raciocínios. Abordar
Leia maisArquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano. Desenvolvimento de Aplicações Paralelas
Arquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano Desenvolvimento de Aplicações Paralelas (gec.di.uminho.pt/lesi/ap10203/aula06aplicaçõespar.pdf) João Luís Ferreira Sobral Departamento
Leia maisAULA 16 Esboço de curvas (gráfico da função
Belém, 1º de junho de 015 Caro aluno, Seguindo os passos dados você ará o esboço detalhado do gráico de uma unção. Para achar o zero da unção, precisamos de teorias que você estudará na disciplina Cálculo
Leia mais6. Modelos baseados em dados
Modelação e Simulação 6.Modelos baseados em dados 6. Modelos baseados em dados Objectivo: Após completar este módulo, o aluno deverá ser capaz de formular e resolver problemas simples de estimação de parâmetros
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 maisAnálise de Componentes Principais Simbólicas
Análise de Componentes Principais Simbólicas Universidade Federal de Pernambuco CIn.ufpe.br Análise de Componentes Principais O objetivo da análise de componentes principais é explicar a estrutura de variânciacovariância
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Linear (PL) Aula 8 : O método Simplex. Casos particulares. Empate no critério de entrada. Óptimo não finito. Soluções óptimas alternativas. Degenerescência. INÍCIO Forma Padrão Faculdade
Leia maisDespacho Econômico Considerando as Perdas de Transmissão
Capítulo 1 Despacho Econômico Considerando as Perdas de Transmissão 1.1 Introdução Até agora, os métodos de despacho econômico apresentados têm ignorado as perdas de transmissão. Entretanto, as perdas
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 11 de novembro de 2016 Fluxo óptico Usado para estimar
Leia maisPROBLEMAS DE OPTIMIZAÇÃO
PROBLEMAS DE OPTIMIZAÇÃO EXTREMOS: MÁXIMOS E MÍ IMOS As questões de optimização estão relacionados com a escolha da melhor alternativa para a resolução de um problema com base em critérios particulares.
Leia maisSetor de Tecnologia - TC Engenharia Ambiental Prova 1. Matemática Aplicada I
Universidade Federal do Paraná Matemática Aplicada I Setor de Tecnologia - TC Engenharia Ambiental 2014-2 Curitiba, 24.09.2014 Prova 1 Matemática Aplicada I Tobias Bleninger Departamento de Engenharia
Leia maisModelos Pontuais de Distribuição em Visão Computacional Estudo, Desenvolvimento e Aplicação
MESTRADO EM ESTATÍSTICA APLICADA E MODELAÇÃO Modelos Pontuais de Distribuição em Visão Computacional Estudo, Desenvolvimento e Aplicação Maria João Medeiros de Vasconcelos Licenciada em Matemática Aplicada
Leia maisRedes Neuronais e Aprendizagem Automática 1
Redes Neuronais e Aprendizagem Automática 2005/2006 9 a aula Fernando.Silva@ist.utl.pt Instituto Superior Técnico Redes Neuronais e Aprendizagem Automática 1 Sumário Aprendizagem e generalização Redes
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 maisEXERCICIOS RESOLVIDOS - INT-POLIN - MMQ - INT-NUMERICA - EDO
Cálculo Numérico EXERCICIOS EXTRAIDOS DE PROVAS ANTERIORES o sem/08 EXERCICIOS RESOLVIDOS - INT-POLIN - MMQ - INT-NUMERICA - EDO x. Considere a seguinte tabela de valores de uma função f: i 0 f(x i ).50
Leia maisReconhecimento de Padrões/Objetos
Reconhecimento de Padrões/Objetos André Tavares da Silva andre.silva@udesc.br Capítulo 2 de Gonzales Classificação Linear Introdução Para utilizar uma função discriminante linear (Linear Discriminant Function)
Leia maisMétodos Numéricos Zeros Posição Falsa e Ponto Fixo. Professor Volmir Eugênio Wilhelm Professora Mariana Kleina
Métodos Numéricos Zeros Posição Falsa e Ponto Fixo Professor Volmir Eugênio Wilhelm Professora Mariana Kleina Método da Posição Falsa 2 Método da Posição Falsa O processo consiste em dividir/particionar
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 maisRegressão Linear. Fabrício Olivetti de França. Universidade Federal do ABC
Regressão Linear Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Ordinary Least Square 2. Gradiente Descendente 1 Aprendendo com exemplos Uma das formas de aprendizado de máquina é definido
Leia mais1. Converta os seguintes números decimais para sua forma binária: (a) 22 (b) 255 (c) 256 (d) 0.11 (e) (f)
1 a Lista de Exercícios de Cálculo Numérico Prof a. Vanessa Rolnik 1. Converta os seguintes números decimais para sua forma binária: (a) 22 (b) 255 (c) 256 (d).11 (e).8125 (f) 4.69375 2. Converta os seguintes
Leia mais