4. Sistemas Neuro-Fuzzy
|
|
- Sebastiana Bruna Leão Sacramento
- 5 Há anos
- Visualizações:
Transcrição
1 4. Sstemas Neuro-Fuzzy Neste capítulo será apresentado o sstema híbrdo Neuro-Fuzzy, o qual é a combnação das técncas de fuzzy e redes neuras. Alguns modelos Neuro-Fuzzy já desenvolvdos na lteratura são descrtos Introdução Neste captulo é apresentada a fundamentação de concetos para a mplementação de sstemas híbrdos, tas como o sstema Neuro-Fuzzy. Nas últmas décadas, como uma alternatva aos métodos convenconas de modelagem do controle, surgram o projeto de controle baseado em Lógca Fuzzy (FL) e Redes Neuras Artfcas (ANN). Estas duas técncas são aplcadas com sucesso em dversas áreas nas quas o controle convenconal tem falhado na modelagem do controlador. Os sstemas fuzzy são aproprados para a modelagem de controladores a partr do conhecmento explícto fornecdo pelo especalsta, nos quas o desempenho do controlador depende da experênca do especalsta. E as ANN são adequadas na cração do controle baseado no conhecmento mplícto embutdo em um conjunto de dados, entretanto o desempenho das redes neuras é afetado pelo ajuste de seus parâmetros (número de neurônos em cada camada, número de camadas esconddas, etc.). Portanto, mutos pesqusadores têm tentando ntegrar estas duas técncas para gerar um modelo híbrdo que possa aprovetar as vantagens de cada uma delas e mnmzar suas defcêncas. Nos últmos anos, dversos tpos de sstemas híbrdos foram desenvolvdos na lteratura, geralmente pela ntegração das técncas de Algortmos Genétcos (GA), ANN e FL. Neste trabalho, apresentam-se dversas arquteturas híbrdas baseadas na ntegração de Sstemas Fuzzy e ANN.
2 Sstemas Híbrdos Os sstemas híbrdos são a snerga obtda pela combnação de duas ou mas técncas de modelagem. O foco destes sstemas está em obter um sstema mas poderoso e com menos defcêncas. Dependendo da forma básca de construção, uma técnca pode ser aplcada para melhorar as defcêncas do outro em um maor ou menor grau. Algumas destas formas são descrtas a segur Sstema Híbrdo Seqüencal Em um sstema híbrdo seqüencal, a saída de um subsstema com Técnca 1 atua como entrada de outro subsstema com Técnca 2, como apresentado na Fgura 4.1. Entrada Sstemas Fuzzy Redes Neuras Saída Técnca 1 Técnca 2 Fgura 4.1. Sstema Híbrdo Seqüencal. Na fgura anteror, mostra-se um sstema híbrdo seqüencal consttuído de duas técncas ou subsstemas: a prmera técnca é um sstema fuzzy que trabalha como um pré-processador fuzzy dos dados, e a segunda técnca é uma ANN. Na lteratura, freqüentemente este tpo não é consderado como sstema híbrdo, por ser a forma mas fraca de hbrdzação Sstema Híbrdo Auxlar Um sstema híbrdo auxlar, é consttuído de dos subsstemas um prncpal e outro auxlar. O subsstema prncpal com Técnca 1 chama ao subsstema auxlar com Técnca 2 para realzar uma determnada tarefa. No exemplo da Fgura 4.2, o subsstema prncpal baseado em uma ANN, nvoca um subsstema auxlar baseado em um algortmo genétco para a otmzação de seus pesos. Este tpo de sstema tem um maor grau de hbrdzação que o sstema híbrdo seqüencal.
3 61 Entrada Técnca 1 Redes Neuras Saída Algortmos Genétcos Técnca 2 Fgura 4.2. Sstema Híbrdo Auxlar Sstema Híbrdo Incorporado Na prátca, os sstemas híbrdos ncorporados são os mas utlzados, pos apresentam o maor grau de hbrdzação, ao ponto que não é possível a separação entre os dos subsstemas. Nestes sstemas, o grau de hbrdzação é tão elevado que se pode dzer que o prmero subsstema contém o segundo, ou vce-versa. Na Fgura 4.3, apresenta-se um exemplo de um sstema híbrdo ncorporado, o qual é consttuído de um Sstema Fuzzy e uma ANN. Estes tpos de sstemas híbrdos são conhecdos como Sstemas Neuro-Fuzzy, nos quas um sstema de nferênca fuzzy é mplementado conforme a estrutura paralela de uma ANN. Técnca 1 Entrada Sstemas Fuzzy + Redes Neuras Técnca 2 Saída Fgura 4.3. Sstema Hbrdo Incorporado. Nesta dssertação, utlza-se o sstema híbrdo ncorporado Neuro-Fuzzy, pos este sstema tem recebdo uma grande atenção dos pesqusadores em aplcações na área de controle, pela necessdade de controladores cada vez mas efcentes.
4 Sstemas Neuro-Fuzzy Um Sstema Neuro-Fuzzy (SNF), é um tpo de sstema híbrdo ncorporado consttuído pela combnação de duas técncas de modelagem muto conhecdas como as ANN e a FL. Na atualdade, os SNF estão se tornando de grande nteresse, pos trazem os benefícos tanto de ANN quanto de sstemas de FL, removendo assm as desvantagens ndvduas ao combnar as característcas comuns. Além dsso, dferentes arquteturas de SNF vêm sendo pesqusadas em dversas áreas de aplcação, especalmente no controle de processos [23]. A déa básca de um SNF é a construção de um Sstema de Inferênca Fuzzy (FIS), numa estrutura paralela dstrbuída de tal forma que os algortmos de aprendzado das redes neuras possam ser aprovetados nestes sstemas híbrdos para ajustar os parâmetros do FIS. A Fgura 4.4 apresenta a estrutura de um SNF que é dvddo em 5 camadas. ENTRADA CAMADA ESCONDIDA SAIDA Pesos antecedentes R1 Pesos consequentes Baxo x 1 x 2 Médo Alto Baxo Médo Alto wj R2 R3 R4 Rn wk j Baxo Médo Alto ϕ S1 Entradas Fuzzfcação Regras Consequente Defuzzfcação Fgura 4.4. Arqutetura básca de um Sstema Neuro-Fuzzy. A camada de entrada representa as varáves de entrada, as quas são normalzadas e escalonadas dentro do ntervalo numérco [0,1] ou [-1,1]. A segunda camada é a etapa de fuzzfcação. Nesta etapa, os ntervalos de cada varável de entrada são dvddos em dversos níves (Baxo, Médo e Alto), os quas ndcam os pesos da rede para cada entrada. A tercera camada é defnda
5 63 pelas regras do FIS, a camada 4 é determnada pelos conseqüentes das regras, e a camada 5 ou camada de saída é a etapa de defuzzfcação, onde se calcula o valor numérco de saída Característcas de Sstemas Neuro-Fuzzy Os SNF permtem a extração de conhecmento baseada na forma de regras de nferênca fuzzy, medante a ntegração do conhecmento explícto gerado pela experênca do especalsta e do conhecmento mplícto obtdo a partr de um conjunto de dados. Assm, estes sstemas assocam a capacdade de aprendzado e de tolerânca a falhas das ANN, com a nterpretabldade dos FIS s. Devdo à sua natureza dual, estes sstemas herdam as característcas de seus gentores. Neste sentdo, dvdram-se as característcas em duas categoras prncpas, como se apresenta na Fgura 4.5. Característcas SNF Característcas ANN Característcas FIS Tpo de Aprendzado Identfcação da Estrutura Identfcação dos Parâmetros Modelo Fuzzy Formato FP Partconamento do Espaço E/S Método de Defuzzfcação Fgura 4.5. Característcas do Sstema Neuro-Fuzzy Característcas Fuzzy do SNF As característcas fuzzy do SNF são agrupadas em 4 sub-classes, classfcadas em relação aos parâmetros da estrutura fuzzy, de modo que a combnações destas característcas determna o modelo do SNF. Na Fgura 4.6,
6 64 apresenta-se esta classfcação. Característcas FIS do SNF Modelo Fuzzy Formato das funções de pertnênca Partconamento do Espaço de E/S Método Defuzzfcação - Mandan - Takag - Sugeno - Tsukamoto - etc. - Trangular - Trapezodal - Sgmodal - Gaussano - Sglenton, etc. - Fuzzy Grd - BSP - Quad Tree - Adaptve Fuzzy Grd, etc. - Méda Ponderada - Centro de Soma - Centro de Área - Outros. Fgura 4.6. Característcas fuzzy do Sstema Neuro-Fuzzy. O modelo fuzzy mplementado no SNF determna o formato das regras fuzzy (modelo de nferênca), o qual forma a parte fundamental da estrutura de conhecmento em um sstema de nferênca fuzzy. Entretanto, os formatos das funções de pertnênca nfluencam nos graus de pertnênca assocados a cada varável, sendo o formato trangular e o trapezodal os mas usados pela vantagem de serem computaconalmente smples. Assm, as funções de pertnênca snglenton geralmente são utlzadas nos conseqüentes dos sstemas híbrdos, sto devdo à vantagem de smplfcar o processo de defuzzfcação do sstema fuzzy. O partconamento do espaço das varáves de entrada e saída (E/S) defne nternamente regões fuzzy de espaço, os quas são relaconados através das regras fuzzy. Assm, o partconamento do espaço de saída geralmente é mas smples pos está assocado aos conseqüentes das regras. Depos de fazer as avalações do conjunto de regras fuzzy, o valor real da saída do SNF é determnado pelo método de defuzzfcação escolhdo Característcas Neuras do SNF As característcas neuras do SNF estão relaconadas com a capacdade de
7 65 aprendzado do sstema híbrdo, estando dvddas em 3 sub-classes como apresentado na Fgura 4.7. Tpo Aprendzado - Aprendzado Onlne - Aprendzado Onlne - Com apoo do especalsta Característcas ANN do SNF Identfcação da estrutura - Identfcação Préva - Método auto-organzado - Método de dstrbução unforme dos FP s - Identfcação Automátca - Incremental - Decremental - Antecedentes Identfcação dos parâmetros - Antecedente e Conseqüente - Antecedente, Conseqüente, e Pesos das regras Fgura 4.7. Característcas RNA do Sstema Neuro-Fuzzy. O tpo de aprendzado, em relação á forma de apresentação dos padrões, dvde-se em aprendzado Off-lne e aprendzado On-lne. No aprendzado Onlne, a atualzação dos parâmetros da estrutura é feta para cada padrão apresentado. Por outro lado, no aprendzado Off-lne a atualzação dos parâmetros é feta após a apresentação de todos os dados do conjunto de trenamento. A dentfcação da estrutura de um SNF está relaconada com a determnação do número adequado de regras fuzzy, e de um partconamento satsfatóro das E/S. Esta característca dvde-se em duas categoras: Identfcação Préva e Identfcação Automátca. Na Identfcação Préva, o conhecmento da estrutura do sstema é feto a pror com apoo de algum especalsta ou método auto-organzado, antes do níco da atualzação dos parâmetros. Na Identfcação Automátca, o conhecmento é obtdo de forma ncremental ou decremental, de modo que o sstema não precsa de conhecmento prévo. As característcas do SNF em relação à dentfcação dos parâmetros são baseadas no método utlzado para o ajuste dos pesos fuzzy que defnem os perfs
8 66 das FP s dos antecedentes e conseqüentes das regras fuzzy. Geralmente, a maora dos SNF apresenta dentfcação dos antecedentes e conseqüentes, com peso fxo de cada regra e de valor untáro. Um exemplo deste tpo de SNF são os modelos ANFIS (Adaptatve Network Based Fuzzy Inference System). Entretanto, alguns SNF só apresentam ajuste nos antecedentes das regras fuzzy; um exemplo típco é o modelo NEFCLASS (Neuro Fuzzy Classfcaton). Além dsso, exstem sstemas que apresentam ajuste no antecedente, conseqüente, e nos pesos de cada uma das regras fuzzy Modelos de Sstemas Neuro-Fuzzy Os modelos dos SNF são determnados pela modelagem das característcas de seus gentores. Nesta seção apresentam-se brevemente alguns dos SNF mas conhecdos: ANFIS, FSOM, NEFCLASS, NEFCON e NFHQ. Com sto, espera-se tornar mas clara a compreensão de um SNF qualquer Adaptve Network based Fuzzy Inference System (ANFIS) O sstema Neuro-Fuzzy ANFIS fo crado por Roger Jang. Esta arqutetura fo usada com sucesso em aplcações de prevsão e aproxmação de funções. Além dsso, o autor propõe algumas varações do modelo para outras aplcações, aumentando sua populardade ao ponto de ser nserdo no software MATLAB. A Fgura 4.8 lustra a arqutetura ANFIS. x 1 A1 B1 S1 S1' T N C1 h1 x 2 A2 B2 S2 S2' T N C2 h2 ϕ z x 3 A3 B3 T N C3 S3 S3' h3 Entradas Camada 1 Camada 2 Camada 3 Camada 4 Camada 5 Sada Fgura 4.8. Arqutetura ANFIS.
9 67 Na fgura acma, os nós que compõem uma mesma camada têm funções semelhantes, as quas são descrtas a segur. Camada 1: A saída desta camada são os graus de pertnêncas das entradas, baseado na premssa de cada regra. Neste caso, cada entrada apenas tem duas funções de pertnênca (A = Alto e B = Baxo), podendo ser este número maor. Camada 2: Nesta camada, calcula-se o grau de pertnênca ao qual é submetdo o conseqüente de cada regra. Cada nó ou neurôno desta camada executa a operação de t_norm e corresponde a uma regra: onde * representa a t -norm. S = A ( x )* A ( x )* A ( x ) S = B ( x )* B ( x )* A ( x ) S = B ( x )* B ( x )* B ( x ) (4.1) Camada 3: Esta camada realza a normalzação dos graus de atvação das regras. Cada nó desta camada executa a função normalzação, a qual é utlzada como um pré-processamento para a defuzzfcação: S = S / ( S + S + S ) S = S / ( S + S + S ) S = S / ( S + S + S ) (4.2) Camada 4: Nesta camada, a saída de cada neurôno é calculada pelo produto da saída normalzada da camada anteror e o grau de atvação do conseqüente. Este valor de saída é dado por: h = S. C h = S. C h = S. C (4.3)
10 68 onde C s correspondem aos valores dos conseqüentes, os quas, por exemplo, podem ser funções de pertnênca snglenton s. Camada 5: A saída desta camada fornece a saída precsa do sstema ANFIS. Esta etapa de defuzzfcação faclta-se pelo cálculo das camadas 3 e 4, dado por: S. f Z = = S. f S (4.4) Z = h + h + h O espaço de partconamento das E/S utlzadas é do tpo Fuzzy Grd Adaptatvo. Seu processo de aprendzado do sstema para a dentfcação da estrutura e parâmetros é feto em duas etapas, repetdas até atngr o crtéro de parada: Etapa 1: Os parâmetros dos conseqüentes são ajustados pelo método de MQO (Mínmos Quadrados Ordnáros), enquanto os antecedentes permanecem fxos. Etapa 2: Os parâmetros dos antecedentes são ajustados pelo método de GD (Gradent Decrescent), enquanto os conseqüentes se mantêm fxos. A déa prncpal do sstema ANFIS é mplementar um sstema fuzzy numa rede neural, onde geralmente as funções de pertnênca utlzadas são do tpo sgmódes Neuro Fuzzy Classfcaton (NEFCLASS) Este modelo fo proposto por Nauck e Kruse, e é aplcado com sucesso bascamente em problemas de classfcação. Além dsso, Nauck desenvolveu outras duas arquteturas, o modelo Neuro-Fuzzy Control (NEFCON) para aplcações em controle e o modelo Neuro-Fuzzy Functon Approxmaton (NEFPROX) para aplcações em prevsão e aproxmação de funções. Todos estes modelos utlzam um modelo genérco denomnado Fuzzy Perceptron. A Fgura 4.9 lustra uma arqutetura NEFCLASS.
11 69 µ 1 R 1 x 1 γ 1 R 2 C 1 ρ 1 R 3 µ 2 x 2 γ 2 R 4 C 2 ρ 2 R 5 Camada de Camada de Camada de Camada de entrada antecedente regras sada Fgura 4.9. Arqutetura NEFCLASS. Estes tpos de arquteturas estão consttuídas de 4 camadas e são descrtas conforme se segue: Camada de Entrada: Esta camada só tem a função de dreconar os valores das entradas ( x 1 e x 2 ) para as entradas das funções de pertnênca dos antecedentes das regras. Estas regras fuzzy têm a forma: Se x µ e x µ e ntão Padrão ( x, x ) pertence à classe Camada de Antecedentes: Esta camada fornece o grau de pertnênca dos antecedentes de cada regra, e cada varável de entrada fo dvdda em três funções de pertnênca (Baxo, Médo, Alto). O partconamento do espaço de entrada utlzado nesta camada é Adaptatve Fuzzy-Grd. Camada de Regras: Nesta camada, executam-se a operação t-norm entre os graus de pertnênca dos antecedentes de cada regra, gerando assm seu grau de atvação. Camada de Saída: Esta camada fornece a saída do sstema, obtda executando a operação t-conorm com os graus de atvação da camada de regras. Os pesos de nterlgação entre a camada de regras e a camada de saída são untáros. O aprendzado deste modelo é feto em duas etapas:
12 70 Etapa 1: Na prmera etapa, utlza-se um algortmo de aprendzado da base de regras, que pode ser construída de duas formas: ncalzada a partr de um conhecmento prévo sobre o conjunto de padrões e depos refnada por aprendzado acrescentando ou dmnundo regras ou ncalzada com um conjunto vazo de regras e acrescda por aprendzado ncremental. Etapa 2: Após a cração da base de regras, nesta fase executa-se um algortmo de aprendzado baseado no GD( Gradent Descent) para ajustar os parâmetros das funções de pertnêncas dos antecedentes das regras. O sstema híbrdo NEFCLASS é uma rede Fuzzy-Perceptron que apresenta a vantagem de nterpretação da estrutura em forma de regras, e herda todas a característcas das ANN do tpo Perceptron Multcamadas(MLP) Fuzzy Self-Organzed Map (FSOM) Este modelo fo desenvolvdo por Vuormaa, possu uma estrutura muto semelhante ao modelo ANFIS, como se lustra na Fg Este modelo utlza partconamento Fuzzy-Box no espaço de entrada. x 1 Regra 1 mín α 1 norm x 1 x 2 Regra 2 α 2 x 1 x 2 y x 2 mín norm Entradas C 1 C2 C 3 C 4 C 5 Sada Fgura Arqutetura FSOM. A descrção das camadas é semelhante ao modelo ANFIS, à exceção de
13 71 alguns detalhes descrtos abaxo. Na Camada 1, as funções de pertnênca dos antecedentes são de formato trangular, e o formato da regras fuzzy são Se x U e x U então y = S. 1,1 2,2 onde x1 U,1 é o grau de pertnênca da entrada x j U, j no conjunto fuzzy U, j. regras é Na camada 2, a operação t-norm para o cálculo do grau de pertnênca das { ( ) ( )},1 1,2 2 α = mn µ x + µ x (4.5) U U onde α é o grau de pertnênca calculado para cada regra. Na camada 5, o cálculo da defuzzfcação é feto utlzando o método da méda ponderada, e é dado por: α. S y = = α α. S (4.6) onde regra. S é o grau de atvação das funções de pertnênca do conseqüente de cada O processo de aprendzado deste modelo é feto em três fases. Etapa 1: Os parâmetros dos centros C das funções de pertnênca trangulares são auto-organzados utlzando o algortmo SOM de Kohonen. Etapa 2: Os parâmetros dos conjuntos fuzzy são formados em volta aos centros obtdos na etapa 1, usando-se uma largura ω 0. Etapa 3: Nesta etapa, são ajustados os parâmetros dos antecedentes por um algortmo supervsonado semelhante ao LVQ, o qual também é gerado por Kohonen. Esta arqutetura pode ser usada na mplementação de sstemas para aproxmação de funções e controle.
14 Vantagens e Desvantagens dos SNF Algumas das prncpas vantagens e desvantagens apresentadas pelos sstemas híbrdos em aplcações prátcas são: Vantagens das SNF Os SNF combnam as vantagens dos sstemas fuzzy e RNA, mostrando um enorme potencal para aplcações que combnem conhecmento qualtatvo com robustez. A lógca fuzzy provê uma nterface de alto nível, de rápda computação e amgável para programar, permtndo que o especalsta se concentre nos objetvos funconas em vez dos detalhes matemátcos. Por outro lado, as ANN são convenentes para a extração de conhecmento através do aprendzado. O projetsta não precsa ter conhecmento prévo do processo, levando a uma fácl adaptabldade aos dferentes processos. Os modelos Neuro-Fuzzy, podem ldar de uma manera melhor que as ANN ao problema de ruído nos dados. Capacdade de auto-aprendzado, auto-organzação e auto-dreconamento, mtando a capacdade humana do processo de tomada de decsão Desvantagens dos SNF Algumas das lmtações dos SNF são: Os SNF trabalham com um reduzdo número de entradas, devdo ao problema de explosão combnatóra das regras. Portanto, um sstema com mutas entradas demanda um maor esforço computaconal. Lmtação na construção de sua própra estrutura, devdo à estrutura fxa; quando há a capacdade de alterar sua estrutura, são lmtados pelo elevado número de regras. No próxmo capítulo, é apresentada uma breve descrção da modelagem do sstema servo-hdráulco de nteresse desta dssertação, e o projeto do controle por aprendzado acelerado proposto.
2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia mais2 Redes Neurais Auto-Organizáveis
2 Redes Neuras Auto-Organzáves 2.1 Introdução Problemas de clusterng estão presentes nos mas varados contetos, como por eemplo: classfcação de padrões, mneração de dados e recuperação de nformações de
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA 22 a 25 Novembro de 2009 Recfe - PE GRUPO IV GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA CA E CC - GAT DESENVOLVIMENTO
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia mais3 AGRUPAMENTO E CLASSIFICAÇÃO POR TÉCNICAS INTELIGENTES
36 3 AGRUPAMENTO E CLASSIFICAÇÃO POR TÉCNICAS INTELIGENTES 3.1 INTRODUÇÃO Nas seções seguntes (3.2 e 3.3) são ntroduzdos os modelos de categorzação e Neuro-Fuzzy que são a base dos módulos do Sstema de
Leia mais3 Aproximador de Função para Simulador de Reservatório Petrolífero
Aproxmador de Função para Smulador de Reservatóro Petrolífero 37 3 Aproxmador de Função para Smulador de Reservatóro Petrolífero 3.1. Introdução O desenvolvmento de um campo petrolífero pode ser entenddo
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia mais5 Previsão do Preço Spot de Energia Elétrica
5 Prevsão do Preço Spot de Energa Elétrca 5.1. Introdução Os modelos de prevsão do preço spot da energa devem levar em consderação a estrutura da ndústra de energa elétrca, seu sstema elétrco e a base
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisDesenvolvimentos de Malhas de Controle por Técnicas de Escalonamento de Ganhos e Lógica Fuzzy
UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Desenvolvmentos de Malhas de Controle por Técncas de Escalonamento de Ganhos e Lógca Fuzzy Carlos Roberto de Araújo Dssertação
Leia maisINCORPORAÇÃO DE RECORRÊNCIA EM ESTRUTURAS NEURAIS NEBULOSAS
INCORPORAÇÃO DE RECORRÊNCIA EM ESTRUTURAS NEURAIS NEBULOSAS Ivette Luna 1, Rosangela Balln 2, Fernando Gomde 3 1,3 Unversdade Estadual de Campnas Faculdade de Engenhara Elétrca e de Computação 13083-970
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisSISTEMAS FUZZY PARA PREVISÃO DE DEMANDA DE ENERGIA ELÉTRICA NO CURTÍSSIMO PRAZO
SISTEMS FUZZY PR PREVISÃO DE DEMND DE ENERGI ELÉTRIC NO CURTÍSSIMO PRZO Lucano Carl Morera de ndrade 1, Rogéro ndrade Flauzno 2, Ivan Nunes da Slva 3 1 Escola de Engenhara de São Carlos - USP, São Carlos,
Leia maisUniversidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron
Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisXIX Seminário Nacional de Distribuição de Energia Elétrica. Previsão do Consumo Regional da Elektro em Horizonte Anual com Modelos de Rede Neurais
XIX Semnáro Naconal de Dstrbução de Energa Elétrca SENDI 2010 22 a 26 de novembro São Paulo - SP - Brasl Prevsão do Consumo Regonal da Eletro em Horzonte Anual com Modelos de Rede Neuras Ivette R. Luna
Leia maisMecanismos de Escalonamento
Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur
Leia maisSNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO IV GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GAT 23 14 a 17 Outubro de 2007 Ro de Janero - RJ GRUPO IV GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT AVALIAÇÃO
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisOBTENÇÃO DAS FUNÇÕES DE PERTINÊNCIA DE UM SISTEMA NEUROFUZZY MODIFICADO PELA REDE DE KOHONEN
UNIVERSIDADE DO ESTADO DE SANTA CATARINA UDESC CENTRO DE CIÊNCIAS TECNOLÓGICAS CCT DEPARTAMENTO DE ENGENHARIA ELÉTRICA DEE PROGRAMA DE PÓS-GRADUAÇÃO EM AUTOMAÇÃO INDUSTRIAL Formação: Mestrado em Automação
Leia maisIntrodução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:
Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisREDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS
GOP/010 21 a 26 de Outubro de 2001 Campnas - São Paulo - Brasl GRUPO IX GRUPO DE ESTUDOS DE OPERAÇÕES DE SISTEMAS ELÉTRICOS REDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS Rosângela Balln
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisESTUDO DE MERCADO ESPACIAL PARA PLANEJAMENTO DE SISTEMAS DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA
ESTUDO DE MERCADO ESPACIAL PARA PLANEJAMENTO DE SISTEMAS DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA Nelson Kagan Escola Poltécnca da Unversdade de São Paulo; Av. Prof. Lucano Gualberto, 158, Trav.3, CEP 05508-900
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisModelagem do Transistor Bipolar
AULA 10 Modelagem do Transstor Bpolar Prof. Rodrgo Rena Muñoz Rodrgo.munoz@ufabc.edu.br T1 2018 Conteúdo Modelagem do transstor Modelo r e Modelo híbrdo Confgurações emssor comum, base comum e coletor
Leia maisIdentificação de curvas de carga diária típicas com uso de Mapa de Kohonen e Fuzzy C-Means
Identfcação de curvas de carga dára típcas com uso de Mapa de Kohonen e Fuzzy C-Means Nelson R. de Albuquerque, Douglas A. A. de Faras Pontfíca Unversdade Católca do Ro de Janero Departamento de Engenhara
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisMÉTODOS ITERATIVOS PARA PROBLEMAS DE PROGRAMAÇÃO MATEMÁTICA COM INCERTEZAS
Pesqusa Operaconal e o Desenvolvmento Sustentável MÉTODOS ITERATIVOS PARA PROBLEMAS DE PRORAMAÇÃO MATEMÁTICA COM INCERTEZAS Rcardo Coêlho Slva Departamento de Telemátca Faculdade de Engenhara Elétrca e
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisAs leis de Kirchhoff. Capítulo
UNI apítulo 11 s les de Krchhoff s les de Krchhoff são utlzadas para determnar as ntensdades de corrente elétrca em crcutos que não podem ser convertdos em crcutos smples. S empre que um crcuto não pode
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisMETODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO
Semnáro Anual de Pesqusas Geodéscas na UFRGS, 2. 2007. UFRGS METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL Iran Carlos Stallvere Corrêa Insttuto de Geocêncas UFRGS Departamento
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisPrimeiras Redes Neurais. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Prmeras Redes Neuras Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Modelo de McCullough and Ptts 2. Teora de Hebb 3. O Perceptron 4. Exemplos 2 Modelo de McCullough
Leia maisFUZZY IMPLEMENTADO EM LADDER COM FUNÇÕES DE PERTINÊNCIA DESCONTÍNUAS
FUZZY IMPLEMENTADO EM LADDER COM FUNÇÕES DE PERTINÊNCIA DESCONTÍNUAS DAVI N. OLIVEIRA, ARTHUR P. S. BRAGA, OTACÍLIO M. ALMEIDA Grupo de Pesqusa em Automação e Robótca, Depto de Engenhara Elétrca, Unversdade
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia mais2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria
Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisRealimentação negativa em ampliadores
Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação
Leia maisDISTRIBUIÇÃO DE FREQUÊNCIAS
Núcleo das Cêncas Bológcas e da Saúde Cursos de Bomedcna, Ed. Físca, Enermagem, Farmáca, Fsoterapa, Fonoaudologa, Medcna Veternára, Muscoterapa, Odontologa, Pscologa DISTRIBUIÇÃO DE FREQUÊNCIAS 5 5. DISTRIBUIÇÃO
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisREDE NEURAL ARTMAP NEBULOSA PARA ANÁLISE DE ESTABILIDADE TRANSITÓRIA DE SISTEMAS DE ENERGIA ELÉTRICA
REDE NEURAL ARTMAP NEBULOSA PARA ANÁLISE DE ESTABILIDADE TRANSITÓRIA DE SISTEMAS DE ENERGIA ELÉTRICA Sandra C. Marchor Carlos R. Mnuss Anna Dva P. Lotufo Unversdade Estadual Paulsta UNESP - Câmpus de Ilha
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisde Engenharia de São Carlos - USP Av. Trabalhador São-carlense, 400 - Centro - CEP 13566-590, São Carlos SP # UTFPR, Cornélio Procópio PR
APLICAÇÃO DE SISTEMAS FUZZY EM MOTORES DE INDUÇÃO PARA IDENTIFICAÇÃO DE TORQUE DE CARGA SÉRGIO F. DA SILVA *, IVAN N. SILVA *, ALESSANDRO GOEDTEL #, CRISTIANO MINOTTI * * Laboratóro de Automação Intelgente
Leia mais5 Validação dos Elementos
5 Valdação dos Elementos Para valdar os elementos fntos baseados nas Wavelets de Daubeches e nas Interpolets de Deslaurers-Dubuc, foram formulados dversos exemplos de análse lnear estátca, bem como o cálculo
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisREDES NEURAIS NEBULOSAS REGULARIZADAS PARA PROBLEMAS DE CLASSIFICAÇÃO PAULO VITOR DE CAMPOS SOUZA 1, ANDRE PAIM LEMOS 1.
REDES NEURAIS NEBULOSAS REGULARIZADAS PARA PROBLEMAS DE CLASSIFICAÇÃO PAULO VITOR DE CAMPOS SOUZA 1, ANDRE PAIM LEMOS 1. 1. Programa de Pós Graduação em Engenhara Elétrca, Unversdade Federal de Mnas Geras
Leia maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisMODELO DE PREVISÃO DE CARGA DE CURTO PRAZO UTILIZANDO INTELIGÊNCIA COMPUTACIONAL E ESTATÍSTICA CLÁSSICA
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN MODELO DE PREVISÃO DE CARGA DE CURTO PRAZO UTILIZANDO INTELIGÊNCIA COMPUTACIONAL E ESTATÍSTICA CLÁSSICA Fláva C. Serrão
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia maisAplicação de Funções de Base Radial em Problemas de Previsão de Cargas Elétricas via Redes Neurais Artificiais
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Aplcação de Funções de Base Radal em Problemas de Prevsão de Cargas Elétrcas va
Leia maisModelo de Programação Estocástica
Modelo de Programação Estocástca 23 2 Modelo de Programação Estocástca 2.. Concetos báscos A programação estocástca (PE) é defnda como um modelo de otmzação que apresenta um ou mas parâmetros estocástcos
Leia mais2 Modelos de Otimização sob Incerteza 2.1. Introdução
2 Modelos de Otmzação sob Incerteza 2.. Introdução Modelos de programação matemátca são comumente utlzados para solução de problemas de programação da produção, de logístca, de schedulng e de planejamento
Leia mais2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS
ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisELE0317 Eletrônica Digital II
2. ELEMENTOS DE MEMÓRIA 2.1. A Lnha de Retardo A lnha de retardo é o elemento mas smples de memóra. Sua capacdade de armazenamento é devda ao fato de que o snal leva um certo tempo fnto e não nulo para
Leia mais