Redes Neuronais (introdução)
|
|
- Sara Marinho Azenha
- 5 Há anos
- Visualizações:
Transcrição
1 Redes Neuronas (ntrodução) Vctor Lobo Introdução INÍCIO Programação Imperatva Explcta-se o algortmo Conjunto de nstruções S?? N S N Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca Estudar os processos cogntvos -> Lógca, Sstemas Percas Abordagem sub-smbólca Estudar os processos bológcos -> Redes Neuronas FIM
2 Introdução hstórca Anda nos anos 5 fo sugerdo que um computador poda ser programado smulando um conjunto de neurónos. Nos anos 6 fo desenvolvdo muto trabalho com neurónos smples, também chamados máqunas lneares. No fnal da década de 6 fo publcado um lvro ( Perceptrons ) que demonstrava a lmtação dos neurónos smples, e levantava dúvdas quanto à possbldade de usar redes complexas de neurónos. A nvestgação nesta área quase parou. Introdução hstórca 986 Artgo de Rumelhart re-nventa o algortmo de Bac-Propagaton (tnha sdo descoberto em 975 mas quase gnorado), possbltando o treno de redes multcamada, e lançando uma eufora sobre redes neuronas Durante a década de 8 são desenvolvdos os mapas auto-organzados (SOM) e as redes de funções de base radal (RBF), redes de Hopfeld, etc, e aparecem váras aplcações prátcas Durante a década de 9, conslda-se o uso generalzado de redes neuronas, e establecem-se as pontes para outras áreas como a estatístca 2
3 Introdução hstórca Prncpas tpos de redes neuronas Perceptrões smples Perceptrões multcamada (MLP) Redes de funções de base radal (RBF) Mapas auto-organzados (SOM) Support Vector Machnes (SVM) Outros Quase tudo... Hopfeld, Boltzman, ART, Spng Networs, Neural Gas, etc. Um neuróno (bológco) 3
4 Funconamento de um neuróno bológco As dendrtes recebem ões através das snapses Esses ões são njectados por outros neurónos vznhos. Quando mas exctados estverem os vznhos, mas ões são njectados O snal eléctrco é propagado até ao núcleo Se o neuróno fôr sufcentemente estmulado, ele própro entra em estado de exctação e começa a estmular os seus vznhos Factores que condconam a actvação de um neuróno As lgações que tem, ou seja os vznhos que escolhe A força da sua lgação a cada um desses esses vznhos,.e., a efcênca das snapses. A sua sensbldade,.e., o ponto a partr do qual ele dspara O cérebro humano tem MUITOS ( 2 ) neurónos... Modelo matemátco de um neuróno bológco McCullor & Ptts (943) w Entradas w 2 w 3 f s Sada w 4 Neuróno bológco Neuróno artfcal 4
5 Modelo mas completo Entradas (x ) x x 2 x 3 Pesos (ω ) w w 2 w 3 w - θ Bas, ou termo constante Função de actvação v ϕ(v) y x Soma v = w x θ = y = ϕ( v) = sgn( v) Aprendzagem num neuróno Determnação dos pesos snáptcos Como escolher os ω? Idea geral: Snapses que ajundam a obter bons resultados devem ser reforçadas Snapses que lvam a maus resultados devem ser enfraquecdas 5
6 Problemas tpo Bologa Se os neurónos da ponta dos dedos ndcam muto calor -> Actvar o neuróno que enconhe o músculo do braço Se um pé ndca peso e o outro não -> Actvar o neuróno responsável pelo equlíbro Outros problemas Se os dados sobre uma casa (preço, área, anos, etc), são bons -> Comprar a casa Se os dados sobre um clente (saldo médo, saláro, dada, etc) são bons -> Conceder crédto Se a magem da câmara está a perder a estrada -> vrar o volante Sempre: dadas umas entradas actvar umas saídas Exemplo muto smples Qual o classfcador de A B Classe Qual a rede neuronal que resolve este exemplo?.5.5 6
7 A solução A B -.5 v Sgn(v) y Outro exemplo
8 Mas outro exemplo Qual o classfcador de A B Classe Qual a rede neuronal que resolve este exemplo?.5.5 Perceptrão smples O perceptrão é o exemplo mas smples de uma rede neuronal x w - Consste num únco neuróno Permte classfcar duas classes lnearmente separáves x 2 x 3 x w 2 w 3 w w v sgn(v) y 8
9 Regra de classfcação Se x(t) = [-, x (t),, x n (t)] T, x W(t)= [θ, w (t),, w n (t)] T então v(t) = W(t) T.x(t) A equação do hperplano é dada por v(t) = A regra de classfcação é se W(t) T.x(t) então x(t) = C se W(t) T.x(t) < então x(t) = C 2 C 2 C w x +w 2 x 2 - θ = x 2 Algortmo de aprendzagem Dado um vector x(t) Se (W(t) T.x(t) x(t) = C ) (W(t) T.x(t) < x(t) = C 2 ) então W(t+) = W(t) senão Se (W(t) T.x(t) x(t) = C 2 ) então W(t+) = W(t) - η(t) x(t) senão W(t+) = W(t) + η(t) x(t) Onde η(t) é o rtmo de aprendzagem 9
10 Algortmo de aprendzagem ( ) T ( t) = sgn W ( t). x( t) y W d () t () t = η() t [ d() t y() t ]. x() t + se = se x x () t () t C C 2 Exemplo W -ηx W x
11 Questão Só é possível resolver problemas de classfcação lnearmente separáves? Por exemplo, pode resolver-se o problema de duas classes com uma únca varável, representado pela fgura abaxo? C C C - Nota Se o número de varáves for maor do que o número de exemplos de treno o problema de classfcação é sempre lnearmente separável
12 Redes Neuronas Redes Multcamada com bacpropagaton Modelo do neuróno x x 2 x 3 w w 2 w 3 w - θ v ϕ(v) y x em que ϕ(v) pode ser a função snal a função sgmode a função tangente hperbólca 2
13 Introdução Os neurónos utlzam funções de avalação derváves. Aprendzagem supervsonada. O algortmo de aprendzagem mas utlzado é o de error bac-propagaton. Varáves Camada nvsível Camada nvsível Camada saída Funções de avalação ϕ + e () v = v ϕ e e v () v = v v v e + e Sgmode v = =5 = v Tangente hperbólca 3
14 Exemplo XOR x x 2 y 3 x x 2 y 3 Snas numa rede multcamada Snas de função que se propagam desde os neurónos de entrada até às saídas. Snas de erro que se propagam de uma saída para as entradas (camada a camada), através da rede. Snas de função Snas de erro 4
15 Algortmo de bacpropagaton Função de custo ξ ξ 2 = e av 2 = N j j O N n= ξ erro nstantâneo erro médo em que O representa os neurónos de saída e N o número total de exemplos Neuróno - d (n) θ (n) y j (n) w j (n) v (n) ϕ(.) y (n) - e (n) 5
16 Aplcação do método do gradente w j ξ = η w = η = ηe = ηδ ξ e e y dϕ ( )( ) ( v) n. j y j dv y v v= v y v w j j em que δ (n) é defndo como o gradente local e é dado por ( v) dϕ δ = e. dv v= v Neuróno de um nó nvsível N d (n) y j (n) w j - θ (n) ϕ(.) ϕ (.) v (n) y (n) Neuróno "" w N w N 2 w 2 ϕ (.) v (n) v (n) ϕ (.) v 2 (n) - y (n) - y (n) - y 2 (n) d (n) d 2 (n) e (n) e (n) e 2 (n) 6
17 Aplcação do método do gradente w j ξ = η w ξ = η y = η = η = η = ηδ y v v wj ξ e y v d e y v y. dϕ ( )( ) () v dϕ() v e n w. j δ y j w dv () v dϕ. dv v= v v= v y j dv () v ϕ dv v= v y j v= v y j Regra delta A regra de aprendzagem pode ser descrta por w = j ηδ y em que δ (n) é o gradente local dado por j () v dϕ δ = e. dv dϕ ( ) () v δ n = dv v= v v= v δ w para os neurónos de saída para os neurónos nvsíves 7
18 Função de avalação: Sgmode Para a camada de saída δ = [ d o ] o [ o ] Para as camadas nvsíves = y [ y ] δ δ w Generalzação da regra delta Rumelhart (986) propôs a regra = α w ( n ) + ηδ y w j j nclundo um termo de momento em que α é a constante de momento e é postva. j 8
19 Exemplo Sejam as funções A Rede Neuronal x x 2 y 3 y 4 x x 2 y 3 y 4 Exemplo (cont) x x 2 w w 2 w v sgmode(v) - - w w w w 42 w sgmode(v) 22 v 2 y 2 y w 3 v 3 sgmode(v) y 3 w 32 w 3 w 4 v 4 sgmode(v) y 4 x x 2 w δ ϕ (v)=y (-y ) w 2 w w 2 w 3 δ 3 y w w w 2 ϕ (v)=y 2 (-y 2 ) w 22 δ 2 w 4 y 2 w 42 w 4 δ 4 ϕ (v)=y 3 (-y 3 ) ϕ (v)=y 4 (-y 4 ) e 3 e 4 9
20 Exemplo (cont) x = x 2 = v y v 3 sgmode(v) sgmode(v) y 3 /2 /2 - - v 2 /2 sgmode(v) y 2 v 4 sgmode(v) /2 y 4 x = w δ ϕ (v)=y (-y ) w w 2 w 3 δ 3 y w w ϕ (v)=y 3 (-y 3 ) e 3 /2 x 2 = w 2 w 22 w 2 δ 2 ϕ (v)=y 2 (-y 2 ) y 2 w 42 w 4 w 4 δ 4 ϕ (v)=y 4 (-y 4 ) e 4 -/2 Problemas com o BacProp É um método de gradente, logo sujeto a mínmos locas Infelzmente é normal haver mutos mínmos locas... É lento Soluções Váras ncalzações Város valores para o momento Város métodos de optmzação dos parâmetros No SAS Múltplas corrdas, e escolhe o melhor Optmzação por quas-newton, Lavenberg-Marquadt, gradente conjugado... 2
21 Redes Neuronas Bblografa 2
Cap.3 - Redes Neuronais Introdução e MLP V 3.0, V.Lobo, EN/ISEGI, 2005
Cap.3 - Redes Neuronas Introdução e MLP V 3., V.Lobo, EN/ISEGI, 25 Introdução INÍCIO Redes Neuronas (ntrodução) Programação Imperata Explcta-se o algortmo Conunto de nstruções S? N? N S Vctor Lobo Intelgênca
Leia maisRedes Neuronais (Introdução, perceptrões, e MLP)
Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N? N S Intelgênca Artfcal Usar o homem
Leia maisSistemas de Apoio à Decisão Redes neuronais (MLP) V 1.2, V.Lobo, EN/ISEGI, 2010
Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conunto
Leia maisRedes Neuronais (Introdução, perceptrões, e MLP)
Redes neuronas (Perceptrões e MLP) Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N?
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 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 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 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 maisAprendizagem de Máquina
Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte Introdução Support Vector Machnes SVM Método
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 maisSistemas Inteligentes e soft. computing
Sstemas Intelgentes e soft computng Paulo Salgado psal@utad.pt de Computadores de Computadores 2 Conteúdo Sstemas Intelgentes Soft computng Áreas de Aplcação Redes Neuronas Fuzzy Logc (Lógca Dfusa) Sstemas
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS
PERCEPTRON Característcas Báscas Modelo de Neurôno Estrutura da Rede Algortmo de Aprendzado CARACTERISTICAS BASICAS - Regra de propagação net - Função de atvação: Degrau = x w + - Topologa: uma únca camada
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 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 maisAula 23 Perceptrons, Lei de Hebb e o aprendizado de Rosenblatt Prof. Dr. Alexandre da Silva Simões
Aula 3 Perceptrons, Le e Hebb e o aprenzao e Rosenblatt Prof. Dr. Alexanre a Slva Smões Organzação Introução Perceptron Dscrmnaor lnear Poer e representação Arqutetura o perceptron Trenamento Por que trenar
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 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 maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia mais5 MODELO DE PREDIÇÃO UTILIZANDO REDES NEURAIS
5 MODELO DE PREDIÇÃO UTILIZADO REDES EURAIS 5.1. Introdução As redes neuras emulam certas característcas própras dos humanos, como a capacdade de memorzar e de assocar fatos. Se forem examnados com atenção
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 maisAula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte
Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação
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 maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisO perceptron de Rosenblatt
O perceptron de Rosenblatt Introdução à Neurocênca Computaconal (Graduação) Prof. Antôno Roque Nas décadas de 1950 e 1960, város pesqusadores estavam propondo modelos de redes neuras contendo modfcações
Leia maisMáquinas de Vetores de Suporte Supprot Vector Machine. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Máqunas de Vetores de Suporte Supprot Vector Machne Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Introdução 2. Classfcadores Bnáros 3. Aprendzagem Estatístca
Leia maisIBAPE XII COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS, BELO HORIZONTE/MG
IBAPE XII COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS, BELO HORIZONTE/MG ESTUDO COMPARATIVO ENTRE REDES NEURAIS ARTIFICIAIS E ANÁLISE DE REGRESSÃO MÚLTIPLA NA AVALIAÇÃO DE BENS,
Leia maisReconhecimento Automático de Modulação Digital de Sinais de Comunicações
Reconhecmento Automátco de Modulação Dgtal de Snas de Comuncações Marcelo Corrêa Horewcz, Caro Lúco ascmento Jr. e Waldecr João Perrella Insttuto Tecnológco de Aeronáutca Praça Marechal Eduardo Gomes,
Leia maisMETODOLOGIAS DE CLASSIFICAÇÃO SUPERVISIONADA PARA ANÁLISE DE DADOS DE MICROARRAYS. Sílvia Pedro Rebouças, Lisete Sousa e Ana Pires
METODOLOGIAS DE CLASSIFICAÇÃO SUPERVISIONADA PARA ANÁLISE DE DADOS DE MICROARRAYS Sílva Pedro Rebouças, Lsete Sousa e Ana Pres CEAUL, Faculdade de Cêncas da Unversdade de Lsboa, smdpedro@gmal.com CEAUL,
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 maisCapítulo 4. Multilayer Perceptrons
Capítulo 4 Multlayer Perceptrons As redes Multlayer Perceptron (MLPs) têm sdo aplcadas com sucesso em uma varedade de áreas, desempenhando tarefas tas como: classfcação de padrões (reconhecmento), controle
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 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 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 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 maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
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 maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
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 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 maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisMáquinas de Vetores Suportes
Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO Monografa fnal de curso sob orentação do Prof. Raul Fonseca Neto Juz de Fora, MG feverero de 004 Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO
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 maisAnálise Numérica (4) Equações não lineares V1.0, Victor Lobo, 2004
Análse Numérca (4 V.0, Vctor Lobo, 004 Não Lneares Problema da determnação de zeros de funções f(=0 Aparece em mutas stuações! Determnar pontos de equlíbro térmco, químco, de forças... Soluções analítcas
Leia maisUm Estudo Comparativo Entre Diferentes Técnicas de Otimização do Treinamento de Neurocontroladores
Proceedngs of the IV Brazlan Conference on Neural Networks - IV Congresso Braslero de Redes Neuras pp. 29-24, July 2-22, 999 - ITA, São José dos Campos - SP - Brazl Um Estudo Comparatvo Entre Dferentes
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 mais8 Regime de transição
8 Regme de transção Por delberação do Senado Unverstáro em reunão de 2 de Março de 2006 (Cf. Pág. 2 da Mnuta nº 10) consdera-se que, «a partr do ano lectvo de 2006/07, todos os cursos da Unversdade do
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 maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisModelação com Variáveis Discretas
Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos
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 maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
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 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 maisCaixa Postal , Ilha Solteira, SP
Mapeamento da cnemátca nversa de manpuladores robótcos usando RNAs confguradas em paralelo aplcado a um manpulador de 5 GDL controlado pela placa Intel Galleo Gen 2 Rcardo F. Nunes 1[0000-0002-4565-6658]
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
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 maisPrioridades com Teste de Escalonabilidade
rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento
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 maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
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 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 mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisEscola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7
Escola Superor de Tecnologa de Vseu Fundamentos de Estatístca 006/00 Fcha nº. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
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 maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia maisUNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE CIÊNCIAS AGRÁRIAS DEPARTAMENTO DE ENGENHARIA AGRÍCOLA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA AGRÍCOLA
UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE CIÊNCIAS AGRÁRIAS DEPARTAMENTO DE ENGENHARIA AGRÍCOLA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA AGRÍCOLA BEATRIZ FERNANDES SIMPLICIO SOUSA APRENDIZADO DE MÁQUINA NA
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 mais2 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 maisAprendizagem de Máquina
Aprendzagem de Máquna Aprendzado baseado em nstâncas Aprendzado não-paramétrco Quando as suposções fetas por métodos paramétrcos não são váldas para todo o espaço de entrada, provocando erros predtvos
Leia mais3 Classificação Supervisionada
3 Cassfcação Supervsonada 3.. Aprendzado de Máquna A aprendzagem de máquna é uma área da ntegênca artfca que estuda métodos computaconas, a fm de obter um determnado conhecmento específco através de experêncas.
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia maisTeoremas de Otimização com Restrições de Desigualdade
Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera
Leia mais2003/2004. então o momento total das forças exercidas sobre o sistema é dado por. F ij = r i F (e)
Resolução da Frequênca de Mecânca Clássca I/Mecânca Clássca 2003/2004 I Consdere um sstema de N partículas de massas m, =,..., N. a Demonstre que, se a força nterna exercda sobre a partícula pela partícula
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia maisREDES NEURAIS ARTIFICIAIS PARA A CLASSIFICAÇÃO DE SONS VOCÁLICOS
REDES EURIS RTIFICIIS R CLSSIFICÇÃO DE SOS VOCÁLICOS lexandre de Souza Brandão Unversdade Federal Flumnense GMEC rograma de ós-graduação em Engenhara Mecânca Rua asso da átra, 56-2420-240 - São Domngos
Leia mais4. Sistemas Neuro-Fuzzy
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
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 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 maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia mais3 Redes Neurais Auto-Associativas
44 3 Redes Neuras Auto-Assocatvas 3.1. Neurôno Artfcal Redes neuras artfcas são estruturas compostas por dversas undades processadoras, chamadas de neurônos artfcas, que são nterlgados através de conexões,
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 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 maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisRedes Neuronais Aplicadas à Segmentação e Classificação de Leucócitos em Imagens
Redes Neuronas Aplcadas à Segmentação e Classfcação de Leucóctos em Imagens Tese realzada sob a supervsão do Prof. Doutor Armando José Formoso de Pnho Professor Auxlar do Dep. de Engenhara Electrónca e
Leia maisEcho State Networks. Universidade de São Paulo São Carlos / SP. Instituto de Ciências Matemáticas e de Computação
Unversdade de São Paulo São Carlos / SP Insttuto de Cêncas Matemátcas e de Computação Echo State Networks Sstemas Intelgentes Prof. Dra. Rosel A. Franceln Romero Fabríco Breve João R. Bertn Jr. Sumáro
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 maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia maisANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS
DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End
Leia maisUM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS
UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS RAUL FONSECA NETO Departamento de Cênca da Computação UFJF raulfonsecaneto@g.com.br VICTOR S. DE A. MENESES Programa de Pós-Graduação
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 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 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 mais