NOS últimos anos, o consumo de energia no Brasil tem
|
|
- Kevin Paixão
- 5 Há anos
- Visualizações:
Transcrição
1 1 Estudo Comparativo de Modelos de Previsão de Vazões Baseados em Redes MLP e NSRBN Alan C. R. Marques, Gélson Cruz Jr, Cássio D. N. Vinhal, and Marco A. A. de Oliveira Resumo In hydrothermal scheduling and planning problems, among all planning variables, some present stochastic characteristics, such as river inflows to hydroelectric reservoirs, which are of critical importance. Estimating inflows to determine a good energy production strategy, while considering a future horizon, is very desirable. Therefore, efficient forecasting models become essential during the planning process as a whole. This work implements and compares methods for inflow forecasting based on different artificial neural networks models, such as multi-layer perceptron - MLP networks and composite nonlinear sigmoidal regression blocks networks - NSRBN networks, with classical auto-regressive models. Results obtained in monthly predictions are very promising. Index Terms hydrothermal systems, operation planning, forecasting, neural networks, MLP networks, NSRBN networks I. INTRODUÇÃO NOS últimos anos, o consumo de energia no Brasil tem crescido de forma acelerada, por conta de vários fatores, tais como o aumento da população, crescimento do PIB, avanço tecnológico e cenário econômico estável. Para suprir o crescimento, além da instalação e construção de novas usinas - principalmente hidrelétricas, a principal fonte de geração de energia no país, mas que têm recebido duras críticas devido ao impacto ambiental - deve-se realizar um melhor planejamento energético que considere a energia proveniente do atual parque instalado. O planejamento energético da operação de sistemas hidrotérmicos pode ser traduzido como a determinação de uma estratégia de geração que minimize o custo de operação em cada unidade do sistema durante o horizonte de planejamento [1]. Entre as diversas variáveis envolvidas nos estudos de planejamento, algumas apresentam caráter estocástico, sendo as mais representativas as vazões naturais afluentes aos reservatórios das hidrelétricas. Portanto, é estratégico conseguir uma estimativa destas vazões para determinar uma boa estratégia de produção de energia num horizonte futuro, o que torna os modelos de previsão de vazões essenciais no processo. A previsão de vazões naturais afluentes aos reservatórios das usinas hidrelétricas é considerada para o Setor Elétrico Brasileiro, um insumo fundamental que permite aos operadores do Sistema Interligado Nacional - SIN, concretizar os estudos que permitirão avaliar e antecipar as condições operacionais das usinas que propiciarão a existência de ganhos sinérgicos reais na operação como um todo. As vazões naturais são aquelas que A. C. R. Marques, G. Cruz Jr., C. D. N. Vinhal, M. A. A. Oliveira are with the Escola de Engenharia Elétrica e de Computação, Universidade Federal de Goiás, Av. Universitária, 1488, Quadra 86, Bloco A, Piso 3, , Goiânia, GO, Brasil (see ocorreriam em uma seção de rio, caso não houvesse a montante a operação de reservatórios com o intuito de produzir energia ou não; a vazão evaporada decorrente da formação de lago artificial; ou o desvio de água para abastecimento ou irrigação [2]. O órgão responsável por realizar as previsões de vazões naturais afluentes é o ONS - Operador Nacional do Sistema, o qual possui direta ou indiretamente, a atribuição de planejar e operar os ativos de geração no Brasil. Nesse contexto, a previsão de vazões naturais diárias, semanais e mensais, para todos os locais de aproveitamentos hidroelétricos do SIN, é feita e serve de insumo para o Programa Mensal de Operação - PMO e suas revisões [3]. Para realizar as previzões, a ONS utiliza modelos estocásticos lineares, desenvolvidos pelo Centro de Pesquisas de Energia Elétrica - CEPEL, como PREVIVAZ [4]. Os modelos estocásticos em uso no setor elétrico apresentam erros percentuais médios absolutos consideráveis, o que tem motivado ao longo dos últimos vinte anos a pesquisa de alternativas de abordagem nos modelos de previsão com o intuito de mitigar tais erros. As redes neurais artificiais - RNA, tem provado ser muito eficientes na modelagem de vazões considerando tanto aspectos quantitativos como qualitativos [5]. Muitos trabalhos têm mostrado a evolução das aplicações que utilizam RNA para a previsão de vazões [6]. As redes mais utilizadas e reportadas na literatura são conhecidas como Multi-layer Perceptrons - MLP. O problema é que os modelos MLP produzem resultados sub-ótimos, pois não realizam um processamento temporal do relacionamento entre as entradas, ou seja, são redes sem memória ou estáticas. O presente trabalho trata da implementação de uma arquitetura alternativa conhecida na literatura por Redes Compostas por Blocos de Regressões Sigmóides Não-Lineares, do inglês Non-linear Sigmoidal Regression Blocks Network - NSRBN [7], que procura minimizar os erros de previsão durante o processo. O objetivo é, em cenários de previsão mensal, contornar os problemas descritos na literatura para os modelos MLP. Valença [8] relatam o uso bem sucedido das redes NSRBN, em comparação com o modelo PREVIVAZ usado pelo Setor, na previsão de vazões para reservatórios do Rio São Francisco. Na Seção II é feita uma discussão sobre RNAs, o modelo MLP e as redes NSRBN. Na Seção 3 é apresentado um estudo de caso comparativo entre as redes MLP e NSRBN e modelos autorregressivos, quando utilizadas na previsão de vazões mensais afluentes para o reservatório de Furnas, localizado no Rio Grande.
2 2 II. REDES NEURAIS ARTIFICIAIS Sendo um modelo inspirado no cérebro humano, as RNAs são compostas de vários neurônios artifíciais, o que permite a aprendizagem. Em [9], uma RNA é descrita como um sistema constituído por elementos de processamento interconectados, chamados de neurônios, os quais estão dispostos em camadas e são responsáveis pela memória da rede. Estes neurônios artifíciais que compõem a rede são apresentados de maneira esquemática e intuitiva, podendo dessa forma ser compreendidos e utilizados matematicamente. A importância da representação do neurônio está relacionada à aprendizagem da rede, a qual torna possível utilizar a rede para prever valores, por exemplo, um dos possíveis propósitos do treinamento da rede. O treinamento depende da forma utilizada de aprendizagem, podendo ser supervisionado ou não supervisionado. O treinamento supervisionado consiste em apresentar à rede simultaneamente os padrões e as respostas esperadas para estes padrões. No treinamento não supervisionado, não há uma resposta esperada, e a rede neural toma as entradas como amostras independentes de uma distribuição de probabilidade desconhecida. Os pesos são as unidades mutáveis das redes neurais, e o treinamento é que provoca a alteração dos seus valores e o consequente processo de aprendizagem das redes. Neste trabalho, serão utilizadas as redes com aprendizagem supervisionada, que utilizam o conhecimento prévio do resultado desejado para a realização do treinamento. Treinar uma rede neural consiste em ajustar os pesos através de uma regra de aprendizagem até que esta forneça respostas satisfatórias ao problema analisado. No caso, até que um erro, entre a saída encontrada pela rede e a desejada, seja aceitável, ou esgote a quantidade de tentativas sugeridas para essa conversão. A análise do erro é realizada ao final de um ciclo, sendo o ciclo composto pela passagem de todo o conjunto de entradas. Cada conjunto deve passar pelos neurônios de todas as camadas, gerando assim um valor de saída, e realizando o reajuste dos pesos. Com isso, é gerado um erro momentâneo, que será utilizado, juntamente com os outros erros, para descobrir o erro do ciclo e verificar se o problema de minimizar tal erro está satisfeito. Várias redes neurais são desenvolvidas com base nos conceitos apresentados, sendo que as redes Multi-layer Perceptron - MLP e as redes construtivas - NSRBN foram implementadas e utilizadas neste trabalho. A. Multi-layer Perceptron - MLP De acordo com [10], o modelo mais simples de Rede Neural, em que várias unidades de processamento estão conectadas unicamente a uma unidade de saída, através dos pesos sinápticos é a rede Perceptron. Esse modelo pode ser visto na Figura 1. Com apenas uma camada de entrada e uma camada de saída, a rede Perceptron se mostra muito simples para resolver problemas reais, já que ela é uma boa opção para classificar corretamente apenas classes linearmente separáveis. Para permitir a não linearidade da rede é proposto uma implementação Figura 1. Figura 2. Rede Perceptron Rede MLP de múltiplas camadas, o que gera a rede conhecida como MLP, uma rede Perceptron de múltiplas camadas. Uma rede MLP, como pode ser visualizado na Figura 2, possui no mínimo 3 (três) camadas: uma de entrada, uma de saída, e pelo menos uma intermediária. O algoritmo para o cálculo das saídas consiste na multiplicação da entrada por seus pesos, gerando uma saída na camada intermediária, a qual será multiplicada pelos pesos desta camada, realizando isso até a saída definitiva. As equações que representam a resolução do MLP são: net = N j=0 y p i = f p (net p i ) = e netp i w ij net p 1 j (1) (2) e i (n) = d i y i (3) Essas equações representam a fase de propagação da MLP. A saída de cada neurônio é dada por 1, se p for igual a 1, então net p 1 j é igual a entrada x j. Mas a saída real deve passar por uma função de ativação, representada pela equação 2, isso deve ser realizado até o cálculo que permite identificar o erro, representado pela equação 3. Para realizar o reajuste dos pesos é necessário calcular o erro entre a saída calculada e a desejada, mas como não existe uma saída desejada nos neurônios da camada intermediária, utilizase um algoritmo chamado backpropagation. O algoritmo backpropagation foi desenvolvido por Paul Werbos, em 1974, e tem
3 3 como princípio realizar uma propagação recursiva dos erros encontrados na camada de saída, e dessa forma poder realizar o cálculo dos novos erros de cada neurônio de uma camada para o seu peso da camada anterior. Para calcular os novos pesos, as equações abaixo são utilizadas: δ p i = yp i (1 yp i ) e i (4) δ p 1 j = f p 1 (net p 1 j ) N w p ij δp j (5) w z ij(novo) = w z ij(antigo) + αδ z i f i (net i h) (6) A equação 4 é responsável em realizar o cálculo da sensibilidade para a saída, de forma semelhante é utilizada a equação 5, após descobrir o valor respectivo de cada sensibilidade, é possível calcular o novo peso com a equação 6. A utilização de várias camadas torna a rede mais complexa, só que também permite uma abordagem mais ampla. Vários trabalhos desenvolvidos fazem comparações entre implementações de redes MLP e modelos estocásticos clássicos [9] [8]. B. Rede Composta por Blocos de Regressões Sigmóides Não- Lineares - NSRBN A arquitetura de uma rede neural, de acordo com a possibilidade de mudanças no seu tamanho durante o processo de treinamento, pode ser classificada em estática ou dinâmica. Uma rede é dita de arquitetura estática quando o número de camadas e unidades de processamento permanece constante desde a concepção da rede até a finalização do seu treinamento. Por outro lado, uma rede de arquitetura dinâmica tem como característica principal um processo de mudanças no tamanho durante o treinamento. Nessa nova classe de redes proposta, um algoritmo construtivo será utilizado para incrementar a estrutura da rede, partindo-se de uma pequena estrutura, até que se atinja uma estrutura de tamanho ótimo, segundo critérios estatísticos de seleção adequados. A proposta do modelo NSRBN é de se construir a rede por blocos de polinômios homogêneos, utilizando uma função de ativação adequada (tangente hiperbólica, por exemplo), para os neurônios escondidos. Quanto aos neurônios de saída, estes têm uma ativação mais complexa, uma vez que realizam uma regressão logística não-linear com relação à saída dos neurônios escondidos. A rede NSRBN foi proposta e desenvolvida por Valença ( [11], [7], [8]) e tem como característica realizar uma regressão logística não-linear para ativação dos neurônios da camada de saída. Ela apresenta as entradas ligadas a blocos polinomiais, como pode ser visto na Figura 3. Os blocos polinomiais apresentam quantidade variável, sendo essa variação a representação da dinamicidade do sistema. As entradas são atribuídas a todos os polinômios, e esses são responsáveis pela forte capacidade não-linear do sistema. As redes NSRBN são eficientes, uma vez que elas utilizam blocos de sigmóides não-lineares como função de ativação. i Figura 3. Rede NSRBN Figura 4. Bloco Polinomial de grau p. Este fato é contrário às redes neurais de alta ordem que tomam como base polinômios multivariados e apresentam uma explosão no número de parâmetros livres necessários para aproximar uma dada função. A parte polinomial é representada similarmente a uma rede MLP com apenas uma camada intermediária. Já a quantidade de neurônios que compõem essa camada varia de acordo com o grau. Se o polinômio for de grau 1, existe 1 neurônio na camada intermediária, e assim para o grau P, existem P neurônios na camada intermediária. A saída da rede NSRBN é o somatório da saída de cada polinômio, aplicado a uma função de ativação. f(x) = σ net(o) ( d f p (x)) (7) p=1 Como o valor de f p (x) é a saída de cada polinômio, o cálculo destes devem ser realizados para encontrar o valor da rede total. O treinamento da rede inicia com apenas o polinômio de grau 1, o incremento dos polinômios só acontece apos a realização de um treinamento interno, após achar um erro satisfatório para o grau de polinômio analisado, o peso desse é congelado, para então adicionar um novo polinômio que terá um novo treinamento. Apos a conclusão de cada treinamento interno é realizado a verificação de critério de parada para a rede, verificando se o grau do polinômio satisfaz. A propagação interna é dada de acordo com as formulas abaixo. f p (x) = a 1 (f at (net1)) 1 +a 2 (f at (net2)) a p (f at (netp)) p (8) f at (net(h)) = (σ net(h) + θ h ) (9)
4 4 net(h) = σ = enet(h) e net(h) e net(h) + e net(h) (10) N w ih x i + w 0h (bias) (11) i=1 Os valores de a p são os pesos que ligam a camada intermediária à saída. O termo f at (net(h)) representa a função de ativação aplicada para cada entrada do neurônio da camada intermediária. III. ESTUDO DE CASO Como estudo de caso deste trabalho, foi realizada a previsão, utilizando as redes MLP e NSRBN, das vazões mensais afluentes ao reservatório da usina hidrelétrica de Furnas, localizada no Rio Grande, situado na região Sudeste. Os dados de vazões foram divididos em grupos com 15 valores de entrada e 12 valores de saída, ou seja, o estudo de previsão é iniciado em outubro e a divisão considera, como dados de entrada, os valores de vazões referentes aos últimos 15 meses, finalizando no dezembro imediatamente anterior e, como valores de saída, os valores de janeiro a dezembro de cada ano em estudo. O conjunto de dados consiste de valores de janeiro de 1931 até dezembro 2009, sendo que, para a realização dos estudos, os dados de treinamento e validação compreendem o período de 1931 a 1999, sendo retirado um percentual randômico destes dados, e os dados para testes são de 2000 até Além do teste utilizando períodos diferentes de meses para saída, de Janeiro-Dezembro, Fevereiro-Janeiro, até Dezembro- Novembro, sendo sempre 12 meses. Para o valor da taxa de aprendizagem no algoritmo backpropagation (α) foi adotado o valor entre 0.6 e 0.8. Podese observar que se o valor da taxa for muito pequeno, o algoritmo apresenta uma aprendizagem lenta e pode ficar preso em um mínimo local; alternativamente se o valor da taxa for muito grande, o algoritmo tende a ser instável durante o treinamento. Uma possibilidade utilizada principalmente no algoritmo backpropagation da rede NSRBN nesse trabalho, é a utilização do momentum (β), que permite aumentar os passos de treinamento sem aumentar as instabilidades do algoritmo [8]. Para que o treinamento não seja executado indefinidamente, é utilizado um critério de parada, o fator mais importante durante o treinamento, o qual pode ser realizado de diferentes formas, sendo a maneira mais simples colocar um número máximo de ciclos. O problema de adotar esta abordagem é que o número máximo considerado pode ser pequeno para um dado exemplo, e não ter atingido um erro adequado. Outra abordagem comumente utilizada é definir que o treinamento pare em um erro mínimo, mas existe também a possibilidade desse valor nunca chegar e a parada não acontecer. Apesar deste problema, a maioria das implementações utiliza esse método. No caso do trabalho realizado, o critério de parada foi feito de forma um pouco diferente. Utiliza-se uma avaliação que compara os erros passados, isso unido aos dois fatores apresentados anteriormente, de mínimo erro para verificar a diferença dos erros até um valor tão pequeno que não é necessário continuar o treinamento, e também utilizar uma quantidade de interações a ser analisada. Este segundo fator é utilizado principalmente para quantificar se, a partir de uma quantidade de interações, o erro começar a subir e não voltar a cair. Neste caso, o sistema interrompe o treinamento e os pesos do menor erro são mantidos. Os valores de entrada foram normalizados para o modelo MLP, e foi aplicada uma função logarítmica natural para o modelo NSRBN, a fim de reduzir a variabilidade das informações. A. Resultados e Discussões Os testes utilizando a rede MLP foram feitos com 3 (três) treinamentos diferentes para cada grupo de meses a partir dos dados utilizados. Tomando-se como base os resultados destes treinamentos, para previsões no intervalo de 2000 a 2009, foram encontrados erros percentuais com valor médio de 33,66%, sendo o maior erro percentual encontrado igual a 82,32% em São apresentados avaliações de anos específicos nas Tabelas I e II, onde os resultados para os anos de 2003 e 2005 foram detalhados para as redes MLP e NSRBN e também foram ajustados modelos paramétricos autorregressivos de ordem 1 (PAR(1)) [12]. No caso dos testes com a rede NSRBN, os erros percentuais encontrados apresentam valor médio de 26,72%, sendo o maior erro percentual encontrado igual a 56,64%. A Tabela I e a figura 5 mostram os valores dos erros absolutos mensais, para o ano de A variável In indica o mês de início da previsão e os previsores estão divididos em 3 tipos 1) Rede MLP; 2) Rede NSRBN; e 3)Previsor PAR(1). A variável M6 indica a média para os primeiros 6 meses de previsão e a variável M12 indica a média para os 12 meses de previsão. Os erros, ao serem analisados, demonstram que a rede NSRBN apresenta um desempenho superior à rede MLP em praticamente todas as previsões, exceto para as previsões iniciadas em novembro. Porém, o Previsor PAR(1) apresenta um desempenho semelhante à rede NSRBN nos meses mais secos. A Tabela II e a figura 6 mostram os valores dos erros absolutos mensais, para o ano de A variável In indica o mês de início da previsão e os previsores estão divididos em 3 tipos 1) Rede MLP; 2) Rede NSRBN; e 3)Previsor PAR(1). A variável M6 indica a média para os primeiros 6 meses de previsão e a variável M12 indica a média para os 12 meses de previsão. Os erros, ao serem analisados, demonstram a rede MLP apresenta menores erros para as previsões iniciadas de janeiro a maio. Para as previsões iniciadas de junho a dezembro, a rede NSRBN apresenta melhor desempenho. Novamente, os resultados do Previsor PAR(1) mostram um desempenho equivalente ou superior. Tal fato poderia ser explicate pelo perfil de vazões do ano de 2005, muito próximas da média histórica. IV. CONCLUSÕES O estudo de caso mostra a eficácia na previsão mensal de vazões através de duas arquiteturas. A rede MLP comumente
5 5 Tabela I ERROS ABSOLUTOS MENSAIS DE PREVISÃO PARA O ANO DE 2003 (PREVISORES 1: REDE MLP; 2: REDE NSRBN; 3: PREVISOR PAR(1)) Erros Absolutos Mensais Erros Médios In Prev M6 M Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Figura 5. de Erro médio mensal de previsão em 12 meses (M12) para o ano Figura 6. de Erro médio mensal de previsão em 12 meses (M12) para o ano usada como alternativa aos modelos estocásticos clássicos e fartamente documentada apresentou um desempenho em média pior que a arquitetura NSRBN. Tal fato pode ser verificado na Tabela I e na Figura 5, onde a rede MLP só apresenta erro inferior em uma das previsões, e na Tabela II e Figura 6, onde a rede MLP apresenta erro inferior em apenas 5 das 12 previsões. Conclui-se que os modelos fundamentados nos princípios das RNAs podem proporcionar alternativas reais para a previsão mensal de vazões naturais. Deve-se também destacar a facilidade de treinamento e definição da arquitetura da rede NSRBN, quando comparada à MLP. As pesquisas futuras deverão focar na realização de testes mais profundos e diversificados, além de explorar melhor critérios como taxa de
6 6 Tabela II ERROS ABSOLUTOS MENSAIS DE PREVISÃO PARA O ANO DE 2005 (PREVISORES 1: REDE MLP; 2: REDE NSRBN; 3: PREVISOR PAR(1)) Erros Absolutos Mensais Erros Médios In Rede M6 M Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez aprendizagem, momentum e quantidade de épocas a serem utilizados nos ajustes de ambos os modelos. Devem see feitos estudos para outros postos ou usinas, de maneira a determinar melhor quando um modelo baseado em redes neurais tem desempenho superior a um modelo estocástico convencional. REFERÊNCIAS [1] G. C. Júnior, Modelo equivalente não linear para o planejamento da operação a longo prazo de sistemas de energia elétrica, Master s thesis, Universidade Estadual de Campinas, Campinas (SP), [2] O. O. N. do Sistema, Relatório anual de avaliação das previsões de vazões, IEEE Transactions on Power Systems, 2008, ons RE 3/130/2009. [Online]. Available: previsao vazoes.aspx [3] O. S. 9.5, Previsão de vazões e geração de cenários de afluências, no. 1, Ago [4] F. Costa, M. Maceira, and J. Damázio, Modelos de previsão hidrológicaaplicados ao planejamento da operação do sistema elétrico brasileiro, Revista Brasileira de Recursos Hídricos, vol. 12, no. 3, pp , [5] N. Karunanithi, W. Grenney, D. Whitley, and K. Bovee, Neural networks for river flow prediction, Journal of Computing in Civil Engineering, vol. 8, no. 2, pp , [6] H. Maier and G. Dandy, Neural networks for prediction and forecasting of water resources variables: review of modelling issues and applications, Environmental Modelling and Software, vol. 15, pp , [7] M. Valença, Aplicando Redes Neurais: um guia completo. Olinda, Pernambuco: Editora Livro Rápido, 2005, no. 2a ed. [8], Fundamentos das Redes Neurais: exemplos em Java. Editora Livro Rápido, [9] R. Ballini, Análise e previsão de vazões utilizando modelos de séries temporais, redes neurais e redes neurais nebulosas, Master s thesis, Universidade Estadual de Campinas, Campinas (SP), [10] F. Rosenblat, Perceptron simulation experiments. Kolkata, India: Proceedings of the Inst. of radio Eng, [11] M. Valença, Análise e projeto de redes neurais com abordagem construtiva para modelagem de sistemas, Master s thesis, Universidade Federal de Pernambuco,, Departamento de Informática, [12] S. G. Makridakis, Forecasting: methods and applications - 3rd. ed. John Wiley & Sons, 1998.
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisPrevisão de Vazões Naturais Afluentes a um Reservatório Utilizando a Técnica de Redes Neurais Artificiais
Previsão de Vazões Naturais Afluentes a um Reservatório Utilizando a Técnica de Redes Neurais Artificiais MSc. Carlos da Costa Ferreira Dr. Carlos Henrique Ribeiro Lima Programa de Pós-graduação em Tecnologia
Leia maisBruna Galle UPE Ecomp Mêuser Valença UPE Ecomp
Bruna Galle UPE Ecomp bcga@ecomp.poli.br Mêuser Valença UPE Ecomp meuserv@yahoo.com.br Roteiro Motivação Objetivos Conceitos básicos: Redes Neurais Pré processamento dos Dados Treinamento Resultados Conclusões
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisPrevisão de Vazões Naturais Diárias Afluentes ao Reservatório da UHE Tucuruí Utilizando a Técnica de Redes Neurais
IV SIMPÓSIO BRASILEIRO DE SISTEMAS ELÉTRICOS - SBSE 2012 1 Previsão de Vazões Naturais Diárias Afluentes ao Reservatório da UHE Tucuruí Utilizando a Técnica de Redes Neurais C. C. Ferreira, Eletrobras
Leia maisCADERNOS DO IME Série Estatística
CADERNOS DO IME Série Estatística USO DOS MODELOS PREVIVAZM E PREVIVAZ PARA PREVISÃO DE AFLUÊNCIAS MENSAIS AOS APROVEITAMENTOS HIDROELÉTRICOS TUCURUÍ E CURUÁ-UNA Maria Teresa Chico Rivera Quintão ELETRONORTE
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
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 maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisOtimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos
Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Lauro Ramon GOMIDES 1, Gelson da Cruz JUNIOR 2, Cassio
Leia mais1.1. Breve Histórico do Planejamento Energético no SEB
1 Introdução A utilização de Programação Dinâmica Estocástica (PDE) para o planejamento da operação de sistemas hidrotérmicos foi considerada inviável devido ao mal da dimensionalidade, que ocorre devido
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 maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia 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 maisRede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó
Rede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó Camilo A. S. de Farias Celso A. G. Santos Alcigeimes B. Celeste Estrutura da Apresentação Motivação
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia 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 maisANÁLISE DE SENSIBILIDADE DA OPERAÇÃO ÓTIMA DE SISTEMAS HIDROTÉRMICOS NO LONGO PRAZO
ANÁLISE DE SENSIBILIDADE DA OPERAÇÃO ÓTIMA DE SISTEMAS HIDROTÉRMICOS NO LONGO PRAZO L. P. Moura 1*, L. Viola 1, T. M. Pereira 1, A. J. P. Rosentino Jr. 2 1 FEEC Faculdade de Engenharia Elétrica e de Computação
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia mais1 Introdução. 1.1 Motivação
1 Introdução 1.1 Motivação Ao contrário da maioria dos países, o sistema hidroelétrico é responsável por 83,7% da energia elétrica gerada no Brasil [1]. Desta maneira, esta geração de energia depende basicamente
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisESTUDO COMPARATIVO ENTRE TÉCNICAS DE SAZONALIDADE PARA A PREVISÃO DE VAZÕES UTILIZANDO REDES NEURAIS. Trabalho de Conclusão de Curso
ESTUDO COMPARATIVO ENTRE TÉCNICAS DE SAZONALIDADE PARA A PREVISÃO DE VAZÕES UTILIZANDO REDES NEURAIS. Trabalho de Conclusão de Curso Engenharia da Computação Bruno Monteiro Figueiredo Orientador: Prof.
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia maisESTUDO COMPARATIVO ENTRE MODELOS NEURAIS PARA PREVISÕES DE VAZÕES MÉDIAS MENSAIS
ESTUDO COMPARATIVO ENTRE MODELOS NEURAIS PARA PREVISÕES DE VAZÕES MÉDIAS MENSAIS Trabalho de Conclusão de Curso Engenharia da Computação Thiago Ferreira Machado Orientador: Prof. Dr. Mêuser Jorge Silva
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisESTUDO DE CASOS ANÁLISE DO ACOPLAMENTO ENTRE OS MODELOS DE MÉDIO E CURTO PRAZO
6 ESTUDO DE CASOS ANÁLISE DO ACOPLAMENTO ENTRE OS MODELOS DE MÉDIO E CURTO PRAZO Os estudos de caso a seguir representam aplicações concretas da utilização de Séries Temporais no Planejamento da Operação
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
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 maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisCONSTRUINDO INTERVALOS DE CONFIANÇA NA PREVISÃO DA POTÊNCIA DO VENTO UTILIZANDO RESERVOIR COMPUTING
CONSTRUINDO INTERVALOS DE CONFIANÇA NA PREVISÃO DA POTÊNCIA DO VENTO UTILIZANDO RESERVOIR COMPUTING Breno Menezes Escola Politécnica de Pernambuco Universidade de Pernambuco Recife, Brasil E-mail: bamm@ecomp.poli.br
Leia maisAPLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA Daniel Neves Schmitz Gonçalves Luiz Antonio Silveira Lopes Marcelino Aurelio Vieira da Silva APLICAÇÃO DE REDES NEURAIS
Leia 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 maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisUM MÉTODO PARA ESTIMATIVA DO PREÇO DA ENERGIA NO MERCADO ATACADISTA NUM HORIZONTE DE MÉDIO PRAZO
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GAE-11 19 a 24 Outubro de 3 Uberlândia - Minas Gerais GRUPO VI GRUPO DE ESTUDO DE ASPECTOS EMPRESARIAIS GAE UM MÉTODO PARA ESTIMATIVA
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisSELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
Leia 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 maisMini-projeto: Reconhecimento de Digitos com MLPs. Germano C. Vasconcelos Centro de Informática - UFPE
Mini-projeto: Reconhecimento de Digitos com MLPs Germano C. Vasconcelos Centro de Informática - UFPE 1 Link do Material http://neuralnetworksanddeeplearning.com/chap1.html 2 Objetivo: Treinar uma Rede
Leia mais3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Redes Neurais
3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Motivado pela importância do estabelecimento de um sistema de apoio à decisão que auxiliasse o operador de tempo real durante
Leia maisOferta e Demanda de Energia Elétrica: Cenários. Juliana Chade
Oferta e Demanda de Energia Elétrica: Cenários Juliana Chade Agenda Cenário atual Preços Afluências Reservatórios Consumo de energia elétrica Meteorologia/Clima Expansão da Oferta Projeções de PLD 2 Agenda
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
Leia maisModelos de Previsão Hidrológica Aplicados ao Planejamento da Operação do Sistema Elétrico Brasileiro
Modelos de Previsão Hidrológica Aplicados ao Planejamento da Operação do Sistema Elétrico Brasileiro Fernanda da Serra Costa, Maria Elvira Piñeiro Maceira e Jorge Machado Damázio previvaz@cepel.br CEPEL
Leia maisAnálise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
Leia maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia maisPLANEJAMENTO DA OPERAÇÃO ENERGÉTICA DE SISTEMAS HIDROTÉRMICOS DE POTÊNCIA
PLANEJAMENTO DA OPERAÇÃO ENERGÉTICA DE SISTEMAS HIDROTÉRMICOS DE POTÊNCIA L. Viola 1*, L. P. Moura 1, T. M. Pereira 1, A. J. P. Rosentino Jr. 2 1 FEEC Faculdade de Engenharia Elétrica e de Computação Universidade
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 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 maisMODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Leia maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia maisComparação entre uma neuroprevisão(empírica) e um modelo físico simplificado para estimação hidrológica
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Comparação entre uma neuroprevisão(empírica) e um modelo
Leia maisMULTI-LAYER PERCEPTRON E RESERVOIR COMPUTING APLICADAS EM UM PROCESSO CHUVA x VAZÃO
MULTI-LAYER PERCEPTRON E RESERVOIR COMPUTING APLICADAS EM UM PROCESSO CHUVA x VAZÃO Trabalho de Conclusão de Curso Engenharia de Computação Everalda Solange de Moraes Soares Orientador: Mêuser Jorge Silva
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisPanorama Mensal do Setor Elétrico
Janeiro 19 Análise Estrutural e Conjuntural da Operação Física e Comercial do Setor Elétrico Brasileiro Histórico dos Níveis dos Reservatórios SIN Histórico dos Níveis dos Reservatórios por Submercado
Leia mais9 Conclusões e Sugestões para Trabalhos Futuros
9 Conclusões e Sugestões para Trabalhos Futuros O extenso horizonte do planejamento da operação e a estocasticidade das afluências futuras tornam o problema de planejamento da operação energética do sistema
Leia maisPREVISÃO DE VAZÕES DIÁRIAS NA BACIA DO RIO SÃO FRANCISCO PARA O PERÍODO ÚMIDO 2011/2012: AVALIAÇÃO DOS RESULTADOS DOS MODELOS NEURO3M E NEUROSF
PREVISÃO DE VAZÕES DIÁRIAS NA BACIA DO RIO SÃO FRANCISCO PARA O PERÍODO ÚMIDO 2011/2012: AVALIAÇÃO DOS RESULTADOS DOS MODELOS NEURO3M E NEUROSF Luana Gomes Alessandra Maciel Guilherme Ferreira Luiz Guilhon
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisMODELO DE DECISÃO DE DEFLUÊNCIA NEURAL E DE INFERÊNCIA NEBULOSA APLICADA AO PLANEJAMENTO DA OPERAÇÃO DE SISTEMAS HIDROTÉRMICOS
MODELO DE DECISÃO DE DEFLUÊNCIA NEURAL E DE INFERÊNCIA NEBULOSA APLICADA AO PLANEJAMENTO DA OPERAÇÃO DE SISTEMAS HIDROTÉRMICOS Érica de Oliveira Carvalho 1 ecarvalho@nepeeeeufgbr Wagner da Silva Lima wagner@eeeufgbr
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia maisMETODOLOGIA HEURÍSTICA PARA PREVISÃO DE MERCADO A LONGO PRAZO BASEADA EM REDES NEURAIS ARTIFICIAIS
METODOLOGIA HEURÍSTICA PARA PREVISÃO DE MERCADO A LONGO PRAZO BASEADA EM REDES NEURAIS ARTIFICIAIS M. Sc. Andréia Oliveira Cuer Universidade Federal de Goiás. deia-oliveira@uol.com.br Prof. Dr. Gelson
Leia maisMultiple Layer Perceptron
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Multiple Layer Perceptron David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Multiple Layer Perceptron (MLP) Backpropagation
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
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 AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisPREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON L. O. M. DA SILVA 1, D. L. C. DA SILVA 1, L. A. VANDERLEI 1, M. C. O.
Leia maisSubmódulo 9.5. Previsão de vazões e geração de cenários de afluências
Submódulo 9.5 Previsão de vazões e geração de cenários de afluências Rev. Nº. 0.0 0.1 1.0 Motivo da revisão Este documento foi motivado pela criação do Operador Nacional do Sistema Elétrico. Atendimento
Leia maisANÁLISE DE CENÁRIOS DA IMPLEMENTAÇÃO DO HIDROGRAMA AMBIENTAL NO BAIXO TRECHO DO RIO SÃO FRANCISCO
Salvador/ 2016 UNIVERSIDADE FEDERAL DA BAHIA UFBA Grupo de Recursos Hídricos - GRH ANÁLISE DE CENÁRIOS DA IMPLEMENTAÇÃO DO HIDROGRAMA AMBIENTAL NO BAIXO TRECHO DO RIO SÃO FRANCISCO Yvonilde Dantas Pinto
Leia maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
Leia maisPROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS
PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS 1 SILVA, J. N., 2 MONTEIRO, G. S., 3 SILVA, S. K., 4 AVELINO, M. C., 5 FRANÇA, M. I. C,.
Leia maisRedes neurais artificiais
Redes neurais artificiais Conceitos em redes neuronais Redes neuronais artificiais (RNA): uma metáfora cerebral para processamento de informações Computação neuronal Muitos usos de RNA para Reconhecimento
Leia maisREVISÃO DA CURVA BIANUAL DE AVERSÃO A RISCO PARA A REGIÃO SUL - BIÊNIO 2009/2010
REVISÃO DA CURVA BIANUAL DE AVERSÃO A RISCO PARA A REGIÃO SUL - BIÊNIO 2009/2010 2008/ONS Todos os direitos reservados. Qualquer alteração é proibida sem autorização. ONS NT 038/2009 REVISÃO DA CURVA BIANUAL
Leia maisAPLICAÇÃO DE MULTILAYER PERCEPTRON E RESERVOIR COMPUTING PARA PREVISÃO DE VAZÃO CONSIDERANDO SAZONALIDADE
APLICAÇÃO DE MULTILAYER PERCEPTRON E RESERVOIR COMPUTING PARA PREVISÃO DE VAZÃO CONSIDERANDO SAZONALIDADE Trabalho de Conclusão de Curso Engenharia da Computação Pedro Henrique de Queiroz Santos Orientador:
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia mais5 Simulação do PLD médio anual
5 Simulação do PLD médio anual Como a energia elétrica tem a característica de não ser armazenável, o balanço produção-consumo deve ser feito instantaneamente, de forma que pode haver diferenças entre
Leia maisMineração de Dados em Biologia Molecular
Mineração Dados em Biologia Molecular Principais tópicos André C. P. L. F. Carvalho Monitor: Valéria Carvalho Res Neurais Artificiais Introdução Arquitetura Aprendizado Principais molos Perceptron MLP
Leia maisCUSTO MARGINAL DE DÉFICIT DE ENERGIA ELÉTRICA
CUSTO MARGINAL DE DÉFICIT DE ENERGIA ELÉTRICA Daiane Mara Barbosa Baseado em: Déficit de Energia Elétrica: histórico, avaliação e proposta de uma nova metodologia por Paulo Gerson Cayres Loureiro. CUSTO
Leia maisAplicação de Redes Neuronais Artificiais no Comportamento da Precipitação em Portugal Continental.
2º ENCONTRO DE PÓS-GRADUAÇÃO EM INVESTIGAÇÃO E ENSINO DAS CIÊNCIAS FÍSICAS E DA TERRA DA UNIVERSIDADE DE ÉVORA Aplicação de Redes Neuronais Artificiais no Comportamento da Precipitação em Portugal Continental.
Leia maisO PLANEJAMENTO E A PROGRAMAÇÃO DA OPERAÇÃO DO SIN PELO OPERADOR NACIONAL DO SISTEMA ELÉTRICO - ONS. Mário Daher
O PLANEJAMENTO E A PROGRAMAÇÃO DA OPERAÇÃO DO SIN PELO OPERADOR NACIONAL DO SISTEMA ELÉTRICO - ONS Mário Daher 1 O PLANEJAMENTO E A PROGRAMAÇÃO DA OPERAÇÃO DO SIN PELO OPERADOR NACIONAL DO SISTEMA ELÉTRICO
Leia mais8 REFERÊNCIAS BIBLIOGRÁFICAS
8 REFERÊNCIAS BIBLIOGRÁFICAS ACIOLI, G.C.L., GOMES, L.F.C. e MAGALHÃES, J.K.M. (2004): Previsão de vazões diárias ao reservatório de Sobradinho, VII Simpósio de Recursos Hídricos do Nordeste, São Luiz,
Leia mais4 Modelagem do Racionamento de Energia em 2001/ Introdução
4 Modelagem do Racionamento de Energia em 2001/2002 4.1 Introdução O impacto do racionamento no consumo de energia elétrica no Brasil, em 2001, ocorreu de forma distinta entre as regiões do país e os ramos
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia mais