Análise de Desempenho de um Modelo Híbrido em uma Série Temporal de Descargas Atmosféricas
|
|
- Bianca Farias Campos
- 7 Há anos
- Visualizações:
Transcrição
1 Análise de Desempenho de um Modelo Híbrido em uma Série Temporal de Descargas Atmosféricas N. T. Santos, B. R. P. Rocha, V. G. Macedo, L. A. S. Lessa, L. M. Dentel, D. G. dos Santos, J. R. S. de Souza Resumo Neste artigo é testada a adequação de um modelo híbrido inteligente para previsão de uma série temporal composta por um conjunto de observações da frequência diária de descargas atmosféricas por um período de doze meses. Na primeira fase foram testados alguns modelos ARIMA para definir o que melhor representasse a série e o eleito foi o ARIMA (,,). Os resíduos, a previsão e as defasagens resultantes desse pré-processamento foram utilizadas como dados de entrada para a segunda fase que consiste na implementação de uma rede neural artificial em ambiente Matlab. A rede MLP proposta no modelo original não teve um bom desempenho, por isso, foi necessário encontrar outra opção e a escolha foi pela rede RBF que tem como característica similar a MLP serem aproximadoras universais de função. A rede RBF obteve uma aproximação melhor em menos época de execução. Palavras-chave Descargas Atmosféricas, Modelo Híbrido, Redes Neurais Artificiais, Séries Temporais. N I. INTRODUÇÃO enhum país recebe mais descargas elétricas atmosféricas (ou raios) que o Brasil. Por ano caem cerca de 6 milhões de raios []. Em 2, 89 pessoas morreram após serem atingidas por raios de acordo com o Instituto Nacional de Pesquisas Espaciais (Inpe), mas o número é menor do que a média registrada entre 2 e 29, de 32 vítimas por ano. No primeiro semestre de 2, segundo o Inpe foram registrados 28 casos de mortes causadas por raios em todo o país [2]. Além dos riscos de morte (pessoas e pecuária) os raios causam muitos prejuízos ao setor elétrico, telecomunicações, setor de transportes (aéreo, marítimo e terrestre), construção civil, agricultura, entre outras. Por isso, o Grupo de N. T. Santos, Universidade Federal do Pará, Belém, Brasil, ( neumasantos@ufpa.br) V. G. Macedo, Universidade Federal do Pará, Belém, Brasil, ( vgmacedo@ufpa.br) L. A. S. Lessa, Universidade Federal do Pará, Belém, Brasil, ( lessa.luis@gmail.com) B. R. P. Rocha, Universidade Federal do Pará, Belém, Brasil, ( brigida@ufpa.br) L. M. Dentel, Universidade Federal do Pará, Belém, Brasil, ( lauredentel@ufpa.br) D. G. dos Santos, Universidade Federal do Pará, Belém, Brasil, ( guimaraesds@hotmail.com) J. R. S. de Souza, Universidade Federal do Pará, Belém, Brasil, ( jricardo@ufpa.br) Eletricidade Atmosférica (ELAT) do Instituto Nacional de Pesquisas Espaciais (INPE) realizou um estudo junto a vários setores que são prejudicados e concluiu que os raios causam prejuízos anuais de aproximadamente um bilhão de dólares [3]. Diante do exposto anteriormente é fácil compreender a necessidade de estudos mais apurados e propostas de modelos, implementações e sistemas que contribuam com o processo de conhecimento desse fenômeno natural considerado imprevisível. A previsão da quantidade de raios é um processo em fase de aperfeiçoamento, pois vários estudos desenvolvem conceitos através da análise das características elétricas dos raios e dos seus dados históricos. Na literatura há várias propostas de previsão de raios como em [4] que os autores apresentam um sistema de previsão probabilística de descargas atmosféricas, denominado SIPPER e em [5] onde a autora utiliza o modelo WRF (Weather Research and Forecasting) para simular variáveis meteorológicas que irão alimentar a entrada de uma rede neural artificial cuja saída é a previsão para um futuro próximo. Essa mesma autora em [6] utiliza apenas o modelo WRF que é um sistema de modelagem numérica da atmosfera, em diferentes escalas espaciais (metros até milhares de quilômetros) para prever raios. Não existe um modelo que seja considerado o melhor, por isso há vários modelos que podem ser usados separadamente ou em conjunto. Neste trabalho realizamos uma implementação híbrida inteligente proposta por [7] que utiliza as vantagens do modelo ARIMA em associação com as redes neurais MLPs (Perceptron de Múltiplas Camadas) para prever valores futuros através de um conjunto de observações históricas, que nesse caso são observações passadas da freqüência diárias de raios em um período de doze meses, mas os resultados não tiveram um bom desempenho e por isso o modelo RBF (Função de Base Radial) foi escolhido para substituir a rede MLP. II. MODELO ARIMA, REDES NEURAIS E O MODELO DE KHASHEI E BIJARI PARA PREVISÃO DE SÉRIES TEMPORAIS Uma série temporal pode ser definida como um conjunto de observações feitas seqüencialmente no tempo [8]. A previsão de séries temporais é aplicada em diversas áreas (metereologia, economia, marketing, energia, epidemiologia, entre outras), por isso há interesse no desenvolvimento e aperfeiçoamento dos modelos.
2 2 Os modelos estatísticos mais conhecidos para análise de séries temporais no domínio do tempo são os de Box-Jenkings que têm este nome devido ao algoritmo desenvolvido pelos autores na década de 7. Os autores [9] afirmam que os modelos Box-Jenkings partem da idéia de que cada valor da série pode ser explicado por valores prévios, a partir do uso da estrutura de correlação temporal que geralmente há entre os valores da série. O guia para modelagem ARIMA (p,d,q) consiste em três passos: identificação do modelo, estimação e verificação da adequação. Na fase de identificação estuda-se o comportamento das funções de auto correlação (ACF) e auto correlação parcial (PACF); a segunda fase consiste em estimar os parâmetros auto-regressivos, os parâmetros de médias móveis e a variância dos resíduos. A verificação da adequação do modelo é efetuada em dois momentos: primeiro examinando o grau de ajustamento (Variância do erro, Erro Quadrado Médio ou o Erro Percentual Médio Absoluto) e segundo examinando a aleatoriedade dos resíduos através de sua função de auto correlação; validado o modelo é possível construir uma função de previsão [], [], [2], [3]. Os modelos ARIMA (modelo auto-regressivo integrado e de média móvel), pertencentes à família de modelos propostos por Box-Jenkings, descrevem tanto o comportamento estacionário como o não-estacionário com a vantagem de requerer poucos parâmetros. Esses modelos são baseados no principio da parcimônia, ou seja, procuram representar uma série utilizando um número mínimo de parâmetros [4]. Os modelos ARIMA têm uma limitação porque só resolvem problemas lineares e para superar esse problema é utilizada uma rede neural. Essa combinação de modelos é denominada modelagem híbrida inteligente. A idéia básica de combinar modelos de previsão é a utilização de características únicas de cada modelo para capturar diferentes padrões nos dados e construir uma solução global através de soluções parciais [5]. A Rede Neural Artificial inspirada no funcionamento dos neurônios biológicos é um dos modelos não-lineares e nãoparamétricos mais utilizadas para previsão de séries temporais devido suas diversas vantagens, tais como, capacidade de mapeamento flexível da função não-linear e generalização. Os autores [5] aplicaram o modelo ARIMA à série temporal original e depois modelaram seus resíduos através das redes neurais MLPs. Para formulação do modelo foi considerada a série temporal como uma função composta por uma componente linear e uma não-linear, () yt f ( Lt, Nt) () Onde L t denota a componente linear e N t a componente não linear. Na primeira fase o objetivo principal é a modelagem linear através do modelo auto-regressivo. Os resíduos da primeira etapa conterão a seguinte relação não linear: (2) Onde L t é o valor da previsão para o tempo t; e e t é o resíduo no tempo t a partir do modelo linear. Os resíduos são importantes para medir o grau de suficiência de modelos lineares. Um modelo linear não é suficiente se ainda existem estruturas de correlação linear negativas nos resíduos. Na segunda fase é feita a análise não linear e, portanto uma rede neural artificial é usada para modelar os relacionamentos não lineares e provavelmente os lineares existentes nos resíduos da modelagem linear. Assim, (3) Onde f, f 2 e f são funções não lineares determinadas pela rede neural; n e m são inteiros e referem-se ao grau do modelo. Desse modo a previsão combinada terá a seguinte forma: (4) Onde n n e m m são inteiros determinados no processo final do modelo neural. III. APLICAÇÃO DO MODELO Nesse trabalho o modelo proposto no item II foi implementado para analisar a eficiência deste aplicado em um banco de dados que contém a freqüência das ocorrências de raios no período de 366 dias. Na primeira fase os dados salvos em uma planilha do Excel foram carregados no Gretl (acrônimo de Gnu Regression, Econometrics and Time-series Library) que foi escolhido porque é um software livre que compila e interpreta dados econométricos/estatísticos. A fig. mostra o gráfico com os dados originais carregados no Gretl. ocorrencias Fig. : Representação da Série Original no Gretl Após alguns testes, análise do correlograma e da previsão foi escolhido o ARIMA (,,), o termo diferenciável d= foi suficiente para estacionar o modelo. Em seguida foi implementada uma rede neural de Múltiplas Camadas com 2 entradas, 4 neurônios ocultos e função de treinamento backpropagation com bayesiana regularizada, mas para esses dados a rede não teve bons resultados, por isso, em busca de um caminho para alcançar um desempenho melhor outra rede também supervisionada e aproximadora universal foi implementada. A principal diferença entre elas é que as redes RBF tendem
3 3 a produzir aproximações locais, enquanto as redes MLP tendem a resultar em aproximações globais. Quando se trata de aprendizado continuado, como é o caso de predição de séries temporais, as redes MLP se mostram menos adequadas porque o custo computacional de treino de uma rede MLP é muito superior ao de uma rede RBF, o que impossibilita a operação de forma dinâmica [6]. IV. RESULTADOS Após o processamento linear com o modelo ARIMA (,,) os resíduos com defasagens, a previsão e as defasagens da série original foram modeladas pela rede neural implementada em ambiente Matlab. A Fig. mostra dois gráficos que apresentam os mesmos resultados em representações diferentes do treinamento realizado com 75% dos dados com uma rede MLP backpropagation Grafico a) DADOS DE TREINAMENTO - ESTIMADOS XREAIS Grafico b) DADOS DE TREINAMENTO - ESTIMADOS X REAIS Para confirmar a afirmação do parágrafo anterior a tabela I apresenta as medidas estatísticas de desempenho do treinamento e da validação da rede. Tabela I. Medidas Estatísticas de Desempenho Treinamento Validação MSE MAE SSE A rede não atingiu um objetivo ótimo, por isso, o próximo passo foi treinar e validar os dados com uma rede RBF. O Matlab possui duas funções de implementação de RBF: a newrb e a newrbe. A diferença entre elas está na forma de criação dos nodos da camada escondida. A função newrb cria uma rede de forma iterativa, adicionando um neurônio por vez até que o SSE atinja a meta de erro ou o número de neurônios exceda o máximo. A função newrbe cria a rede RBF com os neurônios da camada oculta igual ao número de vetores da entrada. Cada neurônio na camada oculta funciona como um detector para um vetor de entradas diferentes. As duas funções foram testadas e a newrbe alcançou o melhor resultado. A Fig. 3 mostra os gráficos com os resultados do treinamento (75% dados) Grafico a) DADOS DE TREINAMENTO - ESTIMADOS XREAIS.9 Grafico b) DADOS DE TREINAMENTO - ESTIMADOS X REAIS Fig.. Treinamento de uma rede MLP.8.8 Na fase de treinamento a rede opera em uma sequência de dois passos. Primeiro, um padrão é apresentado à camada de entrada da rede e flui camada por camada até que a resposta seja produzida pela camada de saída. No segundo passo, a saída obtida é comparada à saída desejada para esse padrão particular e se estas não forem iguais, o erro é calculado e propagado a partir da camada de saída até a camada de entrada. Os pesos das conexões das unidades da camada de saída e das camadas intermediárias vão sendo modificados conforme o erro é retro propagado. Após a fase de treinamento, 25% dos dados guardados para validação foram apresentados a entrada da rede para testar sua capacidade de generalização. Na Fig. 2 pode ser observado que o previsor não funcionou adequadamente Grafico a) DADOS DE TESTE - ESTIMADOS X REAIS Grafico b) DADOS DE TESTE - ESTIMADOS X REAIS Fig. 3. Treinamento de uma rede RBF Diferentemente da rede MLP que pode apresentar uma ou duas camadas de neurônios ocultos, a rede RBF, em sua concepção básica, apresenta apenas uma camada oculta, além de uma camada de saída. A ativação de uma unidade oculta é determinada pela distância entre o vetor de entrada e um vetor protótipo. O treinamento desta rede é realizado em dois estágios: primeiro são determinados os parâmetros das funções de base (não-supervisionado) e depois são determinados os pesos da camada de saída (problema linear). Como conseqüência o treinamento desta rede foi muito mais rápido do que a MLP. O aprendizado é equivalente a encontrar uma superfície no espaço multidimensional do mapeamento que resulta no melhor ajuste aos dados de treinamento. A Fig. 4 mostra os gráficos com os resultados de validação (25% dados). Fig. 2. Treinamento de uma rede MLP
4 Grafico a) DADOS DE TESTE - ESTIMADOS X REAIS Grafico b) DADOS DE TESTE - ESTIMADOS X REAIS a pretensão de afirmar que esta técnica é a melhor para este tipo de dados, mesmo porque o desenvolvimento de técnicas de representação de séries é um processo contínuo. Apenas é possível afirmar que o modelo proposto no item II não é adequado para esta série como foi apresentado na íntegra, mas com algumas mudanças ele pôde ser aplicado produzindo bons resultados Fig. 4. Treinamento de uma rede RBF A generalização/aprendizagem corresponde a interpolar dados em superfície multidimensional que melhor se ajuste ao conjunto de dados de treinamento. Na tabela II são apresentadas as medidas estatísticas de desempenho do treinamento e da validação da rede. Tabela II. Medidas Estatísticas de Desempenho Treinamento Validação MSE x x -22 MAE.67 x x -2 SSE.3998 x x -2 A rede RBF obteve uma aproximação melhor (menor taxa de erro) em menos épocas de execução (convergência mais rápida). Já a MLP apresentou uma resposta mais lenta e com uma taxa de erro superior a RBF. V. CONSIDERAÇÕES A área de previsão de séries temporais é um campo em que a pesquisa atua de forma constante e não há um modelo específico que seja considerado o melhor porque cada série temporal requer uma investigação acerca de suas características como critério para escolha do melhor modelo ou a combinação de modelos. A combinação de previsões permite aumentar a confiabilidade da previsão e reduzir a possibilidade de grandes desvios. As análises realizadas neste trabalho procuraram testar a eficiência de um modelo híbrido inteligente aplicado em uma série temporal de descargas atmosféricas que tem um comportamento de ocorrência altamente aleatório. Os testes com o modelo ARIMA foram importantes para que pudesse escolher o que melhor representasse os padrões lineares envolvidos nos dados e no caso da rede neural a rede backpropagation envolveu um alto custo computacional associado a um baixo desempenho, portanto a melhor combinação de modelos encontrada para representar esta série foi uma modelagem ARIMA (,,) combinada com uma rede RBF iterativa com 2 entradas, e 4 neurônios ocultos. Os valores das entradas para a rede neural foram os dados préprocessados pelo modelo estatístico (os resíduos com 6 defasagens, o previsor e a série original com 5 defasagens). As medidas estatísticas mostraram que o modelo escolhido realizou uma representação da série, mas este trabalho não tem VI. AGRADECIMENTOS Todos os autores agradecem ao SIPAM (Sistema de Proteção da Amazônia) por disponibilizarem os dados de sua rede para este estudo e os autores Santos, Lessa e Dentel agradecem ao Conselho Nacional de Desenvolvimento Cientifico e Tecnológico (CNPq) pelo apoio financeiro recebido em forma de bolsa de doutorado. VII. REFERÊNCIAS [] vc+reporter+brasil+lidera+queda+de+raios+no+mundo.html. Acessado em 4/2/2. [2] mortes-por-raios-em-2. Acessado em: 4/2/2. [3] Acessado em 4/2/2. [4] E. A. Leite; O. C. Rotunno Filho. Sistema de previsão probabilística de eventos de raios SIPPER, in XIV Congresso Brasileiro de Meteorologia, 26, Florianópolis. Anais do XIV Congresso Brasileiro de Meteorologia, 26. vol, pp -6. [5] G. S. Zepka. Uso de Redes Neurais para a Previsão de Descargas Atmosféricas no Sudeste do Brasil. Relatório final da disciplina Princípios e Aplicações de Mineração de Dados (CAP-359) do Programa de Pós-Graduação em Computação Aplicada. São José dos Campos, 29. [6] G. S. Zepka. Previsão de Descargas Atmosféricas Usando o Modelo de Mesoescala WRF. Tese de Doutorado do Curso de Pós-Graduação em Geofísica Espacial/Ciências Atmosféricas, São José dos Campos, 2. [7] M. Khashei; M. Bijari. A novel hybridization of artificial neural networks and ARIMA models for time series forecasting, Applied Soft Computing, [8] P. A. Morettin; C. M. C. Toloi. Análise de Séries Temporais. Ed. Edgard Blucher. São Paulo. 26. [9] L. Werner; J. L. D. Ribeiro. Previsão de demanda: uma aplicação dos modelos Box-Jenkins na área de assistência técnica de computadores pessoais, Gest. Prod., vol., no., p.47-67, Abr 23. [] F. C. Gomes. Os modelos ARIMA e a abordagem de Box-Jenkings: uma aplicação na previsão do IBOVESPA a curtíssimo prazo, Revista de Administração de Empresas, 29 (2), p. 63-7, Abr./Jun [] J. H. F. Flores. Comparação de modelos MLP/RNA e modelos Box- Jenkings em séries temporais não lineares. Dissertação (Mestrado). Programa de Pós-Graduação em Engenharia de Produção, Universidade Federal do Rio Grande do Sul, 29. [2] K. T. Mynbaev; A. Lemos, Manual de Econometria, ª Ed. Rio de Janeiro: FGV, 24. [3] L. M. O. Silva. Uma aplicação de árvores de decisão, redes neurais e KNN para a identificação de modelos ARMA não-sazonais e sazonais. Tese (Doutorado). Programa de Pós-Graduação em Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, 25. [4] M. Valença. Aplicando Redes Neurais: um guia completo. Ed. do Autor. Olinda PE. 25. [5] M. Khashei; M. Bijari. A novel hybridization of artificial neural networks and ARIMA models for time series forecasting, Applied Soft Computing, [6] M. C. F. de Castro. Predição Não-Linear de Séries Temporais usando Redes Neurais RBF por Decomposição em Componentes Principais. Tese (Doutorado). Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de Campinas, 2.
5 5 VIII. BIOGRAFIAS Neuma Teixeira dos Santos Possui graduação em Licenciatura Plena em Matemática (28), mestrado em Sistemas de Energia pela Universidade Federal do Pará (2) e atualmente realiza doutorado no Programa de Pósgraduação em Engenharia Elétrica da Universidade Federal do Pará na área de descargas atmosféricas. Tem experiência em Processamento de imagens Digitais e Redes Neurais Artificiais. Brígida Ramati Pereira da Rocha Possui graduação em Engenharia Elétrica pela Universidade Federal do Pará (976), mestrado em Geofísica pela Universidade Federal do Pará (979), doutorado em Geofísica pela Universidade Federal do Pará (995) e Pós-Doutorado pela UNICAMP, na área de Alta Tensão. Atualmente é professor associado III da Universidade Federal do Pará. Tem experiência na área de Engenharia Elétrica, com ênfase em Descargas Atmosféricas, Alta Tensão e Compatibilidade Eletromagnética, atuando principalmente nos seguintes temas: descargas atmosféricas, energia, processamento digital de sinais, biomassa, planejamento energético. Valquíria Gusmão Macedo Possui graduação em Engenharia Elétrica pela Universidade Federal do Pará (977), graduação em Licenciatura em Física pela Universidade Federal do Pará (977), mestrado em Engenharia Eletrônica e Computação pelo Instituto Tecnológico de Aeronáutica (985) e doutorado em Engenharia Elétrica pela Universidade Federal do Pará (22). Atualmente é professor associado da Universidade Federal do Pará. Tem experiência na área de Engenharia Elétrica, com ênfase em Telecomunicações e Processamento Digital de Sinais, atuando principalmente nos seguintes temas: Processamento de voz, Processamento computacional da língua portuguesa, Transdutores Ultra-sônicos e Processamento de Imagens. Luis Antonio Salim Lessa Possui graduação em Engenharia Elétrica, mestrado em Sistemas de Energia pela Universidade Federal do Pará e atualmente realiza doutorado no Programa de Pós-graduação em Engenharia Elétrica da Universidade Federal do Pará na área de descargas atmosféricas. Tem experiência em Planejamento Energético, Descargas Atmosféricas e Geoprocessamento. Laure Madeleine Dentel Possui graduação em Engenharia Mecânica, mestrado em energias renováveis pela universidade de Zaragoza (27) e atualmente realiza doutorado no Programa de Pós-graduação em Engenharia Elétrica da Universidade Federal do Pará na área de descargas atmosféricas. Tem experiência em Acústica, Engenharia Térmica e Energias Renováveis. Diego Guimarães dos Santos é Técnico em Eletrotécnica (2) e Licenciado Pleno em Física (2), pelo Instituto Federal de Educação Ciência e Tecnologia do Pará. Atualmente é graduando em Engenharia Elétrica pela Universidade Federal do Pará, e desenvolve atividades de iniciação científica no SIPAM. José Ricardo Santos de Souza Possui Bacharelado em Física pela Universidade de São Paulo (966), mestrado em Astro Geophysics - University of Colorado (973), mestrado em Geomagnetismo pelo Instituto Nacional de Pesquisas Espaciais (969) e doutorado em Meteorologia - University of Colorado (979). Atualmente é Professor Associado 2 da Universidade Federal do Pará. Tem atuado principalmente nos seguintes temas: Amazônia, temperatura e umidade em solos, geotermia, microclima, eletricidade atmosférica e raios.
UNIVERSIDADE 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 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 maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia 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 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 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 maisCombinação Geométrica de Métodos Preditivos; Aplicação à Previsão de Consumo Residencial Mensal de Energia Elétrica
Luiz Albino Teixeira Júnior Combinação Geométrica de Métodos Preditivos; Aplicação à Previsão de Consumo Residencial Mensal de Energia Elétrica Dissertação de Mestrado Dissertação apresentada como requisito
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia 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 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 maisDesenvolvimento de uma metodologia para avaliação da demanda e capacidade de carga nos principais aeroportos brasileiros
Desenvolvimento de uma metodologia para avaliação da demanda e capacidade de carga nos principais aeroportos brasileiros Michel de Oliveira Vasconcelos Instituto Tecnológico de Aeronáutica, São José dos
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
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 mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia maisAnálise da série temporal do desemprego em regiões metropolitanas do Brasil
Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisREDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS
REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS Renan Pires de Araújo 1 ; Adrião Duarte Dória Neto 2 1 Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação em Ciência
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
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 maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia 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 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 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 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 maisUma Aplicação de Árvores de Decisão, Redes Neurais e KNN para a Identificação de Modelos ARMA Não-Sazonais e Sazonais
Luiza Maria Oliveira da Silva Uma Aplicação de Árvores de Decisão, Redes Neurais e KNN para a Identificação de Modelos ARMA Não-Sazonais e Sazonais Tese de Doutorado Tese apresentada ao Programa de Pós-graduação
Leia maisProjeto realizado junto ao Grupo de Automação Industrial e Controle (GAIC) da UNIJUÍ. 2
COLETA DE DADOS EXPERIMENTAIS DO TEMPO DE VIDA DE BATERIAS DE LÍTIO-ÍON POLÍMERO ATRAVÉS DE UMA PLATAFORMA DE TESTES E MODELAGEM DOS DADOS UTILIZANDO A TEORIA DE IDENTIFICAÇÃO DE SISTEMAS 1 Eduardo Cardoso
Leia maisPrevisão de consumos a curto prazo
Previsão de consumos a curto prazo Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) O que são? são técnicas computacionais que apresentam um modelo matemático inspirado
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 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 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 maisAnálise do custo médio por metro quadrado da construção civil no estado de Minas Gerais usando modelos de séries temporais
Análise do custo médio por metro quadrado da construção civil no estado de Minas Gerais usando modelos de séries temporais 1 Introdução Charles Shalimar Felippe da Silva 1 Ricardo Vitor Ribeiro dos Santos
Leia maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia maisPrevisão da produção de energia hidrelétrica no Brasil via séries temporais.
Previsão da produção de energia hidrelétrica no Brasil via séries temporais. Sílvio de Castro Silveira. Introdução Joel Augusto Muniz Thelma Sáfadi Tadeu Vilela de Souza Recentemente ascendeu-se a discussão
Leia maisPerspectiva de Produção Agrícola para a Região de Instalação do Complexo Petroquímico do Estado do Rio de Janeiro (COMPERJ) para o Ano de 2015
Niterói, RJ, Brasil, 19-22 de outubro de 29 Perspectiva de Produção Agrícola para a Região de Instalação do Complexo Petroquímico do Estado do Rio de Janeiro (COMPERJ) para o de 215 1 Diogo da Rocha Vargas,
Leia maisProjeto de pesquisa realizado no Grupo de Automação Industrial e Controle (GAIC) da Unijuí. 2
COLETA DE DADOS DO TEMPO DE VIDA DE BATERIAS DE LÍTIO ÍON POLÍMERO E DETERMINAÇÃO DA ORDEM DE MODELOS ARX E ARMAX ATRAVÉS DE FUNÇÕES DE AUTOCORRELAÇÃO. 1 Joelson Lopes Da Paixão 2, Airam Sausen 3, Eduardo
Leia maisAvaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais
Avaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais 1 Introdução Micherlania da Silva Nascimento 1 Leila Maria Ferreira 2 Tatiane Carvalho Alvarenga 3 4 O Brasil é o
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGELET - Bacharelado em Engenharia Elétrica 00. Disciplinas Obrigatórias FGGELET.00 FGGELET.00 Algoritmos e Programação I Cálculo I 0,00 FGGCOMP.0 - Algoritmos I / FGGELET.0 - Algoritmos
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisPREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1
PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1 Rita Salete Kusiak 2, Douglas Joziel Bitencourt Freitas 3, Airam Tereza Zago Romcy Sausen 4, Paulo Sérgio
Leia maisModelagem do preço da soja utilizando a metodologia de análise de séries temporais 1
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1 Jair Wyzykowski 2 Maíra Rodrigues Villamagna 3 Thelma Sáfadi 4 Augusto Ramalho de Morais 5 1 Introdução Uma série é
Leia maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia mais4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA
4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA No capítulo 4, são aplicados os métodos individuais e os combinados à projeção de curto prazo da série de consumo residencial
Leia maisESTUDO E APLICAÇÃO DA LEI DE PEUKERT ESTENDIDA PARA A PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS CONSIDERANDO CORRENTES VARIÁVEIS 1
ESTUDO E APLICAÇÃO DA LEI DE PEUKERT ESTENDIDA PARA A PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS CONSIDERANDO CORRENTES VARIÁVEIS 1 Livia Bittencourt Gomes 2, Julia Giehl Zart 3, Douglas Joziel Bitencourt Freitas
Leia maisFORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD
FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD Roberto Max Protil - PUCPR Leandro dos Santos Coelho PUCPR Wesley Vieira
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
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 maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGELET - Bacharelado em Engenharia Elétrica 0. Disciplinas Obrigatórias FGGELET.0 Álgebra Linear FGGCOMP.0 - Álgebra Linear / FGGMATE.0 - Álgebra Linear FGGELET.00 Cálculo I FGGCOMP.00
Leia maisAluno: João Ferreira Orientador: Paulo Maciel
Estratégias para análise do impacto ambiental causado por centros de dados, considerando consumo de energia, eficiência energética e predições com RNA. Aluno: João Ferreira Orientador: Paulo Maciel Introdução
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
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 maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia 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 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 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 maisProjeto de pesquisa realizado no Grupo de Automação Industrial e Controle (GAIC) da UNIJUÍ 2
ESTUDO TEÓRICO DA CONSTRUÇÃO DE MODELOS MATEMÁTICOS AUTORREGRESSIVOS E COMPARAÇÃO COM MODELOS ANALÍTICOS PARA A PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1 Alisson Vercelino
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 maisMÉTODO DE PREVISÃO DE DEMANDA APLICADO EM UMA EMPRESA REVENDEDORA DE COMBÚSTIVEL
MÉTODO DE PREVISÃO DE DEMANDA APLICADO EM UMA EMPRESA REVENDEDORA DE COMBÚSTIVEL Thais Rubiane Domingues Silva 1, Laryssa Ribeiro 2, Fábio Luis Figueiredo Fernandes 3, Danielle Mayumi Campos Tamaki 4 Centro
Leia maisAjuste de modelos de séries temporais para pressão atmosférica de Uberlândia
Ajuste de modelos de séries temporais para pressão atmosférica de Uberlândia Valiana Alves Teodoro Mirian Fernandes Carvalho Araújo Lúcio Borges de Araújo Introdução Na comercialização de produtos originados
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 maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
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 maisXII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
Leia maisA UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE RADIAÇÃO SOLAR GLOBAL
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2017 Hangar Convenções e Feiras da Amazônia - Belém - PA 8 a 11 de agosto de 2017 A UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO
Leia maisRedes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
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 maisPrevisão de Séries Temporais utilizando Métodos Estatísticos
Previsão de Séries Temporais utilizando Métodos Estatísticos Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José Thadeu Pinto
Leia maisPrevisão da Velocidade dos Ventos por Redes Neurais Artificiais e ARIMA de Box & Jenkins
Previsão da Velocidade dos Ventos por Redes Neurais Artificiais e de Box & Jenkins Daniela J. Rossi, Anna D. P. Lotufo, Mara L. M. Lopes Depto de Engenharia Elétrica, FEIS, UNESP 13-000, Ilha Solteira,
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia 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 maisEvento: XXV SEMINÁRIO DE INICIAÇÃO CIENTÍFICA
COLETA DE UM AMPLO CONJUNTO DE DADOS EXPERIMENTAIS DO TEMPO DE VIDA DE BATERIAS DE LÍTIO-ÍON POLÍMERO ATRAVÉS DE UMA PLATAFORMA DE TESTES E MODELAGEM MATEMÁTICA DOS DADOS UTILIZANDO MODELOS ELÉTRICOS.
Leia maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia mais3 Técnicas de Previsão de Séries Temporais 3.1. Introdução
3 Técnicas de Previsão de Séries Temporais 3.1. Introdução A previsão de séries temporais é um problema prático de extrema importância, presente em diversas áreas: economia, indústria, serviços, previsão
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia maisAnálise do volume útil do reservatório de Furnas via modelos de séries temporais
Análise do volume útil do reservatório de Furnas via modelos de séries temporais Cristina Henriques Nogueira 1 3 Thelma Sáfadi 2 1 Introdução A energia elétrica é, sem dúvida, um recurso indispensável
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 maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº., DE //00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 CNPJ: 0../000- Tel: () - - Site: http://www.ifmg.edu.br/formiga Matriz Curricular
Leia maisXVIII Seminário Nacional de Distribuição de Energia Elétrica. Olinda - Pernambuco - Brasil
XVIII Seminário Nacional de Distribuição de Energia Elétrica SENDI - 06 a 10 de outubro Olinda - Pernambuco - Brasil Utilização de Redes Neurais para Correlacionar a Energia Requerida pela Companhia Energética
Leia maisPrevisão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais
1 Previsão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais Thays Abreu, Miguel Paredes, Klayton A. M. Araujo, Mara L. M. Lopes e Anna Diva P. Lotufo, Membro
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº., DE //00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 CNPJ: 0../000- Tel: () - - Site: http://www.ifmg.edu.br/formiga Matriz Curricular
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº., DE //00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 CNPJ: 0../000- Tel: () - - Site: http://www.ifmg.edu.br/formiga Matriz Curricular
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Aspectos Temporais Modelagem de sistemas As tarefas que estudamos, classificação e regressão, podem ser vistas como atividades de modelagem de sistemas. As técnicas de modelagem
Leia mais5. Aplicação da Modelagem Proposta
Aplicação da Modelagem Proposta 5. Aplicação da Modelagem Proposta Na aplicação da modelagem proposta serão utilizados os dados de carga elétrica da LIGHT Serviços de Eletricidade S.A. (principal concessionária
Leia maisRelatório de Versão Curricular - UFF
Curso: Desdobramento: Código: 1 - T: BACHAREL Currículo: 54.01.003 Versão: 4 Criada em 20/12/2017 por GILMAR DE ALMEIDA LIMA Última modificação em 03/04/2018 por GILMAR DE ALMEIDA LIMA Versão finalizada:
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 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 maisPREVISÃO DA PRODUÇÃO DE ÁLCOOL
APLICAÇÃO Aplicação DE REDES de redes NEURAIS neurais artificiais... ARTIFICIAIS NA 279 PREVISÃO DA PRODUÇÃO DE ÁLCOOL Application of artificial neural networks in the forecast of alcohol production Anderson
Leia maisMatriz de Disciplinas do Curso de Engenharia Industrial Elétrica. Formação Básica
Matriz de Disciplinas do Curso de Engenharia Industrial Elétrica Formação Básica I MATEMÁTICA 1 Álgebra Vetorial e Geometria Analítica 60 2 Cálculo Integral e Diferencial I 60 3 Cálculo Numérico 60 4 Probabilidade
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 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 maisESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência
Leia maisPrograma de Pós-Graduação em Engenharia de Sistemas e Automação Departamento de Engenharia - Universidade Federal de Lavras
Programa de Pós-Graduação em Engenharia de Sistemas e Automação Área de Concentração: Engenharia de Sistemas e Automação (Engenharias IV) As atividades de pesquisa na área de concentração em Engenharia
Leia maisUtilizando a função auto.arima em modelos de séries temporais
Utilizando a função auto.arima em modelos de séries temporais Erasnilson Vieira Camilo 1 2 Marina Rodrigues Maestre 1 Rick Anderson Freire Mangueira 1 Elias Silva de Medeiros 1 Cristian Villegas 1 1 Introdução
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 maisIntrodução à Teoria do Aprendizado
Introdução à Teoria do Aprendizado Carlos Hall Os processos no mundo real são intrinsecamente: dinâmicos (dependem do tempo) não lineares não gaussianos não estacionários com restrições com interações
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº., DE //00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 CNPJ: 0../000- Tel: () - - Site: http://www.ifmg.edu.br/formiga Matriz Curricular
Leia mais