8º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA Cusco, 23 a 25 de Outubro de 2007
|
|
- Vergílio de Sá Minho
- 6 Há anos
- Visualizações:
Transcrição
1 8º CONGRESSO IBEROAERICANO DE ENGENHARIA ECANICA Cusco, 3 a de Outubro de 7 IDENTIFICAÇÃO DAS DERIVADAS DE ESTABILIDADE E CONTROLE LONGITUDINAIS DE UA AERONAVE E VÁRIOS PONTOS DO ENVELOPE DE VÔO ATRAVÉS DE TÉCNICAS DE ESTIAÇÃO POR ÁXIA VEROSSIILHANÇA E REDES NEURAIS ARTIFICIAIS Benedito C. O. aciel*, Luciane F. R. Souzaº, Luiz C. S. Góes*, Eduardo. Belo º * Instituto Tecnológico de Aeronáutica, São José dos Campos,SP,Brasil, º Escola de Engenharia de São Carlos, São Carlos,SP,Brasil * bcmaciel@ita.br RESUO Neste trabalho é apresentado um procedimento para identificação das derivadas de estabilidade e controle do movimento longitudinal de uma aeronave militar, em diferentes pontos do envelope de vôo. Além disso, é feita a extrapolação dos parâmetros do modelo para pontos do envelope não contemplados nos ensaios em vôo, fornecendo assim uma excelente ferramenta para análise aerodinâmica e de estabilidade e desempenho de aeronaves. Para isso, são utilizados métodos baseados na técnica de estimação paramétrica por máxima verossimilhança e algoritmo de otimização de Levenberg-arquardt em conjunto com técnicas baseadas em Redes Neurais Artificiais. A metodologia é aplicada a dados reais de ensaio em vôo de uma aeronave militar, o Xavante AT-6 da Força Aérea Brasileira (FAB).
2 INTRODUÇÃO Desde a introdução dos modelos matemáticos para descrição da dinâmica de uma aeronave, é sabido que as derivadas de estabilidade e controle fornecem significativas informações sobre as qualidades de vôo (flying qualities) e pilotagem (handling qualities). Assim, as estimativas numéricas dessas derivadas aerodinâmicas são fundamentais para o projeto de novas aeronaves, compreensão de sua dinâmica de vôo, adaptação de sistemas de piloto automático, bem como para o desenvolvimento de modelos aerodinâmicos e suas aplicações em simuladores de vôo de alta fidelidade. Além disso, visando aplicações militares, a estimação das derivadas torna-se fundamental para a análise do impacto de diferentes sistemas de armamentos na dinâmica de vôo das aeronaves utilizadas pela Força Aérea Brasileira. A técnica de identificação de parâmetros aplicada aos dados de ensaios em vôo, objetiva a extração dos parâmetros aerodinâmicos do modelo de uma aeronave através do processamento de dados obtidos por sensores instalados na mesma. Admite-se conhecer a estrutura aproximada do modelo dinâmico, restringindo o problema à estimação de seus parâmetros. O advento dos computadores e os sistemas digitais de aquisição de dados para instrumentação revolucionaram as técnicas de identificação de parâmetros aplicadas a ensaios em vôo. Desse modo, foi possível transferir de modo automático, grandes quantidades de dados da instrumentação para o processamento de computadores, possibilitando técnicas de identificação mais complexas, antes consideradas impraticáveis. Em [], os autores apresentaram um algoritmo computacional para a determinação das derivadas de estabilidade a partir dos dados de ensaios em vôo, com bons resultados práticos. Esta técnica vem sendo utilizada pela NASA, sendo uma das principais metodologias de identificação de parâmetros para ensaios em vôo nos EUA desde então. Nesse contexto, as Redes Neurais Artificiais surgem como mais uma ferramenta poderosa, permitindo a modelagem dos processos através de identificação, utilizando-se dos dados de entrada e saída dos mesmos. Têm se mostrado também estimadores de parâmetros bastante eficazes, aplicáveis em reconhecimento de padrões, na área de controle de processos, em problemas de otimização ou previsão devido à sua capacidade de aprendizado assim como o seu processamento paralelo. Por possuírem, além de todas as vantagens dos métodos não convencionais, velocidade de processamento razoavelmente alta comparada a outros métodos convencionais e capacidade de aprendizagem, as redes neurais têm sido bastante exploradas na área de engenharia Aeronáutica para identificação e controle de sistemas dinâmicos lineares e não lineares e e para a estimação de parâmetros. Para capturar a dinâmica de componentes, redes neurais recorrentes com atrasos normalmente são exploradas e na estimação de parâmetros redes multicamadas feedforward. O trabalho está organizado da seguinte maneira: na seção apresentamos o equacionamento do modelo dinâmico utilizado. Na seção 3 é apresentada a metodologia de identificação, com a descrição do método do erro de saída (Output-error ethod) com critério de máxima verossimilhança e algoritmo de otimização por Levenberg- arquardt. Na seção 4 introdu-se o conceito de Redes Neurais Artificiais. Os resultados obtidos com os dados de ensaio em vôo são mostrados e analisados na seção 4. Na última seção temos as conclusões do trabalho. ODELO DINÂICO A separação das equações de movimento longitudinal e látero-direcional, através do uso da teoria de pequenas perturbações, é bem estabelecida. Em [], o autor apresenta as equações de forma detalhada. Esta teoria simplifica e lineariza o conjunto de equações em torno de condições de referência, onde ocorrem as perturbações. Assim, neste trabalho o problema de identificação de parâmetros é aplicado ao modelo longitudinal do movimento de uma aeronave, em particular ao modo de período curto, para o qual as equações em espaço de estados lineares são definidas como, & α Zα ( + Zq ) α Z. δ e δ e q = α + q q & δ e () O vetor de saídas desse sistema é formado pelos próprios estados. As equações apresentam seis parâmetros aerodinâmicos cujos valores são desconhecidos e que precisam ser estimados. Estes parâmetros são denominados 6 derivadas dimensionais de estabilidade e controle e formam então um vetor QÎ Â : T a q a q de de Q= [ Z, Z,,, Z, ] ()
3 IDENTIFICAÇÃO PARAÉTRICA étodo Output-error Nesta seção, é apresentada a metodologia de identificação paramétrica aplicada ao modelo linear do movimento longitudinal apresentado. O método Output-error, cuja formulação em diagrama de blocos é mostrada na Fig., é um dos mais usados métodos de estimação para aplicação na estimativa de parâmetros aerodinâmicos a partir de dados de ensaio em vôo. Este método apresenta uma série de propriedades estatísticas que o tornam eficiente, incluindo sua aplicabilidade a sistemas não lineares e levando em conta ruídos nos canais de medição e aquisição de dados []. Figura : Diagrama de blocos do procedimento de identificaçào paramétrica. O modelo é considerado conhecido e por tanto, o processo de identificação consiste na determinação do vetor de parâmetros que forneça a melhor predição das variáveis de saída usando algum critério de otimização. A obtenção de uma estimativa através da otimização de uma função custo baseada no erro de predição da planta requer, geralmente a minimização de uma função não linear. Portanto, um método de otimização baseado na formulação de Gauss- Newton, conhecido por método de Levenberg_arquardt, é utilizado para estimar os parâmetros do modelo. Assim, a função custo a ser minimizada envolve o erro de predição, e() k = yˆ () k - y() k (3) onde ŷ() k é a predição da saída baseada na estimativa atual do vetor de parâmetros ˆQ. Considera-se então um sistema dinâmico, com um modelo definido por ( Q ) e saída y. Supondo-se que p( y Q ) é a distribuição de probabilidade condicional da variável de saída y com dimensão m, média f ( Q ) e covariância R, com dimensão m m. p( y Q ) é conhecida como funcional de verossimilhança, nomenclatura encontrada dada por Goodwin and Payne em [3], que atribuíram esse nome pelo fato que é uma da probabilidade da ocorrência da observação y para um dado parâmetro Q. Portanto, o funcional de verossimilhança é: p ( y n ) [ ( ) ] T [ T { ] exp, [ (, ) ] }. m T n ( ) e k R - Q = - å Q e k Q (4) k = p R A estimativa de máxima verossimilhança (aximum Likelihood Estimate) é definida como o valor de Q que maximiza este funcional, de tal modo que a melhor estimativa de Q é Q= ˆ Argax p( y Q ) () A maximização de p( y Q ) é equivalente a minimização de J ( Q ), que é dado por n T T - J ( Q ) = å {[ e( k, Q) ] [ R ] [ e( k, Q )] + ln R }. (6) k = Assim, no processo de otimização, J ( Q ) é equivalente a - ln( p( y Q )), exceto por um termo constante.
4 Algoritmo de otimização O método de otimização de Levenberg-arquardt consiste numa técnica de segunda ordem baseada no método de Gauss-Newton. Este método, apesar de complexo, é adequado para uma função custo de forma quadrática, e apresenta uma convergência rápida. Para sua aplicação ao processo de estimação de parâmetros, primeiro aproximase J ( Q ) por uma função parabólica J L ( Q ) na condição Q L (retendo apenas os três primeiros termos da série de Taylor ), T T T JL( Q )@ JL( Q L) + ( Q - QL) ÑQJ( Q L) + ( Q - QL) [ ÑQJ( QL) ]( Q - Q L). (7) A condição de otimização é obtida quando Aplicando a eq. (8) na eq. (7): * Ñ J ( Q ) =. (8) Q [ ] T ÑQJL( Q ) = ÑQJ( Q L) + ( Q - QL) ÑQJ( Q L) =, (9) * que pode ser usada para achar o ótimo Q, através da recursão - T Q i+ = Qi - [ ÑQJ( Qi) ] ÑQJ( Q i). () A complexidade no cálculo da matriz Hessiana, ÑQJ ( Q i ), na eq. (), é evitada através da aproximação de Gauss- Newton, que usa a aproximação n T - Ñ ( ) [ ( )] ˆ QJ Q» å Ñ yˆ ér ù[ yˆ ( )], k = Q Q êë úû ÑQ Q () Onde os termos envolvendo derivadas de segunda ordem são descartados e o gradiente da saída estimada, ÑQŷ ( Q ), é chamado função sensibilidade. Assim, o método de Levenberg-arquardt é uma extensão do algoritmo de Gauss-Newton, onde a idéia é modificar a eq. () para: n T - Ñ ( ) [ ( )] ˆ QJ Q» å Ñ yˆ ér ù[ yˆ( )] l I k = Q Q êë úû ÑQ Q + () onde a inversão da matriz não é executada explicitamente, mas resolvendo por decomposição em valores singulares (Singular Value Decomposition) a seguinte expressão: [ ( ) ] ˆ ^ T ÑQJ Q + l I DQ = ÑQJ( Q ). (3) A adição do termo I l na equação (3) resolve o eventual problema de mal-condicionamento da matriz. O algoritmo de Levenberg-arquardt pode ser interpretado da seguinte maneira: para valores pequenos de l ele se comporta como o algoritmo de Gauss-Newton, enquanto que para valores altos de l este se comporta como o algoritmo do gradiente.
5 REDES NEURAIS ARTIFICIAIS Redes neurais artificiais são sistemas de processamento de informação com capacidade de aprender através de exemplos [4]. Baseadas em conceitos de neurobiologia, redes neurais artificiais são compostas por conjuntos de elementos interconectados chamados de neurônios. Estes processam os sinais apresentados à rede neural, somando cada estímulo dado a esta e passando o valor total por uma função chamada função de ativação. Os estímulos dados aos neurônios são modificados por um valor real chamado peso sináptico e cada um caracteriza a respectiva conexão entre os neurônios. A Figura mostra uma representação típica de um neurônio j, onde x, x,..., x p são estímulos de entrada, w j,w j,...,w jp, são os pesos sinápticos, θ j é um valor chamado bias, v j é o potencial de ativação, o j é o sinal de saída do neurônio e ϕ(.) is a função de ativação (geralmente adota-se a função não linear sigmoidal). Figura : Típica representação de neurônio. p Então, da Figura, pode-se observar que a saída do neurônio é dada por o j = ϕ θ j + w ji xi. i= Arquitetura de rede é o nome dado aos arranjos dos neurônios em camadas e como são conectados. As redes neurais típicas têm a seguinte arquitetura: () camada de entrada - onde o estimulo de entrada é apresentado à rede; () camadas escondidas ou intermediárias - camadas internas de uma rede, e (3) camada de saída - a última camada da rede, onde as saídas são fornecidas. Uma vez que treinada, pode-se supor que a rede neural armazenou o conhecimento fornecido a ela. Entretanto, o conhecimento em uma rede neural não é armazenado numa região específica. Depende de sua topologia e do valor dos pesos na camada da entrada. A generalização de uma rede neural artificial é a capacidade reproduzir sinais desejados para sinais de entrada diferentes dos usados durante o treinamento da rede. As redes neurais, devido a sua capacidade de generalização dentre outras vantagens, têm sido bastante aplicadas em várias áreas, inclusive em problemas envolvidos em dinâmica de vôo. RESULTADOS Para estimar as derivadas de estabilidade e de controle a partir das respostas da aeronave, foi aplicada a técnica de identificação usando o método de estimação por áxima Verossimilhança, com algoritmo Output-error e algoritmo de otimização de Levenberg-arquardt a dos 6 conjuntos de dados de ensaio em vôo da aeronave Xavante. Um esquema representativo do envelope de vôo está mostrado na Figura 3 a seguir Altitude (m) Treinamento Generalização Estimação ach Figura 3: Esquema do envelope de vôo da aeronave AT-6 Xavante analisado.
6 Tabela : Valores de altitude e velocidade em ach de pontos do envelope de vôo medidos. Caso H (m) ach Caso H (m) ach Caso H (m) ach Caso H (m) ach 96,3, ,6, 4 6,3, ,8, ,, ,4, ,, ,, ,6, ,7, ,7,68 8 6,3, ,3, ,4, ,4, ,7, ,, ,7, ,4,9 6 66,3, ,8, ,8, ,4,9 6 6,7, ,, 34 96,4, ,, ,9, ,6, ,9, ,6, ,,4 963,6,3 37 9,, ,, ,4, ,,7 38 6,3, ,9, 67 6,6, ,, ,, ,6, 68 67,, ,7, 4 6,8, ,,3 Estimação das derivadas aerodinâmicas e de controle usando rede neural artificial Destes dados, especificamente, dados correspondentes a 6 pontos do envelope, de vôo serão usados para treinamento da rede neural artificial e o restante será usado para verificar a capacidade de generalização da RNA. Para a estimação das derivadas de estabilidade e de controle da aeronave nos outros pontos do envelope de vôo, será usada uma rede neural artificial feedforward, com, 8 e 6 neurônios respectivamente nas camadas intermediárias e de saída e para treiná-la será usado o algoritmo Backpropagation. Foram usados dois tipos de entradas: dinâmicas e estáticas. Como entradas dinâmicas foram fornecidas para a rede neural velocidade de arfagem, entrada usado no profundor e variação do ângulo de ataque e como entradas estáticas foram fornecidas a massa, altitude, número de ach e velocidade inicial da aeronave. Um esquema da rede utilizada está mostrado na Figura 4. m ESTÁTICAS h U α RNA Z α α Z q q Z δ e DINÂICAS q δ e δe Figura 4: Diagrama de blocos representativo da RNA. A rede foi treinada durante épocas e o erro atingiu ordem de - e para verificar se ela havia generalizado, foram apresentados dados referentes às outras 6 posições do envelope desconhecidos por esta e comparados. Pôde-se concluir que a rede neural havia mesmo generalizado. Finalmente foram estimados os outros 48 conjuntos de derivadas referentes aos pontos do envelope onde não são conhecidas as derivadas. conjuntos de derivadas estas estão mostradas na Tabela. Os outros não serão mostrados para não deixar o texto extenso. Para poder fazer a verificação destas, é necessário simular o comportamento dinâmico da aeronave e comparar as respostas. Alguns gráficos serão mostrados.
7 Tabela : Derivadas longitudinais estimadas (dimensionais). Caso Z α Z q α q Z δ e δ e ,4 -,93 -,8636 4, ,784 -,797 -,839, ,46 -,684 -,84 7, ,744 -,8737 -,99, ,7746 -,66 -,83 9, ,633 -,77 -,744 6, ,69 -,6937 -,696, ,733 -,974 -,864 4, ,3 -,77 -,63 4, ,393 -,73 -,6897 3, ,74 -,773 -,67 3, ,33 -,8 -,694 6,98 Como dito anteriormente, estas derivadas estimadas são desconhecidas e portanto, só podem ser verificadas se colocadas no simulador para verificar se fornecem ou não respostas próximas das reais. As Figuras (a), (b) (c) e (d) mostram a simulação da aeronave usando as derivadas referentes ao caso mostrado na tabela anterior. dp [graus] - -4 alpha [graus] 4 dp [graus] - alpha [graus] q [graus/s] - a z [g] 3 q [graus/s] a z [g] (a) Simulação da aeronave no caso usando derivadas estimadas (b) Simulação da aeronave no caso 34 usando derivadas estimadas
8 dp [graus] - alpha [graus].. dp [graus] - alpha [graus] q [graus/s] a z [g] q [graus/s] - a z [g] (c) Simulação da aeronave no caso usando derivadas estimadas - (d) Simulação da aeronave no caso 9 usando derivadas estimadas Figura : Comparação das variáveis s e preditas. CONCLUSÃO Neste trabalho foi apresentado um procedimento para identificação das derivadas de estabilidade e controle do movimento longitudinal de uma aeronave militar, em diferentes pontos do envelope de vôo. Foram utilizados dois métodos, um baseado na técnica de estimação paramétrica por máxima verossimilhança e algoritmo de otimização de Levenberg-arquardt e outro baseado em Redes Neurais Artificiais. Estas metodologias foram aplicadas a dados reais de ensaio em vôo de uma aeronave militar, o Xavante AT-6 da Força Aérea Brasileira. Usando o método baseado na técnica de estimação por máxima verossimilhança foram obtidos alguns conjuntos de derivadas de estabilidade e de controle da aeronave para treinar a rede neural e com estes foi possível treinar a RNA e estimar as derivadas para todo o envelope de vôo. Para verificar os resultados obtidos, gráficos foram plotados e comparadas as respostas simuladas usando as derivadas estimadas com as respostas reais, s em ensaio em vôo, podendo verificar que os resultados foram bastante satisfatórios. Conclui-se que o método baseado em estimação de parâmetros por máxima verossimilhança aplicado a dados obtidos em ensaio em vôo para conseguir alguns conjuntos de derivadas é bastante eficaz e que as RNA s, depois de treinadas, são capazes de estimar as derivadas da aeronave em outros pontos do envelope de vôo desconhecidos por ela. Usando-se estes dois métodos combinados, mostrou-se que é possível estimar as derivadas aerodinâmicas de estabilidade e de controle de uma aeronave dentro de um extenso envelope de vôo. SIBOLOGIA E NOENCLATURA α : ângulo de ataque (graus) q : velocidade angular de arfagem (graus/s) δ e : deflexão do profundor (graus) y : vetor de saídas s ŷ : vetor de saídas estimadas Θ : vetor de parâmetros R : matriz de covariância do erro de saída REFERÊNCIAS. Iliff, K. W. and Taylor, L. W., 97, Determination of stability derivatives from fight test data using a Newton- Raphson minimization technique, NASA TD D-679, Washington.. Nelson, R. C., 989, Flight stability and automatic control, cgraw-hill, New York.
9 3. Goodwin, G. C. and Payne, R. L., 977, Dynamicsystem identification - experiment design and data analysis, Academic Press, New York. 4. Haykin, S., 994, Neural Network: a Comprehensive Foundation, acmillan College Publishing Company, New York.. Vasconcelos, L. J. H.,, Identificação paramétrica de derivadas de estabilidade e controle longitudinais da aeronave Xavante AT-6: uma aplicação de método da verossimilhança, Tese de estrado da Divisao de Engenharia ecânica Aeronáutica do Instituto Tecnológigo de Aeronáutica, São José dos Campos.
TÓPICOS 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
Introdução 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
UNIVERSIDADE 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
Introdução 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)
Redes 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
2. 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
Redes 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
Redes Neurais Artificiais. Professor: Juan Moises Villanueva
Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Rede Neural Direta Arquitetura com múltiplas camadas com fluxo de informação apenas em
3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
2. 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
3 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
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
Rede 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
Redes 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
Redes 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
serotonina (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)
Classificação 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
ABORDAGEM PARA ANÁLISE DE MANOBRAS DE ENSAIOS EM VÔO PARA IDENTIFICAÇÃO DE DERIVADAS DE ESTABILIDADE LONGITUDINAIS
ABORDAGEM PARA ANÁLISE DE MANOBRAS DE ENSAIOS EM VÔO PARA IDENTIFICAÇÃO DE DERIVADAS DE ESTABILIDADE LONGITUDINAIS Nei Salis Brasil Neto PG Luiz Carlos Sandoval Góes Instituto Tecnológico de Aeronáutica
HP 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)
ESTIMATIVA 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.
IMPLEMENTAÇÃO DE SISTEMA DE ATITUDE EM DSP
Anais do 15 O Encontro de Iniciação Científica e Pós-Graduação do ITA XV ENCITA / 2009 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 19 a 21 2009. IMPLEMENTAÇÃO DE SISTEMA
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
Fundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
UNIVERSIDADE 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
Redes 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
RECONHECIMENTO 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
Redes 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
APLICAÇÃO 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
Redes 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
Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
6.Elaboração de algoritmos...13
Índice de conteúdos Capítulo 1. Computação Científica...1 1.Definição...1 2.Modelo genérico...2 3.Modelo matemático...2 4.Tipos de modelos matemáticos...3 5.Modelação matemática...5 5.1.Definição (formulação)
Por 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
Minicurso: 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
Redes 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
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Usando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
MVO-30/AB-103 Estabilidade e Controle de Aeronaves 2013
MVO-30/AB-103 Estabilidade e Controle de Aeronaves 2013 (carga horária: 64 horas) Flávio Silvestre Departamento de Mecânica do Voo Divisão de Engenharia Aeronáutica Instituto Tecnológico de Aeronáutica
Multi-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
Multi-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
Introdução ao Projeto de Aeronaves. Aula 25 Estabilidade Longitudinal Dinâmica
Introdução ao Projeto de Aeronaves Aula 25 Estabilidade Longitudinal Dinâmica Tópicos Abordados Estabilidade Longitudinal Dinâmica. Modos de Estabilidade Longitudinal Dinâmica. Análise do modo de Pughoid.
3 INTERVALOS DE CONFIANÇA
3 INTEVALOS DE CONFIANÇA 3.1 Introdução A estimativa de intervalos de confiança é utilizada para se obter medidas de incerteza dos dados analisados. A análise da incerteza de uma previsão, por exemplo,
INF 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
Redes Neurais Artificiais
Redes Neurais Artificiais Aplicações em Telecomunicações Prof. João Marcos Meirelles da Silva, D.Sc. Professor Adjunto II do Departamento de Engenharia de Telecomunicações Universidade Federal Fluminense
AB Roteiro para o relatório
AB-722 - Roteiro para o relatório Professore: Flávio Ribeiro 2018 A seguinte lista de exercícios deve ser apresentada na forma de um relatório. Ela está dividida em duas partes: a primeira consiste em
Capítulo I Introdução 24
1 Introdução Na última década, a poluição atmosférica tem sido assunto freqüente e de destaque na mídia em geral. Problemas de caráter global como o efeito estufa e a redução da camada de ozônio têm sido
A 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
p 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.
Aprendizado 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
Condições de Equilíbrio de Vôo. Linearização.
Introdução ao Controle Automático de Aeronaves Condições de Equilíbrio de Vôo Linearização Leonardo Tôrres torres@cpdeeufmgbr Escola de Engenharia Universidade Federal de Minas Gerais/EEUFMG Dep Eng Eletrônica
O 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
Regra 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
Análise 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
Análise da Complexidade de Tempo e Espaço em Algoritmos para Classificação de Padrões em sinais de ECG
Análise da Complexidade de Tempo e Espaço em Algoritmos para Classificação de Padrões em sinais de ECG Eduardo Luz David Menotti Universidade Federal de Ouro Preto 05/07/2011 Summary Rede Neuronal Artificial
4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1 Introdução O crescimento do sistema de energia elétrica, o aumento do número de interligações e a sofisticação dos modelos para representação dos componentes de
PROPOSTA 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,.
3 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
4 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
REDES 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
Previsão 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
XII 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
JAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
EN ESTABILIDADE E CONTRoLE DE AERONAVES II - MOVIMENTO LONGITUDINAL DO AVIÃO. Maria Cecília Zanardi Fernando Madeira
EN 3205 - ESTABILIDADE E CONTRoLE DE AERONAVES II - MOVIMENTO LONGITUDINAL DO AVIÃO Maria Cecília Zanardi Fernando Madeira Estabilidade e Controle de Aeronaves II - MOVIMENTO LONGITUDINAL DO AVIÃO REFERENCIAS:
Aprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
Novembro/2018. Ajuste Automático ao Histórico em Simulação de Reservatórios
Ajuste Automático ao Histórico Simulação de Reservatórios Flavio Dickstein Paulo Goldfeld Renan V. Pinto IM/UFRJ IM/UFRJ LabMAPetro/UFRJ Novembro/2018 Simulação sob incerteza (i) O reservatório é inacessível
IF-705 Automação Inteligente Redes Neurais para Modelagem e Controle
IF-705 Automação Inteligente Redes Neurais para Modelagem e Controle Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação
Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado
Inteligência 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
Resumo. Filtragem Adaptativa. Filtros adaptativos. Tarefas desempenhadas pelos filtros
Resumo Filtragem Adaptativa Luís Caldas de Oliveira lco@istutlpt Instituto Superior Técnico Sistemas de filtragem adaptativa Conceitos de filtragem adaptativa Filtro de Wiener Algoritmo steepest descent
Aprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Redes 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
SUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Introdução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
GT-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
4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Capítulo 5 - Optimização Não-Linear
Capítulo 5 - Optimização Não-Linear balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Mestrados em Engenharia da Construção Métodos de Aproximação em Engenharia
4 Análise de Dados. 4.1.Procedimentos
4 Análise de Dados 4.1.Procedimentos A idéia inicial para a comparação dos dados foi separá-los em series de 28 ensaios, com a mesma concentração, para depois combinar esses ensaios em uma única série.
UM 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
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
CÁLCULO 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
ESTIMAÇÃO 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
AUTOVALORES E AUTOVETORES: CONCEITOS E UMA APLICAÇÃO A UM SISTEMA DINÂMICO
AUTOVALORES E AUTOVETORES: CONCEITOS E UMA APLICAÇÃO A UM SISTEMA DINÂMICO Patrícia Eduarda de Lima 1, Luciane de Fátima Rodrigues de Souza 2* 1 Departamento de Exatas, Faculdades Integradas Regionais
Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox.
SCE-5809 - REDES NEURAIS Redes Neurais Multi-Camadas Parte 3 Profa Roseli Ap Francelin Romero Qual é o número mínimo de camadas num PMC que fornece uma aproximação para qualquer mapeamento contínuo? Cybenko,
Redes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Predição genômica de caracteres quantitativos por meio de Redes Neurais Artificias
Universidade Federal de Viçosa Predição genômica de caracteres quantitativos por meio de Redes Neurais Artificias Isabela de Castro Sant Anna Supervisor: Moysés Nascimento Laboratório de Inteligência Computacional
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais 1 Introdução Identificação via Mínimos Quadrados Prof. Walter Fetter
SELEÇÃO 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
Resolução da Prova 1 SCC Redes Neurais 2o. Semestre de Prof. João Luís
Resolução da Prova 1 SCC-5809 - Redes Neurais 2o. Semestre de 2011 - Prof. João Luís RESOLUÇÃO (2) 1. A figura abaixo mostra uma rede neural com um único neurônio escondido. Mostre que essa rede resolve
Inteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
REDES NEURAIS ARTIFICIAIS NA PREDIÇÃO DE RESPOSTAS E ESTIMAÇÃO DE DERIVADAS AERODINÂMICAS DE AERONAVES
Luciane de Fátima Rodrigues de Souza RDS NURAIS ARTIFICIAIS NA PRDIÇÃO D RSPOSTAS STIMAÇÃO D DRIVADAS ARODINÂMICAS D ARONAVS Tese apresentada à scola de ngenharia de São Carlos da Universidade de São Paulo
UNIVERSIDADE 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
3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
MODELO 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
UNIVERSIDADE 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
Redes 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