I. Luna, S. Soares, M. H. Magalhães e R. Ballini
|
|
- Octavio Cavalheiro Prada
- 6 Há anos
- Visualizações:
Transcrição
1 Previsão de Vazões utilizando Redes eurais Dinâmicas do Tipo FIR 1 I. Luna, S. Soares, M. H. Magalhães e R. Ballini Resumo Este trabalho propõe um modelo de previsão baseado em redes neurais dinâmicas do tipo Finite Impulse Response (FIR), ou seja, nesta estrutura as sinapses são representadas por filtros lineares do tipo FIR, ao invés de pesos escalares. Os parâmetros da rede são ajustados usando o algoritmo de retropropagação temporal. Este modelo é aplicado ao problema de previsão de séries temporais, mais especificamente séries de vazões, devido a sua habilidade para o processamento temporal e eficiência na resolução de problemas não-lineares. Os modelos de previsão de vazões são de grande importância no planejamento de sistema hidroelétrico, sendo necessário desenvolver modelos capazes de capturar a natureza não-linear das séries, que forneçam previsões satisfatórias a médio e longo prazo. Assim, o modelo FIR é aplicado para previsão um passo à frente e vários passos à frente. O desempenho deste modelo é comparado ao modelo de previsão utilizando redes neurais multicamadas (MLP) e ao modelo periódico autoregressivo (PAR). Os resultados mostram em geral, um melhor desempenho da rede FIR para o problema em estudo. Index Terms rede dinâmica, FIR, temporal backpropagation, previsão de vazoes. I. ITRODUÇÃO Atualmente, a área de planejamento e controle de sistemas de recursos hídricos é de grande importância, uma vez que influencia diretamente na produção de energia hidroelétrica do país. Esta, por sua vez, depende da série histórica de vazões das diversas usinas do sistema, no sentido de sua utilização como dado de entrada para um modelo de simulação. Estes modelos são importantes para realizar as previsões de vazões necessárias para um planejamento energético efetivo. Entretanto, trata-se de um problema estocástico e não-linear. O sistema hidorelétrico brasileiro encontra-se distribuído em diversas regiões geográficas, com dados coletados através de diversas redes de aquisição de dados que resulta em uma considerável incerteza na informação hidrológica coletada. Além disso, a inerente relação não-linear entre as variáveis envolvidas dificulta e afeta o desempenho dos modelos de previsão. Uma outra dificuldade na previsão de vazões é a natureza nãoestacionária devido aos períodos úmidos e secos ao longo do ano [1]. A maior parte dos modelos de previsão atualmente utilizados, baseiam-se em relações lineares entre as variáveis. Estas técnicas são freqüentemente baseadas na metodologia clássica de Box & Jenkins [2]. Este modelo tem sido amplamente aplicado a problemas associados a recursos hídricos, principalmente na previsão de vazões mensais. os últimos, modelos baseados em redes neurais artificiais tem surgido como al- I. Luna e S. Soares, Departamento de Engenharia de Sistemas - DE- SIS, Faculdade de Engenharia Elétrica e de Computação - FEEC, Universidade Estadual de Campinas - UICAMP, Campinas, Brasil. {iluna,dino}@cose.fee.unicamp.br M. H. Magalhães, Departamento de Computação e Automação Industrial - DCA, Faculdade de Engenharia Elétrica e de Computação - FEEC, Universidade Estadual de Campinas - UICAMP, Campinas, Brasil. marinah@dca.fee.unicamp.br R. Ballini, Departamento de Teoria Econômica - DTE, Instituto de Economia IE, Universidade Estadual de Campinas - UICAMP, Campinas, Brasil. ballini@eco.unicamp.br ternativas de modelos de previsão [3], uma vez que estes são capazes de capturar as relações não-lineares entre as entradas e a saída do modelo [1]. Desta forma, redes neurais vêm sendo utilizadas como uma poderosa técnica para tratar problemas de previsão de séries temporais. Contudo, a aplicação destes modelos vem sendo dominada por estruturas estáticas [4]. Um dos primeiros trabalhos que utilizou redes neurais recorrentes como modelos de previsão de séries temporais foi proposto em [5]. o decorrer destes, diferentes arquiteturas de redes neurais recorrentes têm sido aplicadas a problemas de previsão com diversos graus de desempenho [6]. Em todas essas estruturas, as redes neurais recorrentes têm demonstrado importantes características não encontradas em redes neurais estáticas, tais como, a habilidade de armazenar informação para depois utilizar esta informação na resolução de problemas, através do processamento temporal associado à sua topologia. Além disso, embora a análise e a síntese de redes neurais dinâmicas sejam mais complexas, estes modelos têm demonstrado desempenho superior em diversas aplicações [7]. A presença de realimentação permite a criação de representações internas e mecanismos de memória capazes de processar e armazenar tanto informações temporais, como seqüenciais [8]. este trabalho, propõe-se a aplicação de uma rede neural dinâmica na previsão de séries temporais. A estrutura da rede é baseada em um modelo do tipo Finite Impulse Response (FIR), proposto em [9]. Este modelo é uma modificação do modelo clássico de redes neurais multicamadas, no qual cada peso é substituído por um filtro linear do tipo FIR. Os pesos da rede são ajustados utilizando o algoritmo de retropropagação temporal. O objetivo deste trabalho é a aplicação da rede FIR para previsão de vazões incrementais médias mensais um passo à frente e vários passos à frente, da usina hidroelétrica de Furnas, localizada no Rio Grande, região Sudeste do Brasil. O desempenho deste modelo é comparado aos resultados obtidos pelos modelos periódico autoregressivo (PAR) e redes neurais multi-camadas (MLP) com algoritmo de retropropagação dos erros. A comparação com o modelo PAR é devido este modelo ser empregado no setor elétrico para previsão de vazões. Já a rede MLP é uma das estruturas amplamente utilizadas em distintos problemas de previsão de séries temporais, como em [1], [11], entre outros. As comparações feitas mostram que o modelo de previsão baseado na estrutura de rede dinâmica do tipo FIR possui um melhor desempenho, considerando as previsões um e vários passos a frente. O artigo está organizado da seguinte forma. A próxima seção descreve a estrutura da rede dinâmica do tipo FIR. A seção III apresenta o algoritmo de treinamento utilizado para ajustar os
2 2 parâmetros do modelo. a seção IV apresenta algumas diretrizes e características do problema de previsão em estudo, assim como os resultados obtidos e as comparações como os modelos PAR e MLP. Finalmente, na seção V discute-se as conclusões do trabalho. II. REDE EURAL RECORRETE FIR A estrutura da rede dinâmica do tipo FIR foi proposta em [9]. Este tipo de rede neural tem sido utilizada em diversas aplicações, tais como a previsão de séries temporais, controle adaptativo, processamento de sinais e identificação de sistemas [12], obtendo bons resultados devido as suas características dinâmicas [13]. Este modelo é uma modificação da rede neural multicamadas, em que as sinapses são representadas por um filtro linear do tipo FIR ao invés de um peso escalar. Para um melhor entendimento, a seguir será apresentada uma breve descrição da estrutura da rede. Sejam os coeficientes do filtro linear W, definido como: W [w(), w(1),..., w(t )] T. A saída do filtro linear é definida como: it y(k) w(i) x(k i) (1) i sendo x(k) a entrada no tempo discreto k. o caso da rede dinâmica do tipo FIR, Wij l representa o vetor de peso entre o neurônio i da camada l e o neurônio j da camada seguinte. l é o número de neurônios da l ésima camada, com l 1, 2,..., L. A dinâmica da rede pode ser representada da seguinte maneira: W l ij [w l ij(), w l ij(1),..., w l ij(t l )] T (2) X l i(k) [x l i(k), x l i(k 1),..., x l i(k T l ), ] T (3) y l ij y l j(k) W l 1 ij l 1 i1 X l 1 i (k) (4) y l ij(k) (5) x l j(k) f( y l j(k) ) (6) com i [1, l ], j [1, l+1 ] e l [1, L]. A Figura 1 ilustra a configuração de uma camada da rede FIR. III. ALGORITMO DE TREIAMETO Os pesos da rede FIR são ajustados utilizando o algoritmo de retropropagação temporal. Seja a saída desejada d i (k) no instante k, para 1 i l. O erro total quadrático instantâneo é definido da seguinte forma: l e 2 (k) e 2 i (k) (7) i1 x l 1 x l i x l l W l 1j. W l ij. W l l j 1j ij l j j f( ) x l+1 j Figura 1. Estrutura da rede neural dinâmica do tipo FIR: conexões entre os neurônios da camada l e o neurônio j da camada seguinte. com e i (k) d i (k) x L i (k). O erro quadrático total é calculado como: e 2 e 2 (k) (8) k Como o objetivo é minimizar o erro quadrático total, a variação nos valores correspondentes aos vetores de pesos pode ser re-escrita como segue: W l ij W l k ij k Wij l Considerando a versão on-line da equação acima, a atualização dos vetores de pesos é definida por: W l ij(k + 1) W l ij(k) η Wij l (9) (1) sendo η a taxa de aprendizado com valores no intervalo (, 1]. Entretanto, Wij l X l i(k) (11) sendo X l i (k) o vetor de entrada aplicado a sinapse i do neurônio j. Definindo o gradiente local do neurônio j como: δ l j(k) a equação (1) pode ser re-escrita como: e2 y l (12) W l ij(k + 1) W l ij(k) η j X l i(k) (13) sendo esta regra válida para l 1,..., L. Existem dois casos para o cálculo de δ l j : 1. o caso do neurônio j pertencer a camada de saída: δ L e2 y L 2e j(k)f ( y L ) (14)
3 I. Luna, S. Soares, M. H. Magalhães e R. Ballini: PREVISÃO DE VAZÕES UTILIZADO REDES EURAIS DIÂMICAS DO TIPO FIR 3 2. o caso do neurônio j pertencer a uma camada oculta: δ l j(k) e2 y l (15) m1 t m1 t ym l+1 (t) m f ( yj(k) l ) Das equações (2)-(4), tem-se: jm Tl ym l+1 (t) yj l (k) (16) (t) yl+1 m (t) yj l (k) (17) m1 t m (t) yl+1 m (t) x l (18) wjm(u)x l l j(t u) (19) u Desta última equação, pode-se conferir que para u t T l + u: jm (k) x l j (u) w l jm(t u) (2) e para qualquer outro valor de t, jm (k)/ xl j (u). Assim, substituindo a equação (2) na equação (18), tem-se: δ l j(k) f ( y l j(k) ) f ( y l j(k) ) T l +k m1 tk T l m1 n m1 m (t)w l jm(t k) (21) m (k + n)w l jm(n) (22) f ( yj(k) l ) l+1 m W l+1 jm (23) sendo l m(k) definido como: l m(k)s [δ l m(k), δ l m(k + 1),..., δ l m(k + T l 1 ))] (24) O algoritmo de retropropagação temporal é definido pelas equações (13), (14) e (23). Como a atualização dos pesos no instante k depende de p valores futuros, é necessário armazenar os valores de δj l (k), o número de iterações p necessárias para construir o vetor l m(k), para k k + p. Maiores detalhes podem ser encontrados em [3] e [9]. IV. PREVISÃO DE VAZÕES O planejamento e operação dos sistemas de energia e recursos hídricos envolve características de produção não-lineares e requer a utilização de inúmeras variáveis de entrada, sendo uma delas a previsão de vazões, necessárias para o propósito de simulação, otimização e tomada de decisões. Por este motivo, as previsões ao longo do período de planejamento devem ser as mais acuradas possíveis. Dado um conjunto de amostras da série de vazões médias mensais x t h R, h 1,..., o objetivo deste trabalho é estimar valores de x t utilizando um conjunto de valores passados de x t obtidos através do histórico de vazões, ou seja, estimar a previsão um passo à frente. Além disso, também é considerado a previsão vários passos à frente, isto é, estimar x t utilizando a informação de um conjunto de valores já previstos x t h, h 1,..., k. este trabalho, adotou-se k 12, que corresponde a previsão de um ano à frente. Estes dois tipos de previsão foram escolhidos devido a sua relevância no planejamento hidroelétrico a médio e longo prazo, respectivamente. esta seção, o modelo de rede neural dinâmica do tipo (FIR) descrito nas seções anteriores é aplicado a previsão de vazões mensais da usina hidroelétrica de Furnas, situada na região Sudeste do Brasil. Para o ajuste do modelo, foram utilizados dados de vazões incrementais médias mensais, correspondentes ao período de 1931 a Como dados de teste, foram utilizadas as vazões correspondentes ao período de 1996 a 21. O desempenho do modelo foi comparado a outros dois modelos de previsão já conhecidos na literatura, uma rede neural multicamada (MLP) e um modelo periódico autoregressivo (PAR). Os três modelos são comparados utilizando a raíz do erro quadrático médio REQM (), o erro absoluto médio EAM () e o erro relativo médio percentual ERM (%), que são definidos como segue: ( ) 1/2 1 REQM (d k ŷ k ) 2 EAM 1 ERM 1 (25) d k ŷ k (26) d k ŷ k d k (27) sendo o número de dados de teste, ŷ k a saída do modelo e d k a saída desejada. Outro critério importante de avaliação é o coeficiente de correlação definido pela equação: (d k d)(ŷ k ȳ) ρ ( ) 1/2 (d k d) 2 (ŷ k ȳ) 2 (28) O coeficiente de correlação é um critério utilizado para medir o grau de associação entre a série de vazões previstas e as vazões do histórico. Ou seja, no caso da previsão de vazões, quanto mais próximo esteja o coeficiente de correlação da unidade, significa que em média, a previsão foi melhor. a equação (28), d
4 4 e ȳ são os valores médios das vazões previstas e das vazões do histórico, respectivamente. Os dados de vazões oscilam entre valores mínimos e máximos ao longo da variação sazonal no período de 12 meses. Assim, a sazonalidade das vazões mensais sugere o uso de 12 modelos diferentes, um para cada mês do ano tanto na previsão um passo à frente, como na previsão 12 passos à frente. Além disso, deve-se lembrar que as séries de vazões apresentam uma alta variabilidade nos meses úmidos (de Outubro a Março), que dificulta a modelagem e as previsões associadas, isto devido à natureza não-estacionária [1]. O número de entradas para os três modelos ajustados foi definido de acordo como o Critério de Informação de Bayes (BIC) [14]. A Tabela I mostra o número de entradas para cada mês, o qual variou de 1 a 5. ota-se que os meses de Maio e Outubro são ajustados utilizando 5 entradas. Isso pode ser devido a esses meses corresponderem a períodos de transição de um período úmido para um período de seca, no caso do mês de Maio ou, no caso do mês de Outubro, de um período de seca para um período úmido. TABELA I ÚMERO DE ETRADAS PARA OS MODELOS DE PREVISÃO. Mês úm. Entradas Mês úm. Entradas Janeiro 1 Julho 2 Fevereiro 1 Agosto 4 Març o 1 Setembro 4 Abril 3 Outubro 5 Maio 5 ovembro 1 Junho 1 Dezembro 2 As Tabelas II e III mostram os erros globais das previsões um e doze passos à frente dos três modelos. TABELA II ERROS GLOBAIS DA PREVISÃO UM PASSO À FRETE. Modelo REQM EAM ERM ρ () () (%) FIR 173,12 14,88 18,47,9 MLP 198,84 126,97 23,5,87 PAR 212,98 131,99 25,1,85 Para a previsão um passo à frente (Tabela II), observa-se que a rede FIR apresenta um melhor desempenho em relação a todas as estatísticas. O erro relativo médio percentual foi, aproximadamente, 5% menor em relação à rede MLP e 7% menor em relação ao modelo PAR. O desempenho da rede neural MLP foi melhor que o desempenho do modelo de séries temporais. TABELA III ERROS GLOBAIS DA PREVISÃO DOZE PASSO À FRETE. Modelo REQM EAM ERM ρ () () (%) FIR 22,43 153,25 29,9,83 MLP 232,2 172,86 37,3,82 PAR 242,77 165,22 38,2,81 As funções de ativação para os neurônios da camada oculta tanto para o modelo FIR como para o modelo MLP foram definidas como funções logísticas, enquanto os neurônios da camada de saída possuem funções de ativação linear. Ambos os modelos neurais, possuem uma única camada oculta, ou seja, l 2. Os valores de atraso T l para cada modelo mensal FIR foram selecionados de forma empírica, variando de a 4, e o número de neurônios na camada intermediária variaram de 1 a 2, dependendo do mês a ser previsto. Utilizando estas características, os modelos FIR foram ajustados utilizando o algoritmo descrito na seção anterior. A rede neural MLP foi ajustada usando o algoritmo de retropropagação do erro, com uma taxa de aprendizado de, 1. O número de neurônios intermediários na rede neural MLP variou de 8 a 2 e após épocas o processo de aprendizado foi encerrado pois verificou-se que a variação do erro quadrático médio de uma época para outra assumiu um valor menor que 1 3. Os parâmetros dos modelos periódicos autoregressivos (PAR) foram estimados através do método de máxima verossimilhança proposto por [15]. As vazões previstas um passo à frente e doze passos à frente, para os três modelos ajustados, são ilustradas nas Figuras 2 e 3, respectivamente. A Tabela III mostra que, os erros do modelo FIR são menores que os erros dos modelos MLP e PAR. Assim, o modelo recorrente FIR apresenta um desempenho superior aos demais modelos para previsão doze passos à frente, com erros relativos médios percentuais, aproximadamente, 7% menores que os demais modelos. O coeficiente de correlação em ambas as Tabelas II e III, não apresentam diferenças significativas, indicando que os modelos tendem a um valor de vazão médio mensal, tornando mais acentuado esta tendência ao valor médio, quando o horizonte de previsão aumenta (Tabela III). ota-se que, embora os modelos consigam, em geral, seguir a tendência da curva de vazões, a rede estática multicamadas (MLP) e o modelo PAR têm mais dificuldades para atingir os valores dos picos da série, quando comparado ao modelo FIR. Ou seja, é mais difícil prever as vazões nos períodos úmidos, uma vez que os picos não apresentam freqüências similares, embora as séries de vazões sejam consideradas periódicas. Isto pode ser claramente observado nas Figuras 2 e 3, principalmente na previsão doze passos à frente, no segundo e terceiro pico da curva de vazão. Em termos gerais, a rede FIR apresenta um bom desempenho na previsão um e doze passos à frente. Os erros globais para a previsão doze passos à frente foram maiores quando comparados aos obtidos na previsão um passo à frente, por ser este
5 I. Luna, S. Soares, M. H. Magalhães e R. Ballini: PREVISÃO DE VAZÕES UTILIZADO REDES EURAIS DIÂMICAS DO TIPO FIR 5 FIR MLP PAR Figura 2. Previsão um passo à frente para a usina de Furnas, período de 1996 a 21: modelos FIR, MLP e PAR. tipo de previsão uma tarefa mais difícil, pois ao invés de utilizar valores do histórico para calcular a previsão seguinte, utilizase os valores previstos. Já o desempenho da rede MLP e do modelo PAR na previsão doze passos à frente, viu-se afetado pela propagação do erro, tanto na previsão nos períodos úmidos, como nos períodos secos, principalmente no terceiro e quarto período seco, como ilustra a Figura 3. V. COCLUSÕES este trabalho, uma rede neural dinâmica foi utilizada como modelo de previsão de vazões, um e doze passos à frente. A rede neural dinâmica possui uma topologia onde os pesos sinapticos são substituídos por um filtro linear do tipo FIR, sendo estes vetores de pesos ajustados via o algoritmo de retropropagação temporal. O desempenho do modelo proposto foi comparado a outros dois modelos clássicos da literatura, uma rede neural multicamadas com algoritmo de retropropagação do erro e um modelo periódico autoregressivo. O modelo neural dinâmico do tipo FIR apresentou um melhor desempenho, quando comparado aos outros dois modelos de previsão, obtendo melhores resultados principalmente em picos e na previsão doze passos à frente. O desempenho deste modelo é devido a sua habilidade para lidar com problemas não-lineares e as suas características de processamento dinâmico e temporal. A memória embutida na sua estrutura fornece ao modelo a capacidade de ser, em geral, um modelo de previsão satisfatório, tanto na previsão de vazões um passo à frente como na previsão doze passos à frente. AGRADECIMETOS Os autores agradecem à Fundação de Ampara à Pesquisa do Estado de São Paulo (FAPESP), ao Conselho acional de Desenvolvimento Científico e Tecnológico (CPq) e à Financiadora de Estudos e Projetos (FIEP), pelo auxílio.
6 6 FIR MLP PAR Figura 3. Previsão 12 passos à frente para a usina de Furnas, período de 1996 a 21: modelos FIR, MLP e PAR. REFERÊCIAS [1] H. Maier and G. Dandy, eural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications, Environmental Modelling & Software, vol. 15, pp ,. [2] G. Box, G. Jenkins, and G. C. Reinsel, Time Series Analysis, Forecasting and Control, 3rd ed. Oakland, California, EUA: Holden Day, [3] A. S. Weigend and. A. Gershenfeld, Time Series Prediction: Forecasting the Future and Understanding the Past, [4] C. Slim and A. Trabelsi, eural network for modeling financial time series: A new approach. in ICCSA (3), 23, pp [5] A. Lapedes and R. Farber, onlinear Signal Processing Using eural etworks: Prediction and System Modelling, Los Alamos ational Laboratory, Tech. Rep. LA-Ur-&-2662, [6] H. J. Kim, W. D. Lee, and H. S. Yang, A Modified FIR etwork for Time Series Prediction, in Proceedings of the 9th International Conference on eural Information Processing, vol. 5, 22, pp [7] C. Ku and K. Lee, Diagonal recurrent neural networks for dynamic systems control, IEEE Transactions on eural etworks, vol. 6, no. 1, pp , [8] F. J. Von Zuben, Modelos Paramétricos e ão-paramétricos de Redes eurais Artificiais e Aplicações. FEEC-UICAMP, Brasil: Tese de Doutorado, Fevereiro [9] E. Wan, Temporal backpropagation for FIR neural networks, International Joint Conference on eural etworks, vol. 1, pp , June 199. [1] R. Ballini, Análise e Previsão de Vazões Utilizando Modelos de Série Temporais, Redes eurais e Redes eurais ebulosas. FEEC-UICAMP, Brasil: Tese de Doutorado, Setembro. [11] C. M. Zealand, D. H. Burn, and S. P. Simonovic, Short term streamflow forecasting using artificial neural networks, Journal of Hydrology, no. 214, pp , [12] S. Haykin, eural etworks: A Comprehensive Foundation, 2nd ed. Prentice Hall, Inc., 21. [13] Li-Feng Wang and Xheng-Xi Li, Model Identification of Time Delay onlinear System with FIR eural etwork, Proceedings of the Second International Conference on Machine Learning and Cybernetics, vol. 2, pp , ovember 23. [14] G. Schwarz, Estimating the Dimension of a Model, The Annual of Statistics, vol. 6, no. 2, pp , [15] A. Vecchia, Maximum likelihood estimation for periodic autoregressivemoving average models, Technometrics, vol. 27, no. 4, pp , 1985.
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
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
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
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
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
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
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
Felix 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
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
Modelagem 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
IF-705 Automação Inteligente Perceptrons de Múltiplas Camadas
IF-705 Automação Inteligente Perceptrons de Múltiplas Camadas Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
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)
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
PREVISÃO 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
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
5 PREVISÃO DE SÉRIES TEMPORAIS DE VAZÃO DE DRENOS DA BARRAGEM DE FUNIL
5 PREVISÃO DE SÉRIES TEMPORAIS DE VAZÃO DE DRENOS DA BARRAGEM DE FUNIL 5.1 Introdução Existem situações, como por exemplo, em grandes obras de engenharia (portos, barragens, usinas nucleares, etc.), em
CADERNOS DO IME Série Estatística
CADERNOS DO IME Série Estatística USO DOS MODELOS PREVIVAZM E PREVIVAZ PARA PREVISÃO DE AFLUÊNCIAS MENSAIS AOS APROVEITAMENTOS HIDROELÉTRICOS TUCURUÍ E CURUÁ-UNA Maria Teresa Chico Rivera Quintão ELETRONORTE
Redes Neurais e Neuro-Fuzzy Aplicadas a Modelagem Térmica de Transformadores de Potência
COGRESSO BRASILEIRO DE REDES EURAIS Redes eurais e euro-fuzzy Aplicadas a Modelagem Térmica de Transformadores de Potência Michel Hell, Luiz Secco, Pyramo Costa Jr, Member, IEEE, and Fernando Gomide, Member,
TREINAMENTO DE REDES NEUROFUZZY VIA APRENDIZADO PARTICIPATIVO
TREINAMENTO DE REDES NEUROFUZZY VIA APRENDIZADO PARTICIPATIVO Michel Hell, Pyramo Costa Jr., Rosângela Ballini, Fernando Gomide Universidade Estadual de Campinas, Av. Albert Einsten, 400 - Cidade Universitária
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
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: Uma Aplicação na Previsão de Vendas
Redes Neurais: Uma Aplicação na Previsão de Vendas Angela P. Ansuj Maria Emília Camargo Deoclécio Gomes Petry Programa de Pós-Graduação em Métodos Quantitativos Departamento de Estatística - Centro de
Regra de Oja. Para taxa de aprendizagem pequena, Oja aproximou. pesos para criar uma forma útil da aprendizagem
Regra de Oja A regra de Hebb necessita da normalização dos pesos para criar uma forma útil da aprendizagem i i i i i i n x n y n w n x n y n w n w 2 1 JDSS-LAC/INPE Para taxa de aprendizagem pequena, Oja
Multi-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
MODELO CONSTRUTIVO BASEADO EM REGRAS PARA PREVISÃO DE SÉRIES TEMPORAIS
MODELO CONSTRUTIVO BASEADO EM REGRAS PARA PREVISÃO DE SÉRIES TEMPORAIS Ivette Luna, Secundino Soares, Rosangela Ballini Universidade Estadual de Campinas UNICAMP Departamento de Engenharia de Sistemas
Multi-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Previsão 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,
Redes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
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
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
ANÁLISES E PREVISÕES DE VAZÕES DO RIO GRANDE UTILIZANDO MODELOS DE BOX & JENKINS E REDES NEURAIS ARTIFICIAIS
ANÁLISES E PREVISÕES DE VAZÕES DO RIO GRANDE UTILIZANDO MODELOS DE BOX & JENKINS E REDES NEURAIS ARTIFICIAIS André L. F. Batista 1 1 Departamento de Informática Instituto Federal de Educação, Ciência e
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
Análise estatística da série temporal de precipitação do município de São João do Cariri-PB
Análise estatística da série temporal de precipitação do município de São João do Cariri-PB Manoel Rivelino Gomes de Oliveira 1 Moacyr Cunha Filho 2 Ewerton Pereira de Oliveira 3 Maria Das Vitórias Alexandre
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.
Aplicação 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
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
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
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
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
Bruna Galle UPE Ecomp Mêuser Valença UPE Ecomp
Bruna Galle UPE Ecomp bcga@ecomp.poli.br Mêuser Valença UPE Ecomp meuserv@yahoo.com.br Roteiro Motivação Objetivos Conceitos básicos: Redes Neurais Pré processamento dos Dados Treinamento Resultados Conclusões
Rede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó
Rede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó Camilo A. S. de Farias Celso A. G. Santos Alcigeimes B. Celeste Estrutura da Apresentação Motivação
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
MODELO ADAPTATIVO BASEADO EM REGRAS NEBULOSAS APLICADO À PREVISÃO DE SÉRIES TEMPORAIS
MODELO ADAPTATIVO BASEADO EM REGRAS NEBULOSAS APLICADO À PREVISÃO DE SÉRIES TEMPORAIS Ivette Luna 1, Secundino Soares 2, Rosângela Ballini 3 1, 2 Departamento de Engenharia de Sistemas DENSIS Faculdade
NOS últimos anos, o consumo de energia no Brasil tem
1 Estudo Comparativo de Modelos de Previsão de Vazões Baseados em Redes MLP e NSRBN Alan C. R. Marques, Gélson Cruz Jr, Cássio D. N. Vinhal, and Marco A. A. de Oliveira Resumo In hydrothermal scheduling
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 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
Introdução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Camada Única Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
INTELIGÊNCIA 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
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
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
Parte 7. Redes Neurais INTRODUÇÃO
Parte 7. Redes Neurais INTRODUÇÃO As redes neurais representam uma técnica de inteligência artificial que permaneceu pouco estudada por muito tempo, sendo utilizada basicamente no reconhecimento de imagens.
( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão)
Introdução a Sistemas Inteligentes ópicos em Redes Neurais III: Redes Neurais RBF ª Parte Prof. Ricardo J. G. B. Campello ICMC / USP Aula de Hoje Revisão de Modelos RBF reinamento de Modelos RBF Estimação
Echo State Networks. Fabricio Breve João Bertini
Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações
Identificação Neural com Uso do Sinal de Erro de Predição
Proceedings of the IV Brazilian Conference on Neural Networks - IV Congresso Brasileiro de Redes Neurais pp. 036-041, July 20-22, 1999 - ITA, São José dos Campos - SP - Brazil Identificação Neural com
IN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Rede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Rede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas Thays Abreu, Marleide F. Alves, Carlos R. Santos Junior, Anna
SCC Capítulo 2 Topologia e Representação
Modelos Arquiteturas Representação do Conhecimento SCC-5809 - Capítulo 2 Topologia e Representação João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809:
4 Desenvolvimento dos Modelo
68 4 Desenvolvimento dos Modelo Neste capítulo são desenvolvidos três modelos para previsão da velocidade do vento, a saber: modelo estatístico que combina a metodologia do modelo Box&Jenkins com a regressão
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
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
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 Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo
Redes Neurais Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo Luciano Carli Moreira de Andrade Mário Oleskovics Departamento de Engenharia Elétrica e de Computação
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)
Multi-Layer. Perceptron. Sumário. Previsão de Séries Temporais
Multi-Layer Perceptron Previsão de Séries Temporais Sumário O problema de Previsão de Carga Modelagem das Redes Neurais MLP Estudo de Casos Resultados 11 Previsão de Carga Um sistema preciso de previsão
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
Redes 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
UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE VELOCIDADE DO VENTO
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 UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO
Aprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Reconhecimento de Padrões/Objetos
Reconhecimento de Padrões/Objetos André Tavares da Silva andre.silva@udesc.br Capítulo 2 de Gonzales Classificação Linear Introdução Para utilizar uma função discriminante linear (Linear Discriminant Function)
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
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
Tópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
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
Análise 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
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
Modelagem 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
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON L. O. M. DA SILVA 1, D. L. C. DA SILVA 1, L. A. VANDERLEI 1, M. C. O.
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
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
SCC Capítulo 4 Perceptron de Camada Única
Perceptron LMS SCC-5809 - Capítulo 4 Perceptron de Camada Única João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809: Redes Neurais 1/45 Sumário Perceptron
PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY
Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos
Jorge Caiado CEMAPRE/ISEG, Universidade Técnica de Lisboa Web:
CEMAPRE/ISEG, Universidade Técnica de Lisboa Email: jcaiado@iseg.utl.pt Web: http://pascal.iseg.utl.pt/~jcaiado/ 1 Uma série temporal (time series) consiste num conjunto de observações de uma variável,
Mineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Redes Neurais. Controladores Neurais. Prof. Paulo Martins Engel. Identificação de Sistemas
Redes Neurais Controladores Neurais Identificação de Sistemas A identificação de sistemas é a abordagem experimental para modelar um processo ou de uma planta dinâmica de parâmetros desconhecidos. A tarefa
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Primeiras Redes Neurais Artificiais: Perceptron e Adaline
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor
Análise estatística do coeficiente de escoamento superficial (C) em bacia hidrográfica do ambiente semiárido
Análise estatística do coeficiente de escoamento superficial (C) em bacia hidrográfica do ambiente semiárido Manoel Rivelino Gomes de Oliveira 1 José Ramon Barros Cantalice 2 1 Introdução O mundo vem enfrentando
Combinação 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
TESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1
TESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1 Eliseu Kotlinski 2, Manuel Martín Pérez Reimbold 3. 1 Relatório
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
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,.
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
Utilizando 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
2. 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
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
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
Comparação 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
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara