XIX Seminário Nacional de Distribuição de Energia Elétrica. Previsão do Consumo Regional da Elektro em Horizonte Anual com Modelos de Rede Neurais
|
|
- Oswaldo Aveiro Brás
- 6 Há anos
- Visualizações:
Transcrição
1 XIX Semnáro Naconal de Dstrbução de Energa Elétrca SENDI a 26 de novembro São Paulo - SP - Brasl Prevsão do Consumo Regonal da Eletro em Horzonte Anual com Modelos de Rede Neuras Ivette R. Luna Renata Massaro Marcos Leone Uncamp Eletro Uncamp lunah@gmal.com Renata.massaro@eletro.com.br marcosleoneflho@gmal.com Paulo Sergo F. Barbosa Hermas Texera Franco Uncamp Uncamp franco@fec.uncamp.br hermas.uncamp@gmal.com Palavras-chave Inferênca Fuzzy Prevsão consumo energa Redes Neuras Artfcas Regras Nebulosas Resumo Este trabalho apresenta o desenvolvmento de uma metodologa de modelagem com redes neuras artfcas para fns de prevsão do consumo mensal de energa elétrca com base em sstema adaptatvo FIS Fuzzy Inference System. Tal sstema utlza regras nebulosas e está baseado, prncpalmente, em modelos lneares de prmera ordem, compondo um sstema nebuloso do tpo Taag-Sugeno (TS). O modelo proposto fo testado em dversas classes de consumo e regões da área de concessão da ELEKTRO, sendo apresentados os resultados neste trabalho para as regões de Lmera, Ro Claro e Guarujá, todas para a classe comercal. Estas três regonas são as de maor consumo comercal da ELEKTRO. Fo adotado o período de 2003 a 2006 para a fase de calbração e o período de 2007 e 2008 para a fase de testes. Os resultados da prevsão foram de boa qualdade, seja com base na representação da estrutura sazonal de consumo, como com base na análse dos resíduos dos erros, que revelou não assmetra, e a grande maora dos pontos stuada nos lmtes de confança de 95%. Tas ndcadores sugerem a adequação do modelo para as regões estudadas. 1. Introdução Como uma alternatva para o desenvolvmento dos modelos de prevsão de consumo de energa elétrca mensal, surge um modelo baseado em regras nebulosas (fuzzy). Este modelo, proposto em Luna (2007), é construído utlzando o prncípo de dvdr e conqustar, pos o problema orgnal é dvddo em sub-problemas, de tal forma que modelos locas são alocados para resolver esses subproblemas, dmnundo assm, a complexdade do problema global a ser resolvdo, e facltando a obtenção de soluções locas de melhor qualdade. Trabalhos de pesqusa prévos como os 1 / 10
2 apresentados em Murray-Smth & Johansen (1997) e em Solomatne & Se (2006) são exemplos de aplcações em controle, dentfcação de sstemas e prevsão de fenômenos naturas, respectvamente, sendo todos baseados em sstemas modulares, onde os especalstas são redes neuras ou apenas, modelos lneares de prmera ordem. Assm, o modelo proposto é composto por um conjunto de especalstas (modelos locas) representados pelas regras nebulosas codfcadas na estrutura do modelo. O antecedente de cada regra nebulosa defne a área de ação de cada especalsta. Já o especalsta em s, é representado pelo conseqüente da regra assocada. Os modelos locas utlzados podem ser lneares ou não lneares, dependendo da complexdade do problema e das exgêncas da modelagem, tanto em termos de erro, como em facldade de adaptação e/ou complexdade da própra estrutura do sstema. 2. Desenvolvmento Em problemas de alta complexdade é necessáro adotar estratégas smples, mas efcentes, que facltem a modelagem e que sejam adaptáves a mudanças na dnâmca do problema ao longo do tempo. Nesse contexto, abordagens baseadas em modelos locas, ou no prncípo de dvdr e conqustar, mas com o ajuste do modelo realzado de forma smples e adequada são de grande nteresse. O modelo proposto para a geração dos prevsores mensas se encaxa neste tpo de modelos, pos a sua estrutura geral surge da combnação não lnear de modelos lneares. Ou seja, um modelo complexo é obtdo a partr de um conjunto de modelos mas smples. Embora exsta uma termnologa dferente para a descrção do modelo e o ajuste dos seus parâmetros, a Tabela 1 mostra uma equvalênca ou assocação entre os termos formalmente utlzados para redes neuras e sstemas nebulosos, e os termos já conhecdos da teora de séres temporas. Tabela 1 - Assocação entre os termos utlzados para modelos nebulosos e modelos de séres temporas. Modelos nebulosos Entrada da rede Saída da rede Erros Trenamento ou aprendzagem Função erro Padrões Pesos, parâmetros Modelos de séres temporas Varáves Independentes Varáves Dependentes Resíduos Estmação Crtéro de Estmação Observações Estmatvas dos parâmetros A estrutura do modelo baseado em regras nebulosas (FIS Fuzzy Inference System) é descrta a segur. 2.1 Estrutura do modelo O sstema adaptatvo proposto (FIS Fuzzy Inference System) é baseado em regras nebulosas e prncpalmente, em modelos lneares de prmera ordem, compondo um sstema nebuloso do tpo Taag-Sugeno (TS), descrto em Taag & Sugeno (1985). Portanto, o sstema representa um mecansmo de nferênca nebulosa, codfcando na sua estrutura uma base de regras do tpo Se-Então. A parte Se é representada pelos antecedentes das regras nebulosas, enquanto a parte Então é codfcada nos conseqüentes das mesmas regras. A parte do antecedente representa uma sub-regão do espaço de entrada. Esta sub-regão defne a regão atva assocada à regra nebulosa. A parte do conseqüente é defnda por um modelo local que contrburá com uma parcela na estmatva da saída fnal. 2 / 10
3 A estrutura geral de um modelo composto por M regras fuzzy é lustrada na Fgura 1, onde x é o vetor de entrada no nstante, ŷ é a saída do modelo para uma determnada entrada x. Desta forma, cada regra nebulosa pode ser re-escrta como: R < : Se x pertence à regão com um grau de pertnênca..., M e y a saída estmada do -ésmo modelo local. g então < ŷ = y > para =1, Fgura 1 Modelo dnâmco baseado em regras fuzzy. O grau de pertnênca de cada padrão de entrada calculado da segunte forma: g ( x ) = g α P[ x ] = M α P[ q x ] q= 1 q sendo α coefcentes postvos que satsfazem a condção: M x é representado por g ( x ) [0,1 ], o qual é α = 1 (02) = 1 Estes coefcentes também podem ser consderados como índces ndretos de relevânca para cada regra gerada durante o trenamento, de tal forma que, quanto mas alto seja o valor de α, para =1,..,M, maor será a mportânca da -ésma regra nebulosa. (01) Em (01), P[ x ] é a probabldade condconal de dado x : 3 / 10
4 1 1 P [ x ] = exp( ( x c p ) V ( x c ) / 2 1/ 2 (2π ) det( V ) t (03) na qual V é uma matrz de ordem (p x p) e representa a covarânca assocada à probabldade P[ x ]. Observa-se que P[ x ] é uma função de densdade de probabldade condconal, com centros em c e matrz de covarânca V, a qual representa a probabldade de escolher a regra, dado que apenas a entrada x é conhecda, assm como os parâmetros V e c. A equação (03) também pode ser nterpretada como a probabldade do vetor de entrada x pertencer à regão atva da -ésma regra, já que, a medda que o dado de entrada encontra-se mas próxmo do - ésmo centro, maor será o valor do -ésmo grau de pertnênca. Em outras palavras, cada sub-regão nebulosa é representada pelo respectvo centro c, assm como os parâmetros de dspersão codfcados na dagonal prncpal da matrz de covarânca assocada V. A saída do sstema proposto, ŷ, é calculada como uma combnação não lnear de modelos locas com saídas M y e os seus respectvos graus de pertnênca 4 / 10 g, ou seja: yˆ = g y (04) = 1 onde, neste caso, y T θ [ 1 2 p [ p y, para =1,...,M, é defndo por: = φ (05) sendo φ = 1 x x... x ] o vetor composto por um termo constante mas as varáves de entrada; θ = θ θ θ... θ ] o vetor de coefcentes dos modelos locas lneares, de tamanho 1 X (p+1). A dnâmca do modelo pode ser nterpretada como um mecansmo de nferênca nebulosa, sendo a base de regras composta por regras nebulosas. Por outro lado, o modelo proposto pode também ser nterpretado como uma arqutetura modular, sendo que o mecansmo de nferênca representa o sstema de controle para cada módulo ou especalsta (Guo e Xu, 1999), e o módulo em s é representado por cada um dos modelos lneares defndos. Ou seja, exste uma analoga entre o modelo de mstura de especalstas e o sstema computaconal proposto, já que a saída do sstema é calculada como o valor ponderado das saídas de cada regra nebulosa. Em ambas as abordagens, os coefcentes que ponderam as saídas locas dependem das entradas a cada nstante e, dado que as funções de pertnênca são defndas como funções gaussanas generalzadas, estes podem smultaneamente, representar funções de probabldade e fazer uso do algortmo EM (Expectaton Maxmzaton) para ajustar o modelo proposto. Nesta seção, a estrutura descrta é apenas uma arqutetura geral, a qual será otmzada de acordo com a técnca de trenamento do tpo offlne, de forma que não seja necessáro defnr prevamente o número de regras M necessáras para compor a estrutura do modelo. A vantagem desta estrutura é a sua relatva smplcdade quando comparada a outras abordagens não lneares, assm como a sua nterpretabldade e adaptação. Além dsso, esta permte uma sére de varações no trenamento do modelo, obtendo ganhos tas como, a seleção automátca da estrutura, um processo de aprendzado mas rápdo, capacdade de adaptação, entre outras Método de Ajuste dos Parâmetros do Modelo O algortmo de aprendzado utlzado para a otmzação dos modelos FIS é conhecdo como algortmo da Maxmzação da Verossmlhança ou algortmo EM (Expectaton Maxmzaton), e fo formulado como um problema de mstura de densdades de probabldade (JACOBS, 1991) a partr da proposta ncal descrta em DEMPSTER(1997). Posterormente, fo mostrado que o algortmo EM podera ser empregado como uma técnca de aprendzado supervsonado, sendo a sua aplcação estendda a outros campos, tas como o aprendzado de redes neuras multcamadas (MA et al1997), de redes neuras do
5 tpo RBF (LAZARO et al, 2003), assm como dversas aplcações em séres temporas (CARVALHO, 2005). O algortmo EM, como o própro nome ndca, consste em maxmzar o valor esperado da função objetvo, defnda como a função de verossmlhança do modelo. A função de verossmlhança é baseada na nterpretação do modelo um modelo de mstura para estmação da dstrbução de probabldade condconal dos dados, com funções de densdade condconal ponderando a mstura dos componentes (Mc ClACHLAN, 1988). O algortmo EM oferece algumas vantagens quando comparado ao algortmo tradconal de retropropagação do gradente descendente, dentre as quas, destacam-se a rapdez do aprendzado, já que a convergênca é atngda com menor número de terações, assm como a obtenção de ótmos locas em geral melhores. Além dsso, medante a utlzação do algortmo EM para o ajuste de sstemas modulares, a nterpretação do modelo como um modelo estatístco é mas perceptível. Ou seja, exste uma dualdade nerente ao modelo (WARNER, 1996), tanto para as redes neuras como para os modelos estatístcos. Maores detalhes referentes ao algortmo de otmzação da verossmlhança podem ser encontrados em (JACOBS, 1991). Como fo menconado anterormente, a ncalzação do modelo é sujeta ao número de especalstas a utlzar para construr o modelo de prevsão. Embora o modelo de mstura de especalstas tenha se mostrado efcente na prevsão de séres temporas, um problema sempre exstente neste tpo de abordagens é a defnção da quantdade de especalstas necessáros para cada problema em questão (como defnr M). Neste trabalho, fo feta a utlzação de um algortmo de agrupamento nãosupervsonado, conhecdo na lteratura como algortmo Substractve Clusterng, proposto em (CHIU, 1994). O objetvo ao utlzar este algortmo é defnr de forma automátca o número de especalstas (M) a utlzar na construção dos modelos de séres temporas, já que pela natureza do própro algortmo (não supervsonado), é este quem defne esse valor. Assm, o procedmento para a obtenção dos modelos de séres temporas necessáros neste projeto e baseados regras nebulosas é resumdo como segue: a) Analsar os dados dsponíves para o ajuste dos modelos e determnar as entradas a utlzar para a modelagem das séres; b) Pré-processar os dados e construr os padrões entradas-saída para o ajuste dos modelos; c) Incalzar os modelos de mstura de especalstas com a ajuda do algortmo Substractve Clusterng; d) Ajustar os modelos utlzando o algortmo EM; e) Verfcar os erros de prevsão até H passos à frente, de acordo com as necessdades do projeto. f) Se necessáro, repetr o processo de otmzação Aplcações a Regões Seleconadas da ELEKTRO São apresentados a segur os resultados da modelagem pelo sstema adaptatvo proposto (FIS) para a classe comercal de algumas regões da área de concessão da ELEKTRO. As séres hstórcas orgnas de consumo mensal foram submetdas ao procedmento da padronzação, obtendo-se séres estaconáras. Foram testadas dversas varáves explcatvas, sendo seleconadas apenas: a) o CAGED (Cadastro Geral de Empregados e Desempregados) do mês medatamente anteror ao mês que se deseja prever; b) o consumo padronzado do mês medatamente anteror; c) o consumo padronzado de dos meses anterores. O período de calbração fo de 2003 a 2006, e o período de testes fo de 2007 a Os resultados são apresentados adante, apenas para as três regões de maor consumo da ELEKTRO, por lmtações de espaço. 5 / 10
6 Fgura 2 Calbração e Ajuste da Regão de Lmera Classe Comercal Fgura 3 Resíduos para as Fases de Calbração e Ajuste da Regão de Lmera Classe Comercal 6 / 10
7 Fgura 4 Resíduos para as Fases de Calbração e Ajuste da Regão de Ro Claro Classe Comercal Fgura 5 Resíduos para as Fases de Calbração e Ajuste da Regão de Ro Claro Classe Comercal 7 / 10
8 Fgura 6 Resíduos para as Fases de Calbração e Ajuste da Regão de Guarujá Classe Comercal Fgura 7 Resíduos para as Fases de Calbração e Ajuste da Regão de Guarujá Classe Comercal Para cada modelo ajustado fo feta a análse de resíduos, defnndo-se, além da representação gráfca, o Erro Quadrátco Médo (EQM) e a medana dos resíduos, seja para a fase de ajuste(calbração do modelo) como para a fase de testes. 8 / 10
9 Os resíduos do modelo de sstema adaptatvo FIS com base em regras nebulosas para Lmera comercal (Fg. 3) ndcam não assmetra, e a grande maora dos pontos stuada nos lmtes de confança de 95%, seja para a fase de calbração ( à esquerda da barra vertcal de cor azul) como na fase de testes (à dreta da barra vertcal de cor azul). Tas ndcadores revelam boa qualdade predtva do modelo. O modelo FIS para a classe comercal de Ro Claro revela nível de ajuste razoável, com resíduos majortaramente no nteror dos lmtes do ntervalo de confança de 95%, conforme Fg. 5. A adequação do modelo FIS classe comercal para a regão de Guarujá, mostrada na Fg. 6 e análse de resíduos, mostrados na Fg. 7, também ndcam bom ajuste deste modelo, com boa representação dos vales e pcos de consumo (Fg.6). 3. Conclusões Fo proposto e testado um modelo FIS baseado em regras nebulosas (fuzzy) para prevsão de consumo de energa elétrca em base mensal, com horzonte de um ano adante. O sstema adaptatvo proposto (FIS Fuzzy Inference System) é baseado em regras nebulosas e prncpalmente, em modelos lneares de prmera ordem, compondo um sstema nebuloso do tpo Taag-Sugeno (TS). Portanto, o sstema representa um mecansmo de nferênca nebulosa, codfcando na sua estrutura uma base de regras do tpo Se-Então. O modelo proposto fo testado em dversas classes de consumo e regões da área de concessão da ELEKTRO, sendo apresentados os resultados neste trabalho para as regões de Lmera, Ro Claro e Guarujá, todas para a classe comercal. Estas três regonas são as de maor consumo comercal da ELEKTRO. Os resultados da prevsão para o ano de 2008 foram de boa qualdade, seja com base na representação da estrutura sazonal de consumo, como com base na análse dos resíduos dos erros, que revelou não assmetra, e a grande maora dos pontos stuada nos lmtes de confança de 95%, seja para a fase de calbração. Tas ndcadores sugerem a adequação do modelo para as regões estudadas. 4. Referêncas bblográfcas CARVALHO, A. X. e TANNER, M. A. (2005). Mxture-of-Experts of Autoregressve Tme Seres: Asymptotc Normalty and Model Specfcaton, IEEE Transactons on Neural Networs 16(1): CHIU, S. (1994). A cluster estmaton method wth extenson to fuzzy model dentfcaton, Proceedngs of the Thrd IEEE Conference on Fuzzy Systems, Vol. 2, Orlando - Forda, USA, pp DEMPSTER, A., LAIRD, N. e RUBIN, D. (1977). Maxmum lelhood for ncomplete data va the EM algorthm, Journal of the Royal Statstcal Socety B 39: P. GUO; L. XU: Relatonshp between Mxture of Experts and Ensemble Neural Networs, Proceedngs of the 6 th Internatonal Conference on Neural Informaton Processng, vol. 1, 1999, pp JACOBS, R., JORDAN, M., NOWLAN, S. e HINTON, G. (1991). Adaptve Mxture of Local Experts, Neural Computaton 3(1): LAZARO, M.; SANTAMARIA, I.; PANTALEON, C.; A new EM-based tranng algorthm for RBF networs, Neural Networs, v.16, n.1, p.69-77, January LUNA, I. (2007). Análse de Séres Temporas e Modelagem baseada em Regras Nebulosas, Tese de Doutorado, FEEC-UNICAMP, Brasl. MA, S., JI, C. e FARMER, J. (1997). An effcent EM-based tranng algorthm for feedforward neural networs, Neural Networs 10(2): MCLACHLAN, G. e BASFORD, K. (1988). Mxture models: nference and applcatons to clusterng, Marcel Deer, Inc. SERIES: statstcs: textboos and monographs vol / 10
10 MURRAY-SMITH, R.; JOHANSEN, T. A. (1997). Multple Model Approaches to Modellng and Control, Taylor & Francs. TAKAGI, T.;SUGENO, M. (1985). Fuzzy Identfcaton of Systems and Its Applcatons to Modelng and Control, IEEE Transactons on Systems, Man and Cybernetcs 15(1): SOLOMATINE, D. e SIEK, M. (2006). Modular learnng models n forecastng natural phenomena, Neural Networs 10(2): WARNER, B. e MISRA, M. (1996). Understandng Neural Networs as Statstcal Tools, The Amercan Statstcan 50(4): / 10
MODELO ADAPTATIVO BASEADO EM REGRAS NEBULOSAS APLICADO À PREVISÃO DE SÉRIES DE VAZÕES SEMANAIS
MODELO ADAPTATIVO BASEADO EM REGRAS NEBULOSAS APLICADO À PREVISÃO DE SÉRIES DE VAZÕES SEMANAIS IVETTE LUNA, SECUNDINO SOARES, ROSANGELA BALLINI Departamento de Engenhara de Sstemas DENSIS Faculdade de
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão.0 XXX.YY 22 a 25 Novembro de 2009 Recfe - PE GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP SISTEMA
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisINCORPORAÇÃO DE RECORRÊNCIA EM ESTRUTURAS NEURAIS NEBULOSAS
INCORPORAÇÃO DE RECORRÊNCIA EM ESTRUTURAS NEURAIS NEBULOSAS Ivette Luna 1, Rosangela Balln 2, Fernando Gomde 3 1,3 Unversdade Estadual de Campnas Faculdade de Engenhara Elétrca e de Computação 13083-970
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisREDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS
GOP/010 21 a 26 de Outubro de 2001 Campnas - São Paulo - Brasl GRUPO IX GRUPO DE ESTUDOS DE OPERAÇÕES DE SISTEMAS ELÉTRICOS REDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS Rosângela Balln
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia mais4. Sistemas Neuro-Fuzzy
4. Sstemas Neuro-Fuzzy Neste capítulo será apresentado o sstema híbrdo Neuro-Fuzzy, o qual é a combnação das técncas de fuzzy e redes neuras. Alguns modelos Neuro-Fuzzy já desenvolvdos na lteratura são
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
METODOLOGIA BASEADA EM REALIZAÇÃO DE AUTO-SISTEMA PARA IDENTIFICAÇÃO FUZZY EVOLUTIVA DE SISTEMAS DINÂMICOS MULTIVARIÁVEIS NÃO-LINEARES Luís Mguel Magalhães Torres, Gnalber Luz de Olvera Serra Av dos Portugueses,
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisModelagem Fuzzy com Técnicas de Agrupamento Fuzzy e Estruturas Neuro-Fuzzy
Modelagem Fuzzy com Técncas de Agrupamento Fuzzy e Estruturas Neuro-Fuzzy Inara Slva, Aldo Slva IFMT-Insttuto Federal de Educação, Cênca e Tecnologa de Mato Grosso Departamento da Área de Informátca Rua
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Conteúdo. Métodos Particionais (Sem Sobreposição)
SCC7 Mneração de Dados Bológcos Agrupamento de Dados Partes III & IV: Métodos Partconas e Valdação Crédtos O materal a segur consste de adaptações e etensões dos orgnas: gentlmente ceddos pelo Prof. Eduardo
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisde Engenharia de São Carlos - USP Av. Trabalhador São-carlense, 400 - Centro - CEP 13566-590, São Carlos SP # UTFPR, Cornélio Procópio PR
APLICAÇÃO DE SISTEMAS FUZZY EM MOTORES DE INDUÇÃO PARA IDENTIFICAÇÃO DE TORQUE DE CARGA SÉRGIO F. DA SILVA *, IVAN N. SILVA *, ALESSANDRO GOEDTEL #, CRISTIANO MINOTTI * * Laboratóro de Automação Intelgente
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia maisAuto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza
Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisUniversidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron
Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisSISTEMAS FUZZY PARA PREVISÃO DE DEMANDA DE ENERGIA ELÉTRICA NO CURTÍSSIMO PRAZO
SISTEMS FUZZY PR PREVISÃO DE DEMND DE ENERGI ELÉTRIC NO CURTÍSSIMO PRZO Lucano Carl Morera de ndrade 1, Rogéro ndrade Flauzno 2, Ivan Nunes da Slva 3 1 Escola de Engenhara de São Carlos - USP, São Carlos,
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia mais3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER. Reinaldo Bomfim da Silveira 1 Juliana Maria Duarte Mol 1 RESUMO
ALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER Renaldo Bomfm da Slvera 1 Julana Mara Duarte Mol 1 RESUMO Este trabalho propõe um método para avalar a qualdade das prevsões
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 e 8 06/204 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Nuérco 3/64 INTRODUÇÃO E geral, experentos gera ua gaa de dados que
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia maisUM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS
UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS RAUL FONSECA NETO Departamento de Cênca da Computação UFJF raulfonsecaneto@g.com.br VICTOR S. DE A. MENESES Programa de Pós-Graduação
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRGS Insttuto de Matemátca
Leia maisUm Estudo Comparativo Entre Diferentes Técnicas de Otimização do Treinamento de Neurocontroladores
Proceedngs of the IV Brazlan Conference on Neural Networks - IV Congresso Braslero de Redes Neuras pp. 29-24, July 2-22, 999 - ITA, São José dos Campos - SP - Brazl Um Estudo Comparatvo Entre Dferentes
Leia maisALGORITMOS PARA DADOS AUMENTADOS
ALGORITMOS PARA DADOS AUMNTADOS. INTRODUÇÃO Dos algortmos baseados na consderação de dados latentes. Temos os dados efetvamente observados e de uma manera convenente aumentamos esses dados ntroduzndo os
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia mais3 Aproximador de Função para Simulador de Reservatório Petrolífero
Aproxmador de Função para Smulador de Reservatóro Petrolífero 37 3 Aproxmador de Função para Smulador de Reservatóro Petrolífero 3.1. Introdução O desenvolvmento de um campo petrolífero pode ser entenddo
Leia mais4 ANÁLISE DE CONFIABILIDADE COM ANÁLISE LIMITE
4 ANÁLISE DE CONIABILIDADE COM ANÁLISE LIMITE A avalação da segurança das estruturas geotécncas tem sdo sempre um dos objetvos da Engenhara Geotécnca. A forma convenconal de quantfcar a segurança de uma
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisREDES NEURAIS NEBULOSAS REGULARIZADAS PARA PROBLEMAS DE CLASSIFICAÇÃO PAULO VITOR DE CAMPOS SOUZA 1, ANDRE PAIM LEMOS 1.
REDES NEURAIS NEBULOSAS REGULARIZADAS PARA PROBLEMAS DE CLASSIFICAÇÃO PAULO VITOR DE CAMPOS SOUZA 1, ANDRE PAIM LEMOS 1. 1. Programa de Pós Graduação em Engenhara Elétrca, Unversdade Federal de Mnas Geras
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisIdentificação de curvas de carga diária típicas com uso de Mapa de Kohonen e Fuzzy C-Means
Identfcação de curvas de carga dára típcas com uso de Mapa de Kohonen e Fuzzy C-Means Nelson R. de Albuquerque, Douglas A. A. de Faras Pontfíca Unversdade Católca do Ro de Janero Departamento de Engenhara
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia mais2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS
ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente
Leia mais