Uso de redes neurais na predição da evapotranspiração da Gerbera jamesonii cultivada em ambiente protegido
|
|
- Aníbal Garrau Silva
- 5 Há anos
- Visualizações:
Transcrição
1 Uso de redes neurais na predição da evapotranspiração da Gerbera jamesonii cultivada em ambiente protegido Cristiane Guiselini 1, Paulo C. Sentelhas 2, Heliton Pandorfi 3, Valeria C. Rodrigues 4, Rafael J. Gomes 5 1 Eng o Agrônomo, Prof. Adjunto, Depto. de Tecnologia Rural, Universidade Rural de Pernambuco, UFRPE, Recife PE, Fone: (0xx81) , cguiseli@hotmail.com 2 Eng o Agrônomo, Prof. Adjunto, Depto. de Engenharia de Biossitemas, Escola Superior de Agricultura Luiz de Queiroz, ESALQ/USP, Piracicaba, - SP, Fone: (0xx ) pcsentel@esalq.usp.br. 3 Eng o Agrônomo, Prof. Adjunto, Depto. de Tecnologia Rural, Universidade Rural de Pernambuco, UFRPE, Recife PE, Fone: (0xx81) , pandorfi@dtr.ufrpe.br. 4 Física, Pesquisadora, Depto. de Engenharia de Biossistemas, Escola Superior de Agricultura Luiz de Queiroz, ESALQ/USP, Piracicaba, - SP, Fone: (0xx ) vcrodrig@esalq.usp.br 5 Graduando em Engenharia Agrícola e Ambiental, Depto. de Tecnologia Rural, Universidade Federal Rural de Pernambuco, UFRPE, Recife PE, Fone: (0xx81) , engenheirofael@gmail.com ABSTRACT: Artificial neural networks were applied to optimize the water management and replenishment to Gerbera jamesonii crop in a greenhouse through the crop evapotranspiration prediction. Field data were obtained in experiments conducted in the area of the Biosystems department, ESALQ / USP, Piracicaba, SP. The data were divided into three sets: training, testing, and validation. The architecture was adopted (3, 10, 1). After the selection of input variables (air temperature, o C, relative humidity, %, solar radiation, MJ m -2 day -1 ), all data were normalized. The model used was the backpropagation algorithm (BP), from the generalization of the rule of Widrow-Hoff learning for feedforward perceptron type networks. The predictions showed a positive correlation which resulted simulate the crop evapotranspiration based on the input variables of the new data set, in which there was R = It is concluded that the use of artificial neural networks proposed for predicting evapotranspiration in the production of Gerbera jamesonii grown in greenhouse, was satisfactory and can be contrasted with multiple regression models for its practical feasibility. Palavra chave: Modelagem, manejo de irrigação, floricultura e malha de sombreamento 1- INTRODUÇÃO: Como no ambiente protegido a cobertura impede a reposição natural de água pelas chuvas, a irrigação torna-se indispensável nesse sistema de cultivo. O déficit hídrico acarreta queda de rendimento e qualidade; enquanto que os excessos de água aliados à ocorrência de altas temperaturas podem favorecer a proliferação de patógenos, o que exige especial atenção no manejo de água. Sendo assim, a estimativa da evapotranspiração da cultura (ETc) torna-se indispensável no manejo racional da irrigação. O uso recente dos sistemas inteligentes no meio agrícola, introduzidos pela visão computacional, robótica e sistemas de controle, Expert Systems, sistemas de suporte de decisão, processamento de linguagem natural, dentre outras ferramentas de informação importantes, como as redes neurais artificiais, tem promovido interessantes respostas nos sistemas de produção agrícola (Murase, 2000). O mesmo autor afirma que a aplicabilidade dessas novas técnicas é crescente e o custo de implantação sofre um decréscimo constante,
2 permitindo sua inserção no meio rural. O sucesso das redes neurais está diretamente relacionado com a sua alta versatilidade, pois existem aplicações para as mais diversas áreas, e isto faz delas uma tecnologia bastante promissora para o desenvolvimento de aplicações na agropecuária. Objetivou-se com este trabalho o uso de redes neurais artificiais aplicado à agricultura de precisão, voltado principalmente para a otimização do manejo e reposição de água no solo por meio da predição da evapotranspiração, na produção da Gerbera jamesonii cultivada em ambiente protegido. 2 - MATERIAL E MÉTODOS A fim de se estimar a evapotranspiração da Gérbera (ETce) por meio de Redes Neurais (RNA), registros contínuos de dados meteorológicos foram obtidos ao longo de experimentos em ambientes protegidos conduzidos no Departamento de Biossistemas, da ESALQ/USP, Piracicaba, SP. A ETc real (ETcr) foi determinada pelo método gravimétrico, utilizando-se sempre as mesmas amostras (vasos), após escolha aleatória. Cada amostra foi pesada em balança digital com precisão 0,1 g. Os dados registrados no cultivo protegido da Gérbera utilizados na predição da ETce por meio das RNAs, compreendeu o primeiro ciclo da cultura, período de 12/03/2004 a 30/04/2004, e o segundo ciclo da cultura, período de 01/09/2004 a 27/10/2004. Foram obtidos dados meteorológicos diários da temperatura ( o C) e umidade relativa do ar (%), radiação solar (MJ m -2 dia -1 ) - variáveis de entrada - acrescidas da evapotranspiração (mm dia -1 ) - variável de saída - determinada pelo método gravimétrico. As matrizes de informações foram constituídas de 20 pares entradas-saídas para treino, validação e teste. Após a seleção das variáveis, todos os dados foram normalizados conforme (Kumar et al, 2002) entre [0, 1], para dimensionar as variáveis em mesma ordem de grandeza para o processo de treinamento da rede. O modelo utilizado neste trabalho, para desenvolvimento da RNA, foi o algoritmo backpropagation (BP), criado por Rumelhart, Hinton & Williams em 1986 (Haykin, 2001) a partir da generalização da regra de aprendizado Widrow-Hoff, introduzida por Bernard Widrow & Marcian Hoff em para redes do tipo feedfoward perceptron. Estes algoritmos e sistemas foram implementados em ambiente Matlab. O processo de aprendizagem foi dividido em 3 etapas, para as quais se reservou uma parcela distinta dos dados de entrada: i) treinamento os pesos sinápticos foram modificados e a rede absorveu os novos conhecimentos; ii) teste testou-se a rede recém modificada verificando-se seu desempenho; e iii) validação a rede gerou resultados para entradas inéditas. Os pesos sinápticos foram aleatoriamente iniciados, enquanto a ativação dos neurônios obedeceu à função tangente sigmoidal. Para avaliar os resultados foi utilizado, concomitantemente, o erro padrão de estimativa (EPE) e o erro relativo médio (ERM), calculados exclusivamente sobre a parcela de validação, que correspondem aos dados ainda inéditos às redes. A regra de aprendizado Widrow-Hoff também conhecida como Regra Delta - LMS (minimização do erro médio quadrático) que ajusta os pesos das conexões entre os neurônios da rede de acordo com o erro teve como objetivo encontrar um conjunto de pesos específicos que minimizaram a função erro. A principal restrição na minimização do erro no sentido do gradiente descendente é que a função de transferência do neurônio tem que ser monotônica e diferenciável em qualquer ponto. O algoritmo BP refere-se a uma regra de aprendizagem que consiste no ajuste dos pesos e polarizações da rede, por meio da retropropagação do erro encontrado na saída. A 2
3 topologia da arquitetura da rede utilizada foi formada por uma camada de entrada, uma escondida (intermediária) de neurônios não-lineares e uma camada de saída de neurônios com função de ativação tangente sigmoidal logística parametrizada. Devido à grande difusão da arquitetura da rede a que esta regra de aprendizagem se aplica, é comum referir-se a ela com o nome da própria regra de aprendizagem, rede BP. O gerenciamento das RNAs foi feito pelo Neural Network Toolbox do Matlab 7.5, que é um ambiente de desenvolvimento bastante difundido tanto no contexto acadêmico, quanto no âmbito comercial. Por meio da utilização da RNA, deu-se um tratamento físico, estatístico e matemático às variáveis estudadas. Portanto, considerou-se que, por essas características, a metodologia proposta consistiu em uma ferramenta valiosa para ser usada no manejo racional de irrigação em cultivo protegido. 3 RESULTADOS E DISCUSSÃO A topologia da arquitetura da rede foi formada por uma camada de entrada, uma escondida (oculta) de neurônios não-lineares e uma camada de saída de neurônios com função aditiva e de ativação tangente sigmoidal. Estas camadas foram utilizadas na aproximação das variáveis temperatura do ar, umidade relativa, radiação solar e evapotranspiração, cuja matriz de entrada foi de 20 x 3 (20 observações com 3 variáveis) e a matriz de saída é 20 x 1. Segundo critério heurístico escolheu-se a seguinte topologia: 3 neurônios para a camada de entrada, 10 neurônios para a camada escondida e 1 para saída. Um dos problemas enfrentados no treinamento de redes neurais tipo Multi Layer Perceptron (MLP) com treinamento backpropagation (BP) diz respeito à definição de seus parâmetros. A Tabela 1 descreve os parâmetros de treinamento adotados para o BP. Tabela 1 - Parâmetros de treinamento utilizados para o algoritmo backpropagation Parâmetros Valor Taxa de aprendizagem 0,1 Erro 0,005 Neurônio na camada oculta 10 Função aditiva na camada oculta Tangente sigmoidal Função de transferência na camada de saída Tangente sigmoidal O parâmetro taxa de aprendizagem tem grande influência durante o processo de treinamento da rede neural. Geralmente seu valor varia de 0,1 a 1,0. No entanto, para efeito de treinamento da rede em questão, adotou-se o valor pré-fixado de 0,1, haja visto que valores superiores a este não permitiram convergência do processo na superfície do erro médio quadrático. Com relação ao número de neurônios na camada escondida, estes foram definidos empiricamente. Após inúmeras tentativas, encontrou-se um valor de 10 neurônios, o que permitiu extrair as características gerais do conjunto de dados para uma boa generalização, encontrando uma representação ótima da saída, depois de seu treinamento. O critério adotado para o término do treinamento foi definido por uma combinação de métodos, pelo erro e pelo número de ciclos de reapresentação dos dados a rede, encerrando-se o treinamento quando um dos critérios foi atendido. Desta forma, o treinamento foi encerrado quando houve convergência para o valor de 0,005 quanto ao erro quadrático médio; após inúmeros ajustes em função do resultado, atingindo boa generalização a 3 épocas, isto é, o número de vezes em que o conjunto de treinamento foi apresentado à rede. Dessa forma, o conjunto de treinamento foi apresentado à rede neural para que o algoritmo BP 3
4 atuasse em que se realizaram várias interações de atualização dos pesos até atingir o valor de erro (0,005). As previsões na fase de treinamento giram em torno de um valor médio capaz de simular os picos dos eventos. O modelo de previsão, portanto, consegue explicar a variação da evapotranspiração da cultura (Figura 1). Como considerações gerais extraídas dos resultados do treinamento verifica-se que as aproximações dos valores estimados pela rede apresentaram ótima caracterização dos dados reais, registrados in loco no decorrer do período experimental, apresentando coeficiente de correlação R=0,9469 (Figura 1a). a) b) c) d) Figura 1 - Correlação entre a variação da ETc na fase de treinamento (a), teste (b), validação (c), e sua variação para todos os dados (d). Em relação aos valores preditos e medidos na fase de teste da rede, a Figura 1b descreve o perfil de variação dos dados, verificando-se que os ruídos se encontram em uma faixa aceitável, dado o coeficiente de correlação R=0,7099. Resultado semelhante foi apresentado por Kumar et al. (2002) para predição da evapotranspiração de referência a campo, utilizando uma arquitetura de rede (6, 7, 1) e algoritimo de aprendizagem backpropagation. Nota-se na Figura 1c que os pares de entradas e saídas possibilitaram evolução do aprendizado por meio da comparação entre a saída desejada e a real na fase de validação da rede. As predições conseguiram simular a evapotranspiração de cultura com base nas variáveis de entrada do novo conjunto de dados, em que se observa R=0,9682. A variação da evapotranspiração de cultura medidos e estimados mostrou valores semelhantes, apresentando generalização satisfatória dos dados estimados pela rede na fase de validação, verificando-se alguns pontos isolados o mesmo perfil de variação observado para a variável, em que denota uma pequena tendência a subestimar valores baixos (Figura 1d). Tais resultados mostram que o uso de RNAs permitiu o reconhecimento dos padrões de evapotranspiração em ambiente protegido. O problema de aproximação proposta neste trabalho serviu para demonstrar a viabilidade de utilização de RNAs para a predição da evapotranspiração da cultura da Gérbera em ambiente protegido com base nas variáveis, 4
5 temperatura do ar, umidade relativa e radiação solar global, como representação da influência desses elementos meteorológicos na evapotranspiração de cultura da gérbera. 4 CONCLUSÕES No presente estudo pode-se concluir que o uso de redes neurais artificiais para predição da evapotranspiração, na produção da Gerbera jamesonii cultivada em ambiente protegido foi satisfatório e pode ser contrastado com modelos de regressão múltiplas para sua viabilidade prática. 5 REFERÊNCIAS BIBLIOGRÁFICAS HAYKIN, S. Redes neurais: princípios e práticas. 2.ed. Porto Alegre: Bookman, p. KUMAR, M., RAGHUWANSHI, N.S., SINGH, R., WALLENDER, W. W., PRUITT, W.O. Estimating Evapotranspiration using Artificial Neural Network. Journal of Irrigation and Drainage Engineering, v.128, n.4, p , MURASE, H. Editorial: Artificial intelligence in agriculture. Computers and Eletronics in Agriculture, London, v.29, p.1-2,
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
Leia maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia maisPREVISÃO DA EVAPOTRANSPIRAÇÃO DE REFERÊNCIA UTILIZANDO REDES NEURAIS 1
PREVISÃO DA EVAPOTRANSPIRAÇÃO DE REFERÊNCIA UTILIZANDO REDES NEURAIS 1 Anderson Francisco da Silva 2, Luiz Cláudio Costa 3, Gilberto Sediyama 4 RESUMO O objetivo deste trabalho é analisar o potencial uso
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisCOMPARAÇÃO DOS MÉTODOS DE ESTIMATIVA DE ETc PARA O FEIJÃO- COMUM EM UNAÍ - MG
COMPARAÇÃO DOS MÉTODOS DE ESTIMATIVA DE ETc PARA O FEIJÃO- COMUM EM UNAÍ - MG D. L. SANTOS 1 ; F. C. BASTOS 1 ; I. S. SANTOS 1 ; E. C. MANTOVANI 2 ¹Estudante de Mestrado, Universidade Federal de Viçosa;
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisRedes Neurais Artificiais. Professor: Juan Moises Villanueva
Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Rede Neural Direta Arquitetura com múltiplas camadas com fluxo de informação apenas em
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
Leia maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisPredição de propriedades termodinâmicas de equilíbrio líquido-vapor com uso de redes neurais
https://eventos.utfpr.edu.br//sicite/sicite2017/index Predição de propriedades termodinâmicas de equilíbrio líquido-vapor com uso de redes neurais RESUMO Lucas Rodrigues da Silva lucsil@alunos.utfpr.edu.br
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisMÉTODOS DE ESTIMATIVA DA EVAPOTRANSPIRAÇÃO DE REFERÊNCIA DIÁRIA PARA A REGIÃO DO ALTO VALE DO ITAJAÍ, SC
MÉTODOS DE ESTIMATIVA DA EVAPOTRANSPIRAÇÃO DE REFERÊNCIA DIÁRIA PARA A REGIÃO DO ALTO VALE DO ITAJAÍ, SC Jeferson IELER 1 ; Leonardo de Oliveira NEVES 2 ; Brendon Maximo Clei dos SANTOS 1 ; Mirielle Aline
Leia maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
Leia maisESTIMATIVA DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA UTILIZANDO REDES NEURAIS ARTIFICIAIS PARA O ESTADO DO RIO GRANDE DO SUL
ESTIMATIVA DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA UTILIZANDO REDES NEURAIS ARTIFICIAIS PARA O ESTADO DO RIO GRANDE DO SUL ESTIMATING EVAPOTRANSPIRATION USING ARTIFICIAL NEURAL NETWORKS FOR THE STATE OF RIO
Leia maisTeste de Uma Nova Estratégia de Programação de Irrigação na Cultura Milho
Teste de Uma Nova Estratégia de Programação de Irrigação na Cultura Milho Previous Top Next MORETHSON RESENDE 1 1Embrapa milho e Sorgo. Rodovia 424, km 45 cx. postal 151 CEP 35701 Sete Lagoas, MG. Email:
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisSELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisPrimeiras 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
Leia maisPROGNÓSTICO DO POTENCIAL DE PRODUTIVIDADE DA SOJA PARA IRAÍ RS VIA REDES NEURAIS ARTIFICIAIS
PROGNÓSTICO DO POTENCIAL DE PRODUTIVIDADE DA SOJA PARA IRAÍ RS VIA REDES NEURAIS ARTIFICIAIS F. C. CONDE 1,2, D.B. FERREIRA 1,3, A. M. RAMOS 1,2, L. A. SANTOS 1 1 Instituto de Nacional de Meteorologia
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS INTRODUÇÃO Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 REDES NEURAIS ARTIFICIAIS - RNAs Inspiradas no cérebro humano São modelos computacionais inspirados nos mecanismos
Leia maisXII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
Leia maisA UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE RADIAÇÃO SOLAR GLOBAL
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2017 Hangar Convenções e Feiras da Amazônia - Belém - PA 8 a 11 de agosto de 2017 A UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO
Leia maisAplicação de Redes Neuronais Artificiais no Comportamento da Precipitação em Portugal Continental.
2º ENCONTRO DE PÓS-GRADUAÇÃO EM INVESTIGAÇÃO E ENSINO DAS CIÊNCIAS FÍSICAS E DA TERRA DA UNIVERSIDADE DE ÉVORA Aplicação de Redes Neuronais Artificiais no Comportamento da Precipitação em Portugal Continental.
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisRedes Neurais. Prof. Aurora Pozo. Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco
Redes Neurais Prof. Aurora Pozo Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Aplicações em Telecomunicações Prof. João Marcos Meirelles da Silva, D.Sc. Professor Adjunto II do Departamento de Engenharia de Telecomunicações Universidade Federal Fluminense
Leia maisPredição genômica de caracteres quantitativos por meio de Redes Neurais Artificias
Universidade Federal de Viçosa Predição genômica de caracteres quantitativos por meio de Redes Neurais Artificias Isabela de Castro Sant Anna Supervisor: Moysés Nascimento Laboratório de Inteligência Computacional
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Introdução Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia Universidade
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisRedes Neurais aplicadas na predição de valores genéticos
Redes Neurais aplicadas na predição de valores genéticos Gabi Nunes Silva 1 Isabela de Castro Sant'Anna 2 Rafael Simões Tomaz 3 Cosme Damião Cruz 2 1 Introdução Nos programas de melhoramento genético,
Leia maisINVESTIGAÇÃO DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DA CINÉTICA DE SECAGEM DOS FRUTOS
INVESTIGAÇÃO DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DA CINÉTICA DE SECAGEM DOS FRUTOS DE AROEIRA-VERMELHA (Schinus terebinthifolius Raddi) B. G. SILVA 1 e A. M. F. FILETI 1 1 Universidade
Leia maisRedes Neurais Artificial
Redes Neurais Artificial Tópicos: Introdução ao estudo de RNA sua origem e inspiração biológica Características gerais das RN e descrição do neurônio artificial Aprendizado de RN e tipos de Aprendizado
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Multi-layer Perceptrons e Backpropagation Marcílio Souto DIMAp/UFRN Redes de várias camadas MLP - Multi-Layer Perceptron (Adaline?!) Backpropagation network Superar as limitações
Leia maisRedes neurais artificiais
Redes neurais artificiais Conceitos em redes neuronais Redes neuronais artificiais (RNA): uma metáfora cerebral para processamento de informações Computação neuronal Muitos usos de RNA para Reconhecimento
Leia maisESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia maisAJUSTE DA LÂMINA DE IRRIGAÇÃO NA PRODUTIVIDADE DA CULTURA DO FEIJÃO
AJUSTE DA LÂMINA DE IRRIGAÇÃO NA PRODUTIVIDADE DA CULTURA DO FEIJÃO KARINA ROSALEN 1,2*, VANDERLÉIA FORTUNA 1,2, PATRICIA MARA DE ALMEIDA 1,2, LEONARDO PANDOLFI 1, HUGO VON LINSINGEN PIAZZETTA 1,2 1 Universidade
Leia maisParte 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.
Leia mais4 Redes Neurais Artificiais RNAs
66 4 Redes Neurais Artificiais RNAs Redes neurais artificial (RNA) são algoritmos que se baseiam no comportamento do cérebro humano. Dessa forma, imita a estrutura massivamente paralela do cérebro, com
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.2. Perceptron 2.2.1. Introdução 2.2.2. Funcionamento do perceptron
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisMÉTODO DE HARGREAVES- SAMANI A PARTIR DA ESTIMATIVA DA TEMPERATURA DO AR E A PARTIR DE NORMAIS CLIMATOLÓGICAS
MÉTODO DE HARGREAVES- SAMANI A PARTIR DA ESTIMATIVA DA TEMPERATURA DO AR E A PARTIR DE NORMAIS CLIMATOLÓGICAS Juliana da Silva Rodrigues¹; André Luiz Ribas de Oliveira²; Sandra Regina Pires de Moraes²;
Leia maisESTUDO DE ALGORITMO MLP COMO APROXIMADOR DE FUNÇÃO
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2016 Rafain Palace Hotel & Convention Center- Foz do Iguaçu - PR 29 de agosto a 1 de setembro de 2016 ESTUDO DE ALGORITMO MLP COMO APROXIMADOR
Leia maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisRegra 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
Leia maisEldair F. Dornelles 2, Osmar Bruneslau Scremin 3, Ana Paula Brezolin 4, Ari Higino Scremin 5, Rafael Z. Frantz 6, José Antonio Gonzalez Da Silva 7.
MODELAGEM MATEMÁTICA POR REDE NEURAL ARTIFICIAL NA PROPOSTA DE SIMULAÇÃO DA PRODUTIVIDADE DE GRÃOS DE AVEIA NO SISTEMA DE SUCESSÃO MILHO/AVEIA EM CONDIÇÕES REAIS DE CULTIVO 1 Eldair F. Dornelles 2, Osmar
Leia maisFundamentos 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
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisPRODUÇÃO INDUSTRIAL DE SUÍNOS E O USO DE REDES NEURAIS ARTIFICIAIS PARA PREDIÇÃO DE ÍNDICES ZOOTÉCNICOS NA FASE DE GESTAÇÃO E MATERNIDADE RESUMO
PRODUÇÃO INDUSTRIAL DE SUÍNOS E O USO DE REDES NEURAIS ARTIFICIAIS PARA PREDIÇÃO DE ÍNDICES ZOOTÉCNICOS NA FASE DE GESTAÇÃO E MATERNIDADE RESUMO HÉLITON PANDORFI 1 IRAN JOSÉ OLIVEIRA DA SILVA 2 JEFFERSON
Leia maisAPLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA Daniel Neves Schmitz Gonçalves Luiz Antonio Silveira Lopes Marcelino Aurelio Vieira da Silva APLICAÇÃO DE REDES NEURAIS
Leia maisSIMULAÇÃO DA PRODUTIVIDADE, EM UM MODELO APLICADO AO PLANEJAMENTO DE PROJETOS DE IRRIGAÇÃO PARA A CULTURA DO CAFEEIRO 1
SIMULAÇÃO DA PRODUTIVIDADE, EM UM MODELO APLICADO AO PLANEJAMENTO DE PROJETOS DE IRRIGAÇÃO PARA A CULTURA DO CAFEEIRO 1 Jorge Luiz Moretti de Souza 2, José Antônio Frizzone 3 RESUMO: As funções de produção
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisUso de redes neurais artificiais para predição de índices zootécnicos nas fases de gestação e maternidade na suinocultura
Revista Brasileira de Zootecnia 2011 Sociedade Brasileira de Zootecnia ISSN 1806-9290 www.sbz.org.br Uso de redes neurais artificiais para predição de índices zootécnicos nas fases de gestação e maternidade
Leia maisDESEMPENHO COMPARATIVO DE MODELOS DE ESTIMATIVA DA ETo MENSAL PARA A CIDADE DE JUAZEIRO DE NORTE-CE
DESEMPENHO COMPARATIVO DE MODELOS DE ESTIMATIVA DA ETo MENSAL PARA A CIDADE DE JUAZEIRO DE NORTE-CE M. M. Pereira 1 ; J. L. Fernandes 2 ; J. B. Oliveira 3 ; M. H. Almeida 4 ; A. L. M. Sousa 5 ; A. A. Batista
Leia mais3 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
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
Leia maisPREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON L. O. M. DA SILVA 1, D. L. C. DA SILVA 1, L. A. VANDERLEI 1, M. C. O.
Leia maisVARIAÇÃO NO ARMAZENAMENTO DE ÁGUA NO SOLO DURANTE O CICLO DE DESENVOLVIMENTO DO FEIJOEIRO
VARIAÇÃO NO ARMAZENAMENTO DE ÁGUA NO SOLO DURANTE O CICLO DE DESENVOLVIMENTO DO FEIJOEIRO Z. B. de Oliveira 1 ; R. Carlesso 2 ; J. C. Gatto 3 ; N. P. Aires 3 ; V. Dubou 3 ; J. R. Henckes 3 RESUMO: Este
Leia mais3 REDES NEURAIS ARTIFICIAIS
47 3 REDES NEURAIS ARTIFICIAIS Neste capítulo será apresentado um breve histórico das redes neurais artificiais de modo a situar o leitor, descrevendo-se suas aplicações, teorias e finalmente detalhando-se
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisRede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó
Rede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó Camilo A. S. de Farias Celso A. G. Santos Alcigeimes B. Celeste Estrutura da Apresentação Motivação
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
Leia maisMODELOS DE ESTIMATIVA DE RENDIMENTO DE SOJA E DE MILHO NO ESTADO DO RIO GRANDE DO SUL RESUMO
MODELOS DE ESTIMATIVA DE RENDIMENTO DE SOJA E DE MILHO NO ESTADO DO RIO GRANDE DO SUL Denise Cybis FONTANA 1, Moacir Antonio BERLATO 1, Mariel Josué BIZARRO 2, Marcio Henrique LAUSCHNER 3 RESUMO Este trabalho
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Leia maisUTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE PREÇOS DE FRUTAS E HORTALIÇAS
UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE PREÇOS DE FRUTAS E HORTALIÇAS 1 Leandro Oliveira Araujo; 1 Heder Saito Nunes; 1 Alex Vinicius de Bastos Rangel; 1 Thiago Santiago Barbosa; 1 Aluno
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisRESUMO 1. INTRODUÇÃO 2. OBJETIVOS
II Congresso Brasileiro de Plantas Oleagisas, Óleos, Gorduras e Biodiesel PROBABILIDADE DA PRECIPITAÇÃO SUPRIR A EVAPOTRANSPIRAÇÃO DA CULTURA DA SOJA PARA SIMULAÇÕES DE SEMEADURAS EM DECÊNDIOS NA REGIÃO
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisModelo de Redes Neurais Artificiais para Inferência da Qualidade de um Processo Polimérico
Julia Lima Fleck Modelo de Redes Neurais Artificiais para Inferência da Qualidade de um Processo Polimérico Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do título
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia mais