Spelling suggestions: "subject:"computadores neurais."" "subject:"computadores1 neurais.""
1 |
Implementação de um controlador preditivo baseado em um modelo neural associado a um sistema especialistaMazzucco, Marcos Marcelino January 1997 (has links)
Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnologico / Made available in DSpace on 2016-01-08T22:24:27Z (GMT). No. of bitstreams: 1
107983.pdf: 22604629 bytes, checksum: 054812a73d5725c2de040bcc2b66fefe (MD5)
Previous issue date: 1997 / A evolução dos equipamentos das indústrias químicas e as restrições impostas pelos órgãos ambientais têm produzido processos industriais altamente complexos. A modelagem matemática de tais processos, baseada nos princípios de conservação, tem se tornado bastante complicada, obtendo-se, na maioria das vezes, um sistema de equações diferenciais parciais não lineares. Recentemente, técnicas de modelagem matemática não fenomenológicas, como redes neurais artificiais, tem sido adotadas. Neste trabalho, foi implementado um controlador preditivo, cuja ação é calculada através da minimização de um critério de desempenho quadrático e o modelo interno de predição é representado por uma rede neural. A utilização de um sistema especialista, onde dois conjuntos de pesos determinam etapas do processo permite acompanhar as principais alterações dinâmicas do sistema. Para testar experimentalmente o controlador proposto, duas operações bastante comuns na engenharia química foram utilizadas, os controles de nível de um tanque e de temperatura de um trocador de calor. No controle de nível foi utilizado um tanque cônico em que há uma grande variação da constante de tempo do sistema em função do nível no interior do tanque. No caso do trocador de calor, em função do sistema de aquecimento disponível, tem-se dinâmicas bastante diferentes nas etapas de aquecimento e resfriamento. Os resultados obtidos mostraram que o desempenho do controlador com sistema especialista foi superior ao mesmo controlador sem sistema especialista e bem melhor que o controlador clássico PI, tanto para mudanças no set point como para perturbações carga.
|
2 |
Understanding the critical distance in sparse distributed memoryBrogliato, Marcelo Salhab 02 February 2012 (has links)
Submitted by Marcelo Salhab Brogliato (msbrogli@gmail.com) on 2015-01-05T20:39:25Z
No. of bitstreams: 1
!FullThesis-v6 -biblioteca-digital.pdf: 64255589 bytes, checksum: 0ca16d02e6d615b8fc4c6f4f46db2c22 (MD5) / Approved for entry into archive by ÁUREA CORRÊA DA FONSECA CORRÊA DA FONSECA (aurea.fonseca@fgv.br) on 2015-01-06T12:52:32Z (GMT) No. of bitstreams: 1
!FullThesis-v6 -biblioteca-digital.pdf: 64255589 bytes, checksum: 0ca16d02e6d615b8fc4c6f4f46db2c22 (MD5) / Approved for entry into archive by Marcia Bacha (marcia.bacha@fgv.br) on 2015-01-12T12:15:58Z (GMT) No. of bitstreams: 1
!FullThesis-v6 -biblioteca-digital.pdf: 64255589 bytes, checksum: 0ca16d02e6d615b8fc4c6f4f46db2c22 (MD5) / Made available in DSpace on 2015-01-12T12:16:51Z (GMT). No. of bitstreams: 1
!FullThesis-v6 -biblioteca-digital.pdf: 64255589 bytes, checksum: 0ca16d02e6d615b8fc4c6f4f46db2c22 (MD5)
Previous issue date: 2012-02-02 / Modelos de tomada de decisão necessitam refletir os aspectos da psi- cologia humana. Com este objetivo, este trabalho é baseado na Sparse Distributed Memory (SDM), um modelo psicologicamente e neuro- cientificamente plausível da memória humana, publicado por Pentti Kanerva, em 1988. O modelo de Kanerva possui um ponto crítico: um item de memória aquém deste ponto é rapidamente encontrado, e items além do ponto crítico não o são. Kanerva calculou este ponto para um caso especial com um seleto conjunto de parâmetros (fixos). Neste trabalho estendemos o conhecimento deste ponto crítico, através de simulações computacionais, e analisamos o comportamento desta 'Critical Distance' sob diferentes cenários: em diferentes dimensões; em diferentes números de items armazenados na memória; e em diferentes números de armazenamento do item. Também é derivada uma função que, quando minimizada, determina o valor da 'Critical Distance' de acordo com o estado da memória. Um objetivo secundário do trabalho é apresentar a SDM de forma simples e intuitiva para que pesquisadores de outras áreas possam imaginar como ela pode ajudá-los a entender e a resolver seus problemas. / Models of decision-making need to reflect human psychology. Towards this end, this work is based on Sparse Distributed Memory (SDM), a psychologically and neuroscientifically plausible model of human memory, published by Pentti Kanerva in 1988. Kanerva‘s model of memory holds a critical point: prior to this point, a previously stored item can be easily retrieved; but beyond this point an item cannot be retrieved. Kanerva has methodically calculated this point for a particu- lar set of (fixed) parameters. Here we extend this knowledge, through computational simulations, in which we analyzed this critical point behavior under several scenarios: in several dimensions, in number of stored items in memory, and in number of times the item has been rehearsed. We also derive a function that, when minimized, determines the value of critical distance according to the state of the memory. A secondary goal is to present the SDM in a simple and intuitive way in order that researchers of other areas can think how SDM can help them to understand and solve their problems.
|
3 |
Optical character recognition using deep learning /Santos, Claudio Filipi Gonçalves dos. January 2018 (has links)
Orientador: Fabricio Aparecido Breve / Banca: João Paulo Papa / Banca: Ricardo Cerri / Resumo: Detectores óticos de caracteres, ou Optical Character Recognition (OCR) é o nome dado à técnologia de traduzir dados de imagens em arquivo de texto. O objetivo desse projeto é usar aprendizagem profunda, também conhecido por aprendizado hierárquico ou Deep Learning para o desenvolvimento de uma aplicação com a habilidade de detectar áreas candidatas, segmentar esses espaços dan imagem e gerar o texto contido na figura. Desde 2006, Deep Learning emergiu como uma nova área em aprendizagem de máquina. Em tempos recentes, as técnicas desenvolvidas em pesquisas com Deep Learning têm influenciado e expandido escopo, incluindo aspectos chaves nas área de inteligência artificial e aprendizagem de máquina. Um profundo estudo foi conduzido com a intenção de desenvolver um sistema OCR usando apenas arquiteturas de Deep Learning.A evolução dessas técnicas, alguns trabalhos passados e como esses trabalhos influenciaram o desenvolvimento dessa estrutura são explicados nesse texto. Essa tese demonstra com resultados como um classificador de caracteres foi desenvolvido. Em seguida é explicado como uma rede neural pode ser desenvolvida para ser usada como um detector de objetos e como ele pode ser transformado em um detector de texto. Logo após é demonstrado como duas técnicas diferentes de Deep Learning podem ser combinadas e usadas na tarefa de transformar segmentos de imagens em uma sequência de caracteres. Finalmente é demonstrado como o detector de texto e o sistema transformador de... / Abstract: Optical Character Recognition (OCR) is the name given to the technology used to translate image data into a text file. The objective of this project is to use Deep Learning techniques to develop a software with the ability to segment images, detecting candidate characters and generating textthatisinthepicture. Since2006,DeepLearningorhierarchicallearning, emerged as a new machine learning area. Over recent years, the techniques developed from deep learning research have influenced and expanded scope, including key aspects of artificial intelligence and machine learning. A thorough study was carried out in order to develop an OCR system using only Deep Learning architectures. It is explained the evolution of these techniques, some past works and how they influenced thisframework'sdevelopment. Inthisthesisitisdemonstratedwithresults how a single character classifier was developed. Then it is explained how a neural network can be developed to be an object detector and how to transform this object detector into a text detector. After that it shows how a set of two Deep Learning techniques can be combined and used in the taskoftransformingacroppedregionofanimageinastringofcharacters. Finally, it demonstrates how the text detector and the Image-to-Text systemswerecombinedinordertodevelopafullend-to-endOCRsystemthat detects the regions of a given image containing text and what is written in this region. It shows the idea of using only Deep Learning structures can outperform other ... / Mestre
|
Page generated in 0.065 seconds