Neste trabalho, redes neurais dinÃmicas sÃo avaliadas como modelos nÃo-lineares eficientes para prediÃÃo de sÃries temporais complexas. Entre as arquiteturas avaliadas estÃo as redes FTDNN, Elman e NARX. A capacidade preditiva destas redes sÃo testadas em tarefas de prediÃÃo de um-passo-adiante e mÃltiplos-passos-adiante. Para este fim, sÃo usadas as seguintes sÃries temporais: sÃrie laser caÃtico, sÃrie caÃtica Mackey-Glass, alÃm de sÃries de trÃfego de rede de computadores com caracterÃsticas auto-similares. O uso da rede NARX em prediÃÃo de sÃries temporais à uma contribuiÃÃo desta dissertaÃÃo. Esta rede possui uma arquitetura neural recorrente usada originalmente para identificaÃÃo entrada-saÃda de sistemas nÃo-lineares. A entrada da rede NARX à formada por duas janelas deslizantes (sliding time window), uma que desliza sobre o sinal de entrada e outra que desliza sobre sinal de saÃda. Quando aplicada para prediÃÃo caÃtica de sÃries temporais, a rede NARX à projetada geralmente como um modelo autoregressivo nÃolinear (NAR), eliminando a janela de atraso da saÃda. Neste trabalho, à proposta uma estratÃgia simples, porÃm eficiente, para permitir que a rede NARX explore inteiramente as janelas de tempo da entrada e da saÃda, a fim de melhorar sua capacidade preditiva. Os resultados obtidos mostram que a abordagem proposta tem desempenho superior ao desempenho apresentado por preditores baseados nas redes FTDNN e Elman.

Made available in DSpace on 2014-12-17T14:56:16Z (GMT). No. of bitstreams: 1 AmandaDOSD_DISSERT.pdf: 3108692 bytes, checksum: 6c24c65f349d3aca5d9122aa78c3b00c (MD5) Previous issue date: 2013-07-26 / A modelagem de processos industriais tem auxiliado na produ??o e minimiza??o de custos, permitindo a previs?o dos comportamentos futuros do sistema, supervis?o de processos e projeto de controladores. Ao observar os benef?cios proporcionados pela modelagem, objetiva-se primeiramente, nesta disserta??o, apresentar uma metodologia de identifica??o de modelos n?o-lineares com estrutura NARX, a partir da implementa??o de algoritmos combinados de detec??o de estrutura e estima??o de par?metros. Inicialmente, ser? ressaltada a import?ncia da identifica??o de sistemas na otimiza??o de processos industriais, especificamente a escolha do modelo para representar adequadamente as din?micas do sistema. Em seguida, ser? apresentada uma breve revis?o das etapas que comp?em a identifica??o de sistemas. Na sequ?ncia, ser?o apresentados os m?todos fundamentais para detec??o de estrutura (Modificado Gram- Schmidt) e estima??o de par?metros (M?todo dos M?nimos Quadrados e M?todo dos M?nimos Quadrados Estendido) de modelos. No trabalho ser? tamb?m realizada, atrav?s dos algoritmos implementados, a identifica??o de dois processos industriais distintos representados por uma planta de n?vel did?tica, que possibilita o controle de n?vel e vaz?o, e uma planta de processamento prim?rio de petr?leo simulada, que tem como objetivo representar um tratamento prim?rio do petr?leo que ocorre em plataformas petrol?feras. A disserta??o ? finalizada com uma avalia??o dos desempenhos dos modelos obtidos, quando comparados com o sistema. A partir desta avalia??o, ser? poss?vel observar se os modelos identificados s?o capazes de representar as caracter?sticas est?ticas e din?micas dos sistemas apresentados nesta disserta??o