Orientadores: Marcio Luiz de Andrade Netto, Jose Roberto Securato , Alessandra de Avila Montini / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-09T14:31:10Z (GMT). No. of bitstreams: 1 Freitas_AntonioAirtonCarneirode_D.pdf: 2395437 bytes, checksum: 02e1418421c18b7b627cbfe5f41ed90a (MD5) Previous issue date: 2007 / Resumo: A inferência sobre a previsibilidade de sistemas dinâmicos não lineares multivariados tem sido freqüentemente realizada a partir de testes que podem induzir à conclusões equivocadas. Isto porque em muitas pesquisas realizadas os testes utilizados são o de autocorrelação, o da razão de variância e do espectro, que só verificam a existência ou não da correlação serial de componentes lineares. Neste trabalho, também são utilizados testes para avaliar a correlação serial de componentes não lineares. Busca-se provar empiricamente se as classes de modelos ARMA-GARCH e neurais, bem como a combinação deles, tem qualidade de previsão superior ao modelo diferença Martingale em previsões na média condicional dos retornos da taxa de câmbio brasileira e da umidade em microclima. Um método de seleção de variáveis é proposto para melhorar os resultados obtidos com modelos de previsão multivariados não baseados em teoria. As não linearidades negligenciadas durante o ajuste dos modelos neurais são avaliadas por meio do teste de Blake and Kapetanios (2003). O teste de White (2000) é utilizado para comparar os modelos de previsão propostos em conjunto com o modelo benchmark. Foi constatado empiricamente que os dois processos analisados não são do tipo diferença Martingale / Abstract: The inference on predictability of nonlinear multivariate systems has been done with some possible misleading conclusions when the test statistics are insignificant because autocorrelation, variance ratio and spectrum tests check only serial uncorrelatedness (linear components). This work empirically explores the non linear components and if the ARMA-GARCH, neural network models, as well as their combination, outperform a Martingale model in the conditional mean out-of-sample forecasts. It is proposed a variable selection method to improve the results obtained with multivariate models without a priori knowledge. The neglected nonlinearities and data snooping bias were avoided applying respectively the Blake and Kapetanios (2003) and the White (2000) reality check tests. The empirical results indicate that the Brazilian exchange rates and the microclimate humidity are not Martingale differences / Doutorado / Engenharia de Computação / Doutor em Engenharia Elétrica

Orientadores: Fernando Antonio Campos Gomide, Rosangela Ballini / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-12T14:32:10Z (GMT). No. of bitstreams: 1 Lima_EltonMariode_M.pdf: 1259231 bytes, checksum: 7a910e84bfb43d6c13b2deb8b6f511c2 (MD5) Previous issue date: 2008 / Resumo: Este trabalho propõe um modelo fuzzy funcional evolutivo que utiliza uma aplicação do aprendizado participativo para a construção de uma base de regras. O aprendizado participativo é um modelo de aprendizado baseado na noção de compatibilidade para a atualização do conhecimento do sistema. O aprendizado participativo pode ser traduzido em um algoritmo de agrupamento não supervisionado conhecido como agrupamento participativo. O algoritmo intitulado Aprendizado Participativo Evolutivo é proposto para construir um modelo fuzzy funcional evolutivo no qual as regras são obtidas a partir de um algoritmo de agrupamento não supervisionado. O algoritmo utiliza uma versão do agrupamento participativo para a determinação de uma base de regras correspondente ao modelo funcional do tipo Takagi-Sugeno evolutivo. A partir de uma noção generalizada, o modelo proposto é aplicado em problemas de previsão de séries temporais e os resultados são obtidos para a conhecida série Box-Jenkis, além da previsão de uma série de carga horária de energia elétrica. Os resultados são comparados com o modelo Takagi-Sugeno evolutivo que utiliza a noção de função potencial para agrupar os dados dinâmicamente e com duas abordagens baseadas em redes neurais. Os resultados mostram que o modelo proposto é eficiente e parcimonioso, abrindo potencial para aplicações e estudos futuros. / Abstract: This work introduces an approach to develop evolving fuzzy rule-based models using participatory learning. Participatory learning assumes that learning and beliefs about a system depend on what the learning mechanism knows about the system itself. Participatory learning naturally augments clustering and yields an e_ective unsupervised fuzzy clustering algorithms for on-line, real time domains and applications. Clustering is an essential step to construct evolving fuzzy models and plays a key role in modeling performance and model quality. A least squares recursive approach to estimate the consequent parameters of the fuzzy rules for on-line modeling is emphasized. Experiments with the classic Box-Jenkins benchmark are conducted to compare the performance of the evolving participatory learning with the evolving fuzzy system modeling approach and alternative fuzzy modeling and neural methods. The experiments show the e_ciency of evolving participatory learning to handle the benchmark problem. The evolving participatory learning method is also used to forecast the average hourly load of an electric generation plant and compared against the evolving fuzzy system modeling using actual data. The results confirm the potential of the evolving fuzzy participatory method to solve real world modeling problems. / Mestrado / Automação Industrial / Mestre em Engenharia Elétrica

Orientadores: Takaaki Ohishi, Ricardo Menezes Salgado / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-23T18:34:18Z (GMT). No. of bitstreams: 1 FrancoJunior_EdgarFonseca_M.pdf: 7364704 bytes, checksum: be747ce93528de5661be3b2b3bf77cbc (MD5) Previous issue date: 2013 / Resumo: Em um sistema de energia elétrica em corrente alternada, a geração, a transmissão e o consumo de energia elétrica são divididos em potência ativa e reativa. O planejamento, a operação e análise destes sistemas são baseados em estimativas futuras do consumo de energia, e neste contexto são importantes os modelos de previsão de carga ativa e reativa. Nesta dissertação são testados modelos de previsão de curto prazo para carga ativa e reativa utilizando modelos de redes neurais artificiais. Em particular, são implementados e testados várias metodologias de seleção de entradas. A seleção de um subconjunto apropriado de variáveis para a inclusão em um sistema é um passo vital no desenvolvimento de qualquer modelo. Isto é particularmente importante nos modelos de previsão como redes neurais artificiais, pois o desempenho do modelo final é fortemente dependente das variáveis de entrada utilizadas. Esta dissertação desenvolveu um modelo que dá suporte à integração de algumas técnicas de seleção (informação mútua e informação mútua parcial) tendo o intuito de facilitar a utilização destas, assim como a sua comparação quando aplicada a determinados problemas de previsão. Para os experimentos, foram trabalhados 3 barramentos (com faixas de demanda diferentes), sendo que para cada um utilizou-se da carga de potência ativa e reativa. Os resultados alcançados são dados em função do erro médio absoluto e do erro percentual médio absoluto; além dessas medidas, foi realizada uma análise sobre o fator de potência para os valores reais e previstos / Abstract: In a system of alternating current electricity, generation, transmission and consumption of electricity are divided into active and reactive power. The planning, operation and analysis of these systems are based on estimates of future energy consumption, and in this context are important predictive models of active and reactive load. This dissertation tested forecasting models for short-term active and reactive load models using artificial neural networks. In particular, are implemented and tested many methods of selection enters. The selection of an appropriate subset of variables for inclusion in a system is a vital step in the development of any model. This is particularly important in forecasting models such as artificial neural networks, due to the performance of the final model is strongly dependent on the input variables used. This dissertation developed a model that supports the integration of some techniques for selection (mutual information and partial mutual information) with the aim to facilitate the use of these, as well as, its comparison when applied to certain prediction problems. For the experiments have been worked 3 buses (with different ranges of demand), and for each one used the load active and reactive power. The results obtained are given in function of the mean absolute error and mean absolute percentage error; in addition to these measures, an analysis was made of the power factor for the actual and target values / Mestrado / Engenharia de Computação / Mestre em Engenharia Elétrica

Orientador: Fernando José Von Zuben / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-19T17:59:57Z (GMT). No. of bitstreams: 1 PumaVillanueva_WilfredoJaime_D.pdf: 4821342 bytes, checksum: 521a056fca2c42985a2fad34069b7255 (MD5) Previous issue date: 2011 / Resumo: Esta tese apresenta duas metodologias de síntese automática de redes neurais artificiais com conexões à frente arbitrárias, com a proposição da arquitetura via computação evolutiva ou via um método construtivo, enquanto que os pesos sinápticos são definidos por técnicas de otimização não-linear. O processo de treinamento supervisionado visa parcimônia do modelo e máxima capacidade de generalização. Quando comparada a iniciativas similares encontradas na literatura, a versão construtiva da metodologia, denominada CoACFNNA, inova também ao permitir a síntese de arquiteturas mais flexíveis, com capacidade de mapeamento linear e não-linear, e ao promover baixo custo computacional. Este algoritmo construtivo parte de uma rede neural mínima, toma decisões de inserção/poda baseadas em análise de sensibilidade e em índices de informação mútua, relaxa o erro de treinamento para evitar convergência prematura e ajusta os pesos sinápticos via um método quasi- Newton com escalonamento automático. Estudos comparativos envolvendo abordagens alternativas baseadas em redes neurais, tais como MLPs, mistura heterogênea de especialistas, Cascade Correlation e a EPNet, baseada em programação evolutiva, indicam que a metodologia é promissora, tendo sido aplicada junto a problemas artificiais e reais, de classificação e de regressão / Abstract: This thesis presents two methodologies for the automatic synthesis of artificial neural networks with arbitrary feed-forward connections, with the proposition of the architecture based on evolutionary computation and on a constructive method, whereas the synaptic weights are defined by nonlinear optimization techniques. The supervised learning process aims at parsimony of the model and maximum generalization capability. When compared to similar approaches in the literature, the constructive version of the methodology, denoted CoACFNNA, innovates also by allowing the synthesis of more flexible architectures, with linear and nonlinear mapping capability, and by promoting low computational cost. This constructive algorithm starts with a minimum neural network, takes decisions of insertion/pruning based on sensitivity analysis and also mutual information indices, relaxes the training error to avoid premature convergence, and adjusts the synaptic weights by means of a quasi-Newton method with automatic scaling. Comparative studies involving alternative approaches based on neural networks, such as MLPs, mixture of heterogeneous experts, cascade correlation and the EPNet, based on evolutionary programming, indicate that the proposal is promising, being applied to artificial and real problems, for classification and regression / Doutorado / Engenharia de Computação / Doutor em Engenharia Elétrica

Orientador: Peter Sussner / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica / Made available in DSpace on 2018-08-26T17:27:37Z (GMT). No. of bitstreams: 1 Schuster_Tiago_M.pdf: 2910336 bytes, checksum: 1f5147831dd6410a0fdb0c0fa53d94c8 (MD5) Previous issue date: 2015 / Resumo: As últimas décadas têm testemunhado a emergência de uma variedade de abordagens à resolução de problemas com base na computação em reticulados como, por exemplo, as redes neurais morfológicas e os modelos neurocomputação e de raciocínio fuzzy em reticulados. Usamos aqui o termo "reticulado'' no sentido dado no trabalho seminal de Birkhoff. A teoria dos reticulados nasceu da álgebra booleana e tem um grande leque de aplicações como a análise de conceitos formais, a inteligência computacional, a teoria dos conjuntos fuzzy e a morfologia matemática (MM). A MM em reticulados completos representa a base teórica para uma série de modelos de inteligência computacional conhecidos como redes neurais morfológicas (MNNs), que incluem as memórias associativas morfológicas em tons de cinza e as memórias associativas morfológicas fuzzy (FMAMs). As últimas décadas têm testemunhado a emergência de uma variedade de abordagens à resolução de problemas com base na computação em reticulados como, por exemplo, as redes neurais morfológicas e os modelos neurocomputação e de raciocínio fuzzy em reticulados. Usamos aqui o termo "reticulado'' no sentido dado no trabalho seminal de Birkhoff. A teoria dos reticulados nasceu da álgebra booleana e tem um grande leque de aplicações como a análise de conceitos formais, a inteligência computacional, a teoria dos conjuntos fuzzy e a morfologia matemática (MM). A MM em reticulados completos representa a base teórica para uma série de modelos de inteligência computacional conhecidos como redes neurais morfológicas (MNNs), que incluem as memórias associativas morfológicas em tons de cinza e as memórias associativas morfológicas fuzzy (FMAMs). O advento de sistemas fuzzy tipo-2 sugere o desenvolvimento das FMAMs tipo-2 e em particular FMAMs tipo-2 intervalar, ou FMAMs intervalar (IV-FMAMs). Observemos aqui que a classe dos conjuntos fuzzy, assim como a dos conjuntos fuzzy tipo-2, fuzzy tipo-2 intervalar e fuzzy intervalar sobre um universo arbitrário em conjunção com diferentes escolhas de ordens parciais formam classes de conjuntos L-fuzzy, em que L denota um reticulado completo. Nessa dissertação de mestrado, introduzimos as memórias associativas L-fuzzy (L-FMAMs) com base na morfologia matemática L-fuzzy (L-FMM). Nosso foco está nas FMAMs fuzzy intervalar, uma vez que sistemas fuzzy intervalar têm sido aplicados com sucesso em problemas de engenharia, computação com palavras e raciocínio aproximado. Nós aplicamos os modelos de IV-FMAMs em conjunção com a técnica de clusterização fuzzy c-means intervalar a um problema de predição de série temporal, especificamente o prognóstico da vazão mensal de uma usina hidroelétrica localizada no sudeste brasileiro. Por fim, comparamos as predições produzidas pela abordagem das IV-FMAMs com aquelas produzidas por modelos competitivos da literatura / Abstract: The last decade has witnessed the emergence of a variety of lattice computing approaches towards computational intelligence such as morphological neural networks and fuzzy lattice reasoning / neuro-computing models. Here, the technical term "lattice" refers to a lattice in the mathematical sense of Birkhoff's seminal work. Lattice theory grew out of Boolean algebra and has found a wide range of applications such as mathematical morphology, formal concept analysis, computational intelligence, and fuzzy set theory. Mathematical morphology on complete lattices represents the theoretical basis for a range of computational intelligence models known as morphological neural networks (MNNs) including gray-scale and fuzzy morphological associative memories (FMAMs). The advent of type-2 fuzzy systems suggests the development of type-2 FMAMs and in particular interval type-2 FMAMs or interval-valued FMAMs. Recall that the class of fuzzy sets as well as the classes of type-2, interval type-2, and interval-valued fuzzy sets over an arbitrary universe together with different choices of partial orderings form classes of L-fuzzy sets, where L denotes a complete lattice. In this master's thesis, we introduce L-fuzzy morphological associative memories (L-FMAMs) on the basis of L-FMM. Our focus is on interval-valued FMAMs since interval type-2 fuzzy systems, have found various applications in engineering, computing with words, and approximate reasoning. We applied the aforementioned interval-valued FMAM models in conjunction with the interval-valued fuzzy c-means clustering technique to a time-series prediction problem in industry, namely the problem of forecasting the average monthly streamflow of a hydroelectric plant located in southeastern Brazil, and compared the predictions produced by the IV-FMAM approach with the ones produced by a number of competitive models from the literature / Mestrado / Matematica Aplicada / Mestre em Matemática Aplicada