Organizador: Marcio Luiz de Andrade Neto / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-24T07:14:59Z (GMT). No. of bitstreams: 1 Schlunzen_ElisaTomoeMoriya_M.pdf: 4771460 bytes, checksum: b8412b3352883587aa29ea546736ab50 (MD5) Previous issue date: 1994 / Resumo: Redes Neurais Artificiais são modelos computacionais inspirados no sistema nervoso biológico. Seus elementos de processamento são neurônios que produzem a soma ponderada das entradas e aplicam o resultado a uma função de transferência não linear, para gerar uma saída. Estes mojdelos têm-se mostrado adequados para o reconhecimento de padrões e classificação de dados mufltiespectrais de Sensoriamento Remoto. Neste contexto, foi desenvolvido um trabalho com o objetivo de implementar uma Rede Neural Multicamadas com algoritmo de treinamento "Bi Lckpropagation", para utilização na classificação de ura segmento de imagem TM/LANDSAT, ref;rente a uma área teste pré-selecionada e comparar os seus resultados com os de um cia isificador de Máxima Verossimilhança (MAXVER). O treinamento da Rede foi feito segundo trê: abordagens distintas, inicialmente com a apresentação pixel a pixel e, em seguida, da aqi isição de grupos de pixels. Os resultados obtidos mostram que, genericamente, à medida que sãc incorporadas informações de vizinhança ao treinamento da Rede, ocorre um melhor dei empenho do classificador. A comparação das classificações geradas pela Rede com aquelas obl idas com a aplicação do MAXVER mostrou um melhor desempenho da Rede, em termos de número de pixel classificados e similaridade com a verdade terrestre, quando se consideram condições semelhantes de amostragem durante o treinamento. Isto permite concluir que o treinamento da Rede Neural não implica em uma localização tão criteriosa das amostras, nem quj: o tamanho amostrai seja tão abrangente quanto no caso do MAXVER / Abstract: Artificial Neural Networks are computing models inspired in the biological nervous system, whose processing elements are neurons highly interconnected which produce a pondered sum of the fentrances and use the result to a function of non-linear transfer in order to generate a way out. These models have shown to be adequate to a Pattern Recognition and to the Remote Sent ling Multiespectral data classification, as well. Thus, an interesting task has been developed aiming to implement a multilayer Perception Neural Network with Backpropagation training and using it to serve as a digital classification of an area test segment of a TM/LANDSAT image, refaing to a preselected test area and so comparing the result of the utilization of this algorithm to tie result of a Maximum Likelihood algorithm classification. The Neural Net training was mac e through three different approaches: at the beginning using a pixel to pixel presentation and, as a sequence the acquisition of pixel groups. The result showed that as the information collected firon the neighborhood is incorporated to the network training, there will be a superior performance of the classifier. Moreover, the neural network classification resulted in a fewer nunber of non-classified pixels and a better similarity with ground truth than MAXVER classification. This allowed us to conclude that the Neural Network training is faster and easier thai] the training of a MAXVER classification algorithm / Mestrado / Mestre em Engenharia Elétrica

Orientador: Anselmo Eduardo Diniz / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecanica / Made available in DSpace on 2018-07-20T11:19:24Z (GMT). No. of bitstreams: 1 Hara_CelsoMinoru_M.pdf: 18210091 bytes, checksum: 703d96e069724514e2248d6a5cd4ff7f (MD5) Previous issue date: 1995 / Resumo: O objetivo principal deste trabalho é mostrar a eficácia da utilização de redes neurais em sistemas de monitoramento da vida da ferramenta usando sinais de vibração. Para tal, montou-se um sistema composto de acelerômetros piezoelétricos adaptados ao porta-ferramentas, acopladores que podem ler o sinal fornecido pelos acelerômetros e uma placa analógica/digital que converte esses sinais de maneira que possam ser armazenados e lidos pelo computador. Realizou-se ensaios de torneamento cilíndrico variando-se as condições de usinagem (velocidade de corte e avanço) em aço ABNT 4340. O sinal de vibração foi adquirido e armazenado e as rugosidades média e máxima da superfície da peça foram medidas. Posteriormente, executou-se uma rede neural "back-propagation" tendo como valores de entrada os sinais de vibração e as condições de usinagem e fornecendo como saída a indicação do estado de desgaste da ferramenta. A contribuição mais importante deste trabalho é a indicação através da rede neural, de um intervalo de melhor aproveitamento da ferramenta de corte no que se refere ao desgaste, possibilitando utilizá-Ia da melhor forma até o momento de sua troca / Abstract: The main goal of this work is to show the feasibility of employing neural networks techniques on tool life monitoring systems using vibration signals. For this purpose, a system was set with two piezoelectrical accelerometers attached on the tool holder, couplers that can read the signal emitted by the accelerometers and an A/D board that converts these signals in order to save and read them in the computer. Several turning tests were carried out with different cutting conditions using ABNT 4340 steel as the workpiece material. The vibration signals were sampled and stored and the average and maximum surface roughness of the workpiece were measured. Later, a back-propagation neural network was run with cutting conditions and vibr~tion signals as input parameters and with tool wear status as output parameter. The most important conclusion of this work is that the neural network is able of establishing an interval of cutting time where the tool must be replaced, optimizing the utilization of the tool / Mestrado / Materiais e Processos de Fabricação / Mestre em Engenharia Mecânica

Orientador : Marcio Luiz de Andrade Netto / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-19T07:55:54Z (GMT). No. of bitstreams: 1 Campanha_JoseRoberto_D.pdf: 5894259 bytes, checksum: 50a6db00a4aedfc2f04ddd819fc66307 (MD5) Previous issue date: 1994 / Resumo: Propomos neste trabalho um método mais simples, para o cálculo dos parâmetros de ordem de redes neurais, baseados nos cumulantes de uma distribuição. Aplicamos este método ao modelo de Hopfield,obtivemos seus parâmetros de ordem m.q e r e baseados nestes parâmetros, construímos seu diagrama de fase. A seguir, estudamos com nosso método, um modelo de rede neural com esquecimento, e outra rede com baixo nível de atividade neural obtendo novamente, os mesmos resultados que os obtidos pelos métodos da Mecânica Estatística. Trata-se de uma generalização da regra de Hebb, em que consideramos a variação espacial da interação. A partir do método dos cumulantes calculamos os parâmetros de ordem do 1t modelo e mostramos que para k > -2L não há recuperação dos padrões aprendidos pela rede. A principal vantagem do método proposto é ser mais simples do que os métodos da Mecânica Estatística, e por isto acredito, ser acessível a profissionaisde outras áreas / Abstract: Not informed. / Doutorado / Automação / Doutor em Engenharia Elétrica

Orientador: João Marcos Travassos Romano / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-19T08:13:48Z (GMT). No. of bitstreams: 1 DestroFilho_JoaoBatista_M.pdf: 8643175 bytes, checksum: 31e4a919df4446d9b58e6ebea11efa78 (MD5) Previous issue date: 1994 / Resumo: Nesta tese realiza-se um estudo cujo objetivo é estabelecer uma base teórica para o processamento neural-adaptativo de sinais, uma nova técnica que visa conjugar as potencialidades intrínsecas das propriedades coletivas emergentes de redes neurais ao sólido formalismo matemático da filtragem adaptativa. Isto possibilita, ao mesmo tempo, uma análise matemática mais aprofundada dos princípios básicos do processamento de informação neural (auto-organização e processamento paralelo distribuído) e a generalização da aplicação de filtros adaptativos a situações mais complexas (por exemplo, no caso de aplicações que envolvam ruído não-gaussiano). A base teórica proposta nesta tese está fundamentada numa série de analogias matemáticas e conceituais existentes entre as redes neurais e a filtragem adaptativa, que envolvem estruturas, algoritmos de treinamento e princípios básicos. Evidencia-se como redes neurais podem ser fundamentadas pelo formalismo matemático associado à filtragem adaptativa, em termos da equação de Wiener-Hopf, da predição linear , do algoritmo do gradiente estocástico e da desconvolução cega. Simultaneamente, demonstra-se como filtros adaptativos podem ser relacionados aos princípios básicos de redes neurais, por exemplo, ao sistema nervoso vertebrado, à sinapse de Hebb, ao processamento paralelo distribuído, à auto-organização e à psicologia cognitiva. Apresenta-se uma metodologia de trabalho para sinais o desenvolvimento do processamento neural-adaptativo de e discutem-se alguns resultados já alcançados por esta nova abordagem, que consistem na análise matemática simultânea do processamento paralelo distribuído intrínseco a uma rede neural Perceptron multi-camadas (linear e parcialmente interconectada) e à cascata de filtros adaptativos transversais. Com base nesta análise, propõe-se uma versão modificada do algoritmo do gradiente estocástico na forma cascata, cujo desempenho é avaliado para a predição linear de um sinal auto-regressivo. Simulações evidenciam que, para este caso, o novo algoritmo é mais rápido e mais independente das condições iniciais que sua versão original / Abstract: We propose the theoretical foundations of the " Neural Adaptive Signal Processing" , an emerging technique which establishes an useful co-operation between the collective properties of neural networks and the solid mathematical theory connected to adaptive filtering. Neural adaptive signal processing enables, at the same time, a deeper mathematical anaIysis of neural networks basic principIes (eg. parallel distributed processing and self-organization) and the efficient application of adaptive fiIters to more eomplex tasks (eg. signal processing in the presence of non-Gaussian noise). The theoretical foundations are based upon several mathematical and conceptual anaIogies between neural networks and adaptive fiItering structures, training algorithms and basic principIes. We point out how some adaptive fiItering theories and equations (such as Wiener-Hopf equation, linear prediction, stochastie gradient algorithm and blind deconvolution) can be applied as an useful formalism to neural networks mathematical anaIysis. Conversely, we show how adaptive fiIters can be reIated to neural networks basic principIes (for exempIe, vertebrate nervous system, Hebbian synapsis, paraIIel distributed processing, seIf-organization and cognitive psychology). We present a research methodology for neural adaptive signal processing deveIopment and we discuss some resul ts attained by distributed processing two systems: a parallel linear making use of it. We anaIyse of mathematically the partially-interconnected multi-layer Perceptron and a cascade of transversal adaptive filters. Based upon this analysls, we propose an alternative cascade-form stochastic gradient algorithm, and we evaluate its performance when the cascaded fiIters are appIied to the linear prediction of an auto-regressive signal. For this case, simulations outline that the new algorithm seems to be faster and more independent of system initial conditions than its original counterpart / Mestrado / Eletronica e Comunicações / Mestre em Engenharia Elétrica

Orientadores: Lucia Valeria Ramos de Arruda e Wagner Caradori do Amaral / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-20T00:12:07Z (GMT). No. of bitstreams: 1 Silva_IvanNunesda_M.pdf: 6624700 bytes, checksum: 47db2158e7cca5cd5b4d34c1794ccc63 (MD5) Previous issue date: 1995 / Resumo: Redes Neurais Artificiais atingem altas taxas de computação através de um número massivo de elementos processadores simples com um alto grau de conectividade entre estes elementos. Redes neurais com conexões realimentadas podem ser utilizadas para resolver problemas de otimização. Nesta dissertação utilizam-se Redes Neurais Artificiais do tipo Hopfield, na solução de problemas de Estimação Paramétrica Robusta com perturbação desconhecida-mas-limitada. A rede de Hopfield discreta é usada no cálculo de regiões de incerteza para os parâmetros do modelo. Qualquer elemento pertencente a estas regiões são considerados um bom estimador dos parâmetros reais do processo. Uma Rede de Hopfield Modificada também é descrita e é utilizada para assegurar maior eficiência e confiabilidade na obtenção de resultados. Análises são realizadas comparando os resultados obtidos pela rede em relação a outras abordagens tradicionais de cálculo de incertezas paramétricas. Os parâmetros internos das Redes para o problema são derivados utilizando uma técnica denominada subespaço-válido de soluções. Estes parâmetros são explicitamente calculados, baseado nas especificações do problema, e devem assegurar a convergência da rede para um ponto de equilíbrio que representa uma solução para o problema de estimação robusta de modelos com perturbações desconhecidas-mas-limitadas / Abstract: Artificial Neural Networks can achieve high computation rates by employing a massive number of simple processing elements with a high degree of connectivity between these elements. Neural networks with feedback connections provide a computing model to solve a rich class of optimization problems. This dissertation presents an application of Hopfield's Neural Networks in Robust Parametric Estimation with unknown-but-bounded disturbance. The Discret Hopfield's Network is used to calculate a parameter uncertainty set for model parameters. Any element in this set can be considered a good estimator for the real parameters. A Modified Hopfield's Network has also been described and it is useful for getting efficient and reliable sets. Comparative analysis with others robust estimation approaches are included. The Valid-Subspace technique is used to obtain the internal parameters of the Hopfield's Neural Network. These parameters are explicitlycomputed, based upon problem specifications, to assure the network convergence. In this case, the equilibrium point represents a solution to robust estimation problem with unknown-but-bounded error / Mestrado / Mestre em Engenharia Elétrica

Orientador: Glauco de Souza Rolim / Resumo: Precipitação, em pequenas escalas de tempo, é um fenômeno associado a altos níveis de incerteza e variabilidade. Dada a sua natureza, técnicas tradicionais de previsão são dispendiosas e exigentes em termos computacionais. Este trabalho apresenta um modelo para prever a ocorrência de chuvas em curtos intervalos de tempo por Redes Neurais Artificiais (RNAs) em períodos acumulados de 3 a 7 dias para cada estação climática, mitigando a necessidade de predizer o seu volume. Com essa premissa pretende-se reduzir a variância, aumentar a tendência dos dados diminuindo a responsabilidade do algoritmo que atua como um filtro para modelos quantitativos, removendo ocorrências subsequentes de valores de zero(ausência) de precipitação, o que influencia e reduz seu desempenho. O modelo foi desenvolvido com séries temporais de 10 regiões agricolamente relevantes no Brasil, esses locais são os que apresentam as séries temporais mais longas disponíveis e são mais deficientes em previsões climáticas precisas, com 60 anos de temperatura média diária do ar e precipitação acumulada. foram utilizados para estimar a evapotranspiração potencial e o balanço hídrico; estas foram as variáveis ​​utilizadas como entrada para as RNAs. A precisão média para todos os períodos acumulados foi de 78% no verão, 71% no inverno 62% na primavera e 56% no outono, foi identificado que o efeito da continentalidade, o efeito da altitude e o volume da precipitação normal , tem um impacto direto na precisão das RNAs. Os... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Precipitation, in short periods of time, is a phenomenon associated with high levels of uncertainty and variability. Given its nature, traditional forecasting techniques are expensive and computationally demanding. This paper presents a model to forecast the occurrence of rainfall in short ranges of time by Artificial Neural Networks(ANNs) in accumulated periods from 3 to 7 days for each climatic season, mitigating the necessity of predicting its amount. With this premise it is intended to reduce the variance, rise the bias of data and lower the responsibility of the model acting as a filter for quantitative models by removing subsequent occurrences of zeros values of rainfall which leads to bias the and reduces its performance. The model were developed with time series from 10 agriculturally relevant regions in Brazil, these places are the ones with the longest available weather time series and and more deficient in accurate climate predictions, it was available 60 years of daily mean air temperature and accumulated precipitation which were used to estimate the potential evapotranspiration and water balance; these were the variables used as inputs for the ANNs models. The mean accuracy of the model for all the accumulated periods were 78% on summer, 71% on winter 62% on spring and 56% on autumn, it was identified that the effect of continentality, the effect of altitude and the volume of normal precipitation, have a direct impact on the accuracy of the ANNs. The models have ... (Complete abstract click electronic access below) / Mestre

Made available in DSpace on 2015-03-05T14:01:20Z (GMT). No. of bitstreams: 0 Previous issue date: 6 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Este trabalho apresenta uma metodologia para extração de regras a partir de Redes Neurais Artificiais (RNA) treinadas para previsão de carga. As regras extraídas visam descrever o conhecimento adquirido pela rede neural a respeito do comportamento da demanda por energia elétrica. As regras possuem uma estrutura do tipo SE premissa ENTÃO consequência, onde premissa refere-se aos dados de entrada submetidos para a rede neural, e consequência caracteriza uma equação linear responsável por descrever a saída apresentada pela rede em função dos dados de entrada, caso a premissa da regra seja satisfeita. Dessa forma, além da precisão advinda das caracter´ısticas das redes neurais, as mesmas serão capazes de tornar seu conhecimento transparente para o usuário, contribuindo ainda mais para o auxílio das tomadas de decisões táticas e estratégicas das companhias de energia elétrica. / This work presents a methodology for the extraction of rules from Artificial Neural Networks (ANN) trained to forecast the electric load demand. The rules have the ability to express the knowledge regarding the behavior of load demand acquired by the network during training process. The rules are presented to the user in an easy to read format, such as IF premise THEN consequence. Where premise relates to the input data submitted to the network, and consequence appears as a linear equation describing the output to be presented by the network, should the premise part holds true. The rule extraction technique presented here, combined with the predictive abilities of the neural networks, constitutes an important tool for tactical and strategic decision making within the electricity supply companies.

Made available in DSpace on 2015-03-05T14:01:20Z (GMT). No. of bitstreams: 0 Previous issue date: 6 / Nenhuma / Este trabalho insere-se na área de modelagem computacional para problemas de previsão em sistemas de energia elétrica. A sociedade moderna possui uma dependência muito grande da utilização de energia elétrica, uma vez que grande parte da tecnologia atual utiliza de alguma forma este tipo de energia. Este fato justifica plenamente os estudos realizados na área para melhorar ou facilitar o trabalho no que se refere aos sistemas de energia elétrica. Atualmente existem diversos estudos na área que abordam todos os campos de sistema de energia elétrica. Uma importante parte do processo tanto de produção como de transmissão e distribuição de energia elétrica é o planejamento, que entre outros fatores baseia-se fortemente em uma previsão de carga elétrica. Esta previsão deve ser confiável, possuir uma alta acuracidade, pois a partir desta são tomadas decisões importantes nos âmbitos técnico e econômico da empresa de geração, transmissão ou distribuição de energia. O presente trabalho apresenta um sistema computacion / This work is inserted in the forecasting computational modeling for electrical power systems area. The modern society has a great dependency of electrical power, since the current technology uses this type of energy to many ends. This fact justifies the studies in that area to bettering or make easy to work with this type systems. Currently there are many studies in this áreas that broaches all the fields of electrical power. An important part of the process of production, transmission and distribution of electrical energy is the planning, that between others factors is strongly based in a load forecasting. This load forecasting should be reliable, and to have a high accuracy, because since that forecast important decisions are maked in technical and economical ambit of electrical system enterprises. This work presents a computational system for electrical load forecasting, through the using of a new neural model for forecasting approach. With this new model is tried integrate the electrical network informati

Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2015

Dissertação (Mestrado em Engenharia Mecânica) - Centro Universitário da FEI, São Bernardo do Campo, 2016