Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Ciência da Computação. / Made available in DSpace on 2012-10-24T01:24:51Z (GMT). No. of bitstreams: 1 258459.pdf: 252997 bytes, checksum: a0457bb78b352c0aab2bb1f48ab79985 (MD5) / Este trabalho descreve a aplicação de uma técnica de regressão não linear (mínimos quadrados) para obter predições intervalares em redes neurais artificiais (RNA#s). Através de uma simulação de Monte Carlo é mostrada uma maneira de escolher um ajuste de parâmetros (pesos) para uma rede neural, de acordo com um critério de seleção que é baseado na magnitude dos intervalos de predição fornecidos pela rede. Com esta técnica foi possível obter as predições intervalares com amplitude desejada e com probabilidade de cobertura conhecida, de acordo com um grau de confiança escolhido. Os resultados e as discussões associadas indicam ser possível e factível a obtenção destes intervalos, fazendo com que a resposta das redes seja mais informativa e consequentemente aumentando sua aplicabilidade. A implementação computacional está disponível em www.inf.ufsc.br/~dandrade. This work describes the application of a nonlinear regression technique (least squares) to create prediction intervals on artificial neural networks (ANN´s). Through Monte Carlo#s simulations it is shown a way of choosing the set of parameters (weights) to a neural network, according to a selection criteria based on the magnitude of the prediction intervals provided by the net. With this technique it is possible to obtain the prediction intervals with the desired amplitude and with known coverage probability, according to the chosen confidence level. The associated results and discussions indicate to be possible and feasible to obtain these intervals, thus making the network response more informative and consequently increasing its applicability. The computational implementation is available in www.inf.ufsc.br/~dandrade.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Ciência da Computação. / Made available in DSpace on 2012-10-24T02:53:54Z (GMT). No. of bitstreams: 1 259515.pdf: 478581 bytes, checksum: 3c9a8eaac73d644dec8d68ac30cddb22 (MD5) / Para alguns setores da sociedade, feriados nas quintas-feiras são comumente alongados sobre a sexta-feira para prolongar o período de descanso até o final de semana. Esta mudança de comportamento da sociedade para este tipo de sexta-feira provoca uma mudança no comportamento da demanda por potência (carga ativa) em sistemas de energia elétrica em relação ao comportamento da demanda observada em sextas-feiras comuns. Este trabalho verifica a significância da alteração observada no comportamento da carga na sexta-feira seguinte a um feriado na quinta-feira, no Estado de Santa Catarina e propõe uma abordagem para a redução do erro de previsão da carga de curto prazo frente à esta situação. Os testes realizados mostram que a ocorrência de um feriado na quinta-feira provoca um efeito significativo sobre a média diária da carga da sexta-feira pós feriado no Estado de Santa Catarina. A solução proposta para a redução do erro de previsão da carga para a sextafeira pós feriado ajusta a previsão realizada por um modelo de previsão de carga de curto prazo que não considera o fator feriado na véspera. A previsão do modelo que desconsidera tal fator é utilizada como entrada de uma rede neural artificial preparada para aplicar sobre esta previsão o efeito que um feriado na quinta-feira provoca sobre a carga na sexta-feira seguinte. Os resultados obtidos com a solução proposta mostram uma redução do erro percentual absoluto médio (MAPE) da previsão, inicialmente de 10%, situação em que o feriado na véspera não era considerado, para 2,5%, que é o valor do MAPE obtido para outras sextasfeiras comuns não influenciadas pelo feriado.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Metrologia Científica e Industrial, Florianópolis, 2008 / Made available in DSpace on 2012-10-24T05:48:35Z (GMT). No. of bitstreams: 1 250352.pdf: 2114778 bytes, checksum: 15a3ecb835abeb2dfe680ff279405adf (MD5) / Para acompanhar a evolução dos sistemas de refrigeração são necessários métodos adequados de avaliação de produto. Dentre os ensaios executados com compressores herméticos para refrigeração, têm com grande importância os ensaios de desempenho. Cuja principal finalidade é estabelecer a capacidade de refrigeração, o consumo de potência ativa do compressor e o coeficiente de performance (COP). Tais ensaios são executados com elevada freqüência dentro de uma indústria de compressores. O tempo demandado e o alto investimento exigido são dois grandes problemas inerentes a esses ensaios. O comportamento das variáveis de ensaio pode ser dividido em dois momentos distintos: transitório - aquele no qual os valores das grandezas variam com grande amplitude; regime permanente - aquele no qual os valores das grandezas se confinam em faixas estabelecidas por normas ou procedimentos específicos. É nesse segundo momento - o regime permanente - que devem ser realizadas as medições de desempenho do compressor. Esta dissertação propõe a redução do tempo demandado por esses ensaios, através do emprego de redes neurais artificiais. Dois caminhos foram explorados com sucesso: identificação do instante em que condições de regime são atingidas; inferência de valores de regime a partir de dados do transitório. O primeiro é uma proposta inédita e o segundo uma continuação do trabalho realizado anteriormente. A proposta de emprego de redes neurais foi decorrente da complexidade da análise dos dados de ensaio e a ausência de regras explícitas tanto identificação do instante de entrada em regime quanto para avaliação das variáveis em regime transitório. São descritos no decorrer do trabalho: escolha das variáveis; treinamento, definição e avaliação dos sistemas neurais desenvolvidos. A redução obtida no tempo médio de ensaio foi significativa sem comprometer a confiabilidade dos resultados, abrindo novos caminhos para o emprego de recursos de inteligência artificial em ensaios de compressores.

Orientador: João Francisco Escobedo / Banca: Alexandre Dal Pai / Banca: José Alfredo Covolan Ulson / Banca: Valeria Cristina Rodrigues Sarnighausen / Banca: Renato Correia de Barros / Resumo: Neste trabalho é realizado um estudo para estimar a transmissividade da radiação global (Ktβh) e a fração difusa (Kdβh) incidentes em uma superfície com inclinação de 22,85° na base horária utilizando técnicas de aprendizado de máquina (TAM), a partir de dados obtidos no período de 1998 a 2001 em Botucatu/SP/Brasil. As estimativas foram realizadas usando uma série de combinações de variáveis astronômicas e geográficas por meio de três técnicas de redes neurais artificiais (RNA) do tipo Perceptron Multicamadas (MLP), Função de Base Radial (RBF) e Regressão Generalizada (GRNN) e do Sistema Adaptativo de Inferência Neuro Fuzzy (ANFIS). Como referência foram elaborados modelos estatísticos (ME) de regressão linear e polinomial. No Capítulo 1 as estimativas de (Ktβh) foram realizadas por combinações de variáveis medidas e calculadas a partir da irradiação global na superfície horizontal (HgH) e nas estimativas de (Kdβh) utilizou-se combinações de variáveis medidas e calculadas a partir de (HgH) e da irradiação global na superfície inclinada (Hgβ). No Capítulo 2 as estimativas de (Kdβh) foram realizadas por combinações de variáveis medidas e calculadas a partir das irradiações difusa (HdH) e global (HgH) obtidas na superfície horizontal. Os indicadores estatísticos r (correlação), RMSE(%) (precisão) e MBE(%) (exatidão) foram utilizados para avaliar os resultados das estimativas. No capítulo 1 os melhores resultados nas estimativas de (Ktβh) a partir das combinações realizadas com (... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: In this work, a study was carried out to estimate the transmissivity of the global radiation (Ktβh) and the diffuse fraction (Kdβh) incident on a surface with slope of 22.85 ° in the hourly basis using machine learning techniques (MLT), from data obtained from 1998 to 2001 in Botucatu / SP / Brazil. The estimates were made using a series of combinations of astronomical and geographic variables by means of three artificial neural network (ANN) techniques such as MultLayer Perceptron (MLP), Radial Basis Functions Networks (RBF) and Generalized Regression Neural Network (GRNN) Adaptive Neuro Fuzzy Inference System (ANFIS). Statistical models (SM) of linear and polynomial regression were elaborated as reference. In Chapter 1 estimates of (Ktβh) were performed by combinations of variables measured and calculated from global horizontal surface irradiation (HgH) and estimates of (Kdβh) combinations of variables measured and calculated from (HgH) and global radiation on the sloped surface (Hgβ). In Chapter 2 estimates of (Kdβh) were performed by combinations of variables measured and calculated from the diffuse (HdH) and global (HgH) irradiances obtained on the horizontal surface. The statistical indicators r (correlation), RMSE (%) (precision) and MBE (%) (accuracy) were used to evaluate the results of the estimates. In Chapter 1 the best results in the estimates of (Ktβh) from the combinations performed with (HgH) were: MLP - RMSE = 3.73%; RBF - RMSE = 3.99%; GRNN - RMSE = 5.27%; A... (Complete abstract click electronic access below) / Doutor

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, 2008. / Submitted by Fernanda Weschenfelder (nandaweschenfelder@gmail.com) on 2009-09-17T17:23:52Z No. of bitstreams: 1 2008_FlavioCastroATeixeira.pdf: 2708631 bytes, checksum: b2249a2d39b8ba9f1e3c4f19a187bc6a (MD5) / Approved for entry into archive by Guimaraes Jacqueline(jacqueline.guimaraes@bce.unb.br) on 2010-09-29T12:20:39Z (GMT) No. of bitstreams: 1 2008_FlavioCastroATeixeira.pdf: 2708631 bytes, checksum: b2249a2d39b8ba9f1e3c4f19a187bc6a (MD5) / Made available in DSpace on 2010-09-29T12:20:39Z (GMT). No. of bitstreams: 1 2008_FlavioCastroATeixeira.pdf: 2708631 bytes, checksum: b2249a2d39b8ba9f1e3c4f19a187bc6a (MD5) / O presente trabalho aborda a modelagem de sistemas lineares invariantes ao deslocamento. A analogia entre sistemas lineares invariantes ao deslocamento e filtros é abordada. O projeto ótimo de filtros digitais é postulado como umproblema clássico de aproximação. Como exemplo do problema de aproximação, desenvolve-se detalhadamente no trabalho o problema do projeto ótimo de filtros FIR de fase não-linear com atraso de grupo reduzido nas bandas de passagem. Essa postulação resulta em um problema de otimização não-linear multi-objetivo onde a dificuldade de resolução previne o uso de métodos exatos para a sua resolução. Para abordar esse problema, propõe-se o uso de algoritmos de otimização soft-computing, os quais vêm se mostrando na literatura como os mais adequados no presente momento para resolução de problemas complexos e não-lineares. Entretanto, uma problemática no uso desses algoritmos consiste no ajuste ótimo de seus parâmetros internos. Tendo em vista esse problema, desenvolve-se nesse trabalho ferramentas estatísticas de projeto de experimentos e de indicadores de qualidade multi-objetivo, os quais possibilitam obter estimativas de parâmetros ótimos dos algoritmos de otimização propostos. Adicionalmente, aborda-se a questão da comparação de performance entre os algoritmos propostos e a generalização dos resultados para uma classe mais ampla de projetos de filtros e especificações. Experimentos computacionais foram implementados para a geração de filtros ótimos pertencentes ao conjunto Pareto do problema de otimização multi-objetivo. Por fim, considerações a nível do compromisso entre a aproximação simultânea da magnitude e fase do filtro são abordadas, assim como diretrizes para o projetista do filtro na escolha de um filtro que atenda suas expectativas de projeto dentre as várias soluções possíveis para o problema de otimização multi-objetivo do projeto de filtros digitais. ____________________________________________________________________________________________ ABSTRACT / This work address the linear time invariant system modeling problem. The analogy between linear time invariant systems and filter is addressed. The optimum design of digital filters is posed as classical approximation problem. The optimum design of FIR filters with non-linear phase on the stop-bands is used as an example of the approximation problem. This postulation results in a multi-objective non-linear optimization problem which prevents using exact methods for the problem resolution. To address this problem, it is proposed the use of soft-computing optimization algorithms, which have been showing best results on complex non-linear problems. Meanwhile, it is desired to obtain best values estimates of the soft-computing internal parameters. For this problem, it is developed statistical tools based on experimental design and multi-objetive quality indicators to obtain best parameters values estimates of the soft-computing algorithms internal parameters. Additionally, the algorithms performance comparison is addressed in conjunction with generalizations of the results to a wide range of problems and filter specifications. Computational experiments were implemented to generate optimum filters that belong to the Pareto set of the multi-objective problem under study. Finally, considerations involving the trade-off between the simultaneous approximation of both filter magnitude and phase is addressed, as well as guidelines to the filter designer on choosing the best filter that meets its expectations.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018. / Submitted by Fabiana Santos (fabianacamargo@bce.unb.br) on 2018-09-27T20:19:43Z No. of bitstreams: 1 2018_LucasGuilhemdeMatos_RESUMO.pdf: 59314 bytes, checksum: fcca0edce88c4bbe8975f96cfb38ac6f (MD5) / Rejected by Fabiana Santos (fabianacamargo@bce.unb.br), reason: O arquivo PDF está errado. on 2018-10-08T21:05:29Z (GMT) / Submitted by Fabiana Santos (fabianacamargo@bce.unb.br) on 2018-10-08T21:06:22Z No. of bitstreams: 1 2018_LucasGuilhemdeMatos.pdf: 22624129 bytes, checksum: 8246b13bfdcea5ae4862864196f406be (MD5) / Approved for entry into archive by Fabiana Santos (fabianacamargo@bce.unb.br) on 2018-10-09T20:24:27Z (GMT) No. of bitstreams: 1 2018_LucasGuilhemdeMatos.pdf: 22624129 bytes, checksum: 8246b13bfdcea5ae4862864196f406be (MD5) / Made available in DSpace on 2018-10-09T20:24:27Z (GMT). No. of bitstreams: 1 2018_LucasGuilhemdeMatos.pdf: 22624129 bytes, checksum: 8246b13bfdcea5ae4862864196f406be (MD5) Previous issue date: 2018-08-24 / Fundação de Apoio a Pesquisa do Distrito Federal (FAP-DF). / Este trabalho propõe um contolador adaptativo utilizando redes neuras e aprendizado por reforço para lidar com não-linearidades e variância no tempo. Para a realização de testes, um sistema de nível de líquidos de quarta ordem foi escolhido por apresentar uma gama de constantes de tempo e por possibilitar a mudança de parâmetros. O sistema foi identificado com redes neurais para prever estados futuros com o objetivo de compensar o atraso e melhorar a performance do controlador. Diversos testes foram realizados com diversas redes neurais para decidir qual rede neural seria utilizada para cada tarefa pertinente ao controlador. Os parâmetros do controlador foram ajustados e testados para que o controlador pudesse alcançar parâmetros arbitrários de performance. O controlador foi testado e comparado com o PI tradicional para validação e mostrou caracteristicas adaptativas e melhoria de performance ao longo do tempo, além disso, o controlador desenvolvido não necessita de informação prévia do sistema. / This work presents a proposal of an adaptive controller using reinforcement learning and neural networks in order to deal with non-linearities and time-variance. To test the controller a fourth-order fluid level system was chosen because of its great range of time constants and the possibility of varying the system parameters. System identification was performed to predict future states of the system, bypass delay and enhance the controller’s performance. Several tests with different neural networks were made in order to decide which network would be assigned to which task. Various parameters of the controller were tested and tuned to achieve a controller that satisfied arbitrary specifications. The controller was tested against a conventional PI controller used as reference and has shown adaptive features and improvement during execution. Also, the proposed controller needs no previous information on the system in order to be designed.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2009. / Made available in DSpace on 2012-10-24T09:26:05Z (GMT). No. of bitstreams: 1 275533.pdf: 1005019 bytes, checksum: c0f34ed360b28b84cefee8ff97365a04 (MD5) / Devido a sua grande capacidade representacional, as Redes Neurais Artificiais (RNAs) têm sido largamente utilizadas como aproximadores universais de funções na construção de modelos preditivos não-lineares, inclusive em aplicações da indústria petrolífera. Contudo, devido à natureza estocástica do treinamento das RNAs, indicadores de qualidade e confiabilidade para as saídas destes modelos, como os intervalos de predição, são extremamente necessários e desempenham um papel importante em aplicações reais. Muitas das técnicas adotadas para o cálculo dos intervalos de predição estabelecem uma série de restrições que devem ser atendidas pelos dados amostrais usados para treinar a RNA. Uma dessas restrições impõe que a variância dos resíduos seja constante, fato que nem sempre ocorre em aplicações reais, onde a taxa de ruído existente pode variar como função dos dados de entrada, fazendo com que a confiabilidade calculada pelos métodos tradicionais não seja condizente com a real precisão da rede neural. Nesta dissertação, uma extensão para um método de cálculo de intervalos de predição para redes neurais baseado na teoria da regressão não-linear é apresentada. A idéia principal do método proposto consiste em utilizar técnicas de agrupamento para estimar a variância dos resíduos em função do vetor de entrada apresentado à rede e incorporar essa estimativa ao cálculo dos intervalos de predição. Os resultados dos experimentos realizados mostram que tal abordagem pode gerar intervalos de predição com uma melhor representação da precisão das respostas das RNAs. / Due to their large representational capacity, Artificial Neural Networks (ANNs) have been widely used as universal approximators of functions in the construction of nonlinear predictive models, including oil industry applications. However, due to the stochastic nature of the ANN training, indicators of quality and reliability to the outputs of these models, such as the prediction intervals, are extremely necessary and play an important role in real applications. Many of the techniques adopted to calculate the prediction intervals impose a set of constraints that must be respected by the data sample used to train the ANN. One of these restrictions requires that the variance of the residuals must be constant, a fact that does not always occur in real applications, where the existent noise rate may vary as a function of input data, making the reliability calculated by traditional methods become not suitable with the actual accuracy of the neural network. In this work, an extension to a method for calculating prediction intervals for neural networks, based on the theory of nonlinear regression, is presented. The main idea of the proposed method is to estimate an input dependent variance of the residuals using clustering techniques and incorporate this estimate to the computation of the prediction intervals. The results of the performed experiments show that this approach can lead to prediction intervals which better represent the accuracy of the ANNs outputs.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Ciência da Computação. / Made available in DSpace on 2013-07-16T01:33:21Z (GMT). No. of bitstreams: 1 222388.pdf: 1038014 bytes, checksum: 763dd8d05c90466a4a6c7ebff9864966 (MD5) / Esta dissertação tem como objetivo mostrar como a abordagem conexionista pode ser utilizada na avaliação e previsão do tempo total em operações de perfuração e completação de poços de petróleo em águas profundas. Os valores dos parâmetros utilizados para estimar o tempo total gasto da operação realizada no poço foram retirados de um banco de dados históricos de uma companhia petrolífera. As correlações e as características destes parâmetros foram detectadas utilizando-se de uma rede neural competitiva conectada a uma rede neural direta que foi treinada para estimar a média, o desvio padrão e o tempo total gasto na operação realizada no poço. São apresentados os experimentos realizados para validação do modelo e os resultados são utilizados para avaliar o desempenho e validade da proposta. Uma das vantagens da metodologia proposta, está no fato de ser uma ferramenta simples e prática para obtenção de uma estimativa do tempo total de uma operação realizada sobre um poço de petróleo baseado em parâmetros geométricos e tecnológicos, sem a necessidade de especificar todas as sub-operações de perfuração e completação como acontece nos métodos tradicionais de analise de risco.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-graduação em Ciência da Computação / Made available in DSpace on 2013-07-16T01:36:59Z (GMT). No. of bitstreams: 1 221624.pdf: 573400 bytes, checksum: c561ffacb979f7ccbb5aea423ab15879 (MD5) / Este trabalho faz parte do Projeto PCarga, que tem como objetivo o desenvolvimento de um sistema previsor de carga elétrica ativa de curto prazo. O modelo, proposto por Oliveira (2004), visa a previsão de meia hora a frente em uma janela de uma semana, com a utilização de uma estrutura inteligente e adaptativa que se ajusta às características específicas de cada microrregião de consumo de energia elétrica e necessita de um baixo nível de intervenção humana. O modelo possui um modelador evolutivo que opera através de algoritmos genéticos e é responsável pela otimização do vetor das variáveis de entrada relevantes para a rede neural do sistema previsor. A pesquisa aqui apresentada envolve a otimização deste algoritmo genético na tentativa de reduzir o seu tempo de convergência. Para tanto, foi realizado um trabalho envolvendo duas hipóteses. A primeira hipótese consiste em criar uma função de mutação simultânea em grupos específicos de variáveis, visando fazer com que o algoritmo tenha uma convergência mais rápida quando comparado ao método de mutação individual. Esta hipótese foi confirmada através de uma série de experimentos. A segunda hipótese trabalha com a idéia de redução do tamanho do cromossomo do algoritmo genético, através da eliminação de variáveis de deslocamento redundantes (valores absolutos e derivados). Neste caso, os experimentos realizados comprovaram a hipótese contrária, o que significa que a combinação de valores absolutos e derivados, ao invés da utilização de apenas um tipo destes valores, é fundamental para a boa qualidade das previsões da rede neural.

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2013-07-16T02:05:04Z (GMT). No. of bitstreams: 1 222933.pdf: 3290992 bytes, checksum: 702120fe6a160107d91a42a3b4e81648 (MD5)