Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Química. / Made available in DSpace on 2013-07-16T00:39:27Z (GMT). No. of bitstreams: 0 / Em um setor com a magnitude da avicultura, que usa equipamentos de ultima geração e serviços atualizados, tem-se, na maioria das vezes, que se tomar decisões operacionais que envolvem todos os aspectos de produção, apoiada em critérios subjetivos. As redes neurais artificiais (RNAs) têm se mostrado muito eficientes na resolução e aprimoramento de soluções em muitas áreas. Diante disso, a presente dissertação objetivou estudar a utilização das redes neurais artificiais como instrumento de monitoramento do processo de produção de frangos de corte. Especificamente na estimação de parâmetros de temperatura e concentração molar de dióxido de carbono (CO2) em incubadoras. As redes foram utilizadas para relacionar a influência dessas variáveis no desempenho da incubação. A aplicação da Inteligência Artificial foi proposta e comparada com um método matemático na previsão da eclodibilidade dos ovos no processo de incubação artificial. A arquitetura da rede neural utilizada nestas aplicações é do tipo "feedfoward". Os treinamentos das redes foram realizados através do algoritmo "backpropagation" e foram baseados em dados obtidos de incubações industriais. Os modelos de RNAs foram selecionados como melhores baseados no coeficiente de determinação múltipla (R2) e medidas de erro. Resultados de simulação da abordagem proposta indicam que esta metodologia pode ser utilizada eficientemente no processo de monitoramento de incubação artificial podendo ser utilizada em sistema supervisório. A RNA também demonstrou superioridade nas medidas de erro quando comparada ao método matemático de mínimos quadrados.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2013-07-16T01:10:18Z (GMT). No. of bitstreams: 1 213664.pdf: 7712834 bytes, checksum: 25d510ac154de316d39ba9f2c1e83262 (MD5) / O presente trabalho está relacionado ao desenvolvimento de técnicas computacionais para auxílio no diagnóstico de epilepsia. O sistema proposto é baseado em uma classe de redes neurais artificiais com aprendizado não-supervisionado, os Mapas Auto-Organizáveis de Kohonen (MAK) e tem por finalidade detectar automaticamente eventos epileptogênicos (espícula e ondas agudas) em sinais de EEG. Utiliza quatro redes neurais, treinadas separadamente, cada uma responsável por identificar um tipo específico de padrão do EEG, quais sejam: paroxismos epileptogênicos, atividade de fundo normal, piscadas e ruídos muscular ou de eletrodo. O conjunto de sinais para teste e treinamento foi retirado de nove registros, com duração total de 12 horas, obtido de sete pacientes comprovadamente epilépticos. Os padrões utilizados para treinamento e testes do sistema têm duração de um segundo e não sofreram pré-processamento. O sistema foi capaz de detectar espículas e ondas agudas com aproximadamente 82% de especificidade, 58,0% de sensibilidade e valores preditivo positivo e preditivo negativo de 65,4% e 76,7%, respectivamente. O resultado é aceitável, se comparado ao índice de concordância entre dois especialistas (em torno 50%). O desempenho médio do sistema desenvolvido com as redes MAK é equivalente ao desempenho de um sistema similar baseado em redes feedforward com a vantagem, no primeiro caso, de além do treinamento ser não-supervisionado não necessita de um vetor alvo.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-graduação em Engenharia Química / Made available in DSpace on 2013-07-16T01:15:04Z (GMT). No. of bitstreams: 1 212388.pdf: 3238022 bytes, checksum: 577ca137680a69037adb276e4b6eaa1f (MD5) / Neste trabalho foi realizado um estudo em torno de um sistema de controle de temperatura, o qual apresenta não-linearidades e perturbações difíceis de serem modeladas. Inicialmente foi investigada a aplicação de um controlador linear PID, ajustado segundo metodologias clássicas da pré-sintonia segundo práticas simplificadas de identificação do sistema em questão. Os resultados observados para o controlador PID não foram considerados satisfatórios devido a pouca informação a respeito da dinâmica do processo que fica agregada ao modelo utilizado, bem como o tempo morto envolvido nas ações de controle. O fato do controlador PID não apresentar bom desempenho para sistemas com dinâmica variável, como caso do sistema estudado foi demonstrado.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2013. / Made available in DSpace on 2014-08-06T17:09:24Z (GMT). No. of bitstreams: 1 323091.pdf: 1570646 bytes, checksum: bee096b9962f68dd132435b792b08011 (MD5) Previous issue date: 2013 / Este trabalho apresenta primeiramente uma pesquisa que tem como foco a investigação da relação da carga elétrica com a temperatura ambiente para a Ilha de Santa Catarina, e a influência da temperatura na precisão da previsão de carga elétrica de curto prazo, em diferentes faixas de temperatura. A partir dos dados históricos de carga e temperatura, foi construída uma aproximação polinomial de terceiro grau da relação carga versus temperatura, onde a curva resultante mostra a influência da temperatura sobre o comportamento da carga e o relacionamento não linear entre estas variáveis. Foi verificado, para a região estudada, que existe uma faixa central de temperatura com pouca influência no consumo, enquanto que acima ou abaixo desta faixa, existem, respectivamente, relações significativas direta e inversa com o comportamento da carga. Ainda que, a precisão da previsão da carga horária por uma rede neural é afetada pela faixa de temperatura considerada. Outra contribuição desta dissertação é a proposta de um método de correção para a rede neural que minimiza o erro de previsão gerado pelas faixas de temperatura que mais afetam a previsão de carga. Os estudos experimentais indicaram que uma rede neural que inicialmente apresentava instabilidade quando submetida a variações de temperatura, após sua correção, conseguiu diminuir seus erros de previsão a índices muito próximos a dias normais. <br> / Abstract : This work first presents a research that has focused on the investigation of the relationship between electric load and temperature in the Island of Santa Catarina and the influence of the temperature on short-term load forecasting regarding different temperature intervals. Based on historic data of load and temperature, it is built a load over temperature curve from a third-degree polynomial approximation, which is used to estimate the influence of the temperature on the load and the nonlinear relationship between these variables. For the studied region it has been shown that there is a central temperature interval with minimum influence on demand, while above and below that interval, respectively, direct and inverse relationships with the behavior of the load is observed. Furthermore, the load prediction accuracy of a neural network is affected by the temperature range considered. This study may produce as result a better scaling on load demand, resulting in financial gain to the distributors. Based on this knowledge we propose a correction method for the neural network that minimizes the prediction error generated by the temperature ranges that most affect the load forecasting. Experimental studies suggested that a neural network which initially showed instability when subjected to temperature changes after correction, managed to reduce forecast error to rates very similar to the normal days.

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2012-10-20T16:15:25Z (GMT). No. of bitstreams: 1 221786.pdf: 8077246 bytes, checksum: 116ab0c3866a25bd0a6dbf195a10bcec (MD5) / Este trabalho explorou técnicas de inteligencia computacional, mais especificamente o uso de redes neurais artificiais no controle de posição e de força de um robô manipulador. Foi basicamente explorada a arquitetura de aprendizagempor retropropagação de erros na qual uma rede neural trabalha em paralelo com um controlador convencional. A vantagem

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2012-10-20T16:58:13Z (GMT). No. of bitstreams: 1 210785.pdf: 1284504 bytes, checksum: 2a7fb65da36931b1c5c0fe34e0285396 (MD5) / Técnicas de reconhecimento de padrões são importantes ferramentas dentro da inteligência artificial, sendo aplicáveis em áreas como análise de imagens, reconhecimento de caracteres, reconhecimento de fala, auxílio a diagnósticos médicos, identificação de pessoas, inspeção industrial. Neste trabalho foram desenvolvidas quatro técnicas de reconhecimento de padrões baseadas no cálculo de distância, sendo três delas não paramétricas (PID, SID, MID) e a quarta técnica, a elipsoidal, paramétrica. Esta última técnica pode ser considerada a otimização das três primeiras. Para verificar a validade das técnicas desenvolvidas fez-se um estudo das técnicas de reconhecimento de padrões. Aqui, são apresentadas as principais técnicas: regra de Bayes, máxima verossimilhança, aproximação bayesiana, vizinhança mais próxima (k-NN), Parzen window, perceptron multicamadas, redes RBF e mapas de Kohonen. Em seguida, algumas dessas técnicas foram comparadas com as desenvolvidas aqui. Para fazer essa comparação, foi criado o software classificador, que mostrou ser uma ferramenta útil para o projeto de sistemas de reconhecimento de padrões, pois possibilita testar diferentes técnicas, verificando qual a técnica é mais adequada para cada problema. Essa comparação mostra que as técnicas PID, SID, MID e elipsoidal têm bom desempenho e que podem ser alternativas a considerar-se em projetos de sistemas de reconhecimento de padrões.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Ciência da Computação. / Made available in DSpace on 2012-10-20T21:41:36Z (GMT). No. of bitstreams: 1 195472.pdf: 1212786 bytes, checksum: f740f674c10c6805507306f7bc131f4c (MD5)

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-graduação em Ciência da Computação / Made available in DSpace on 2012-10-21T00:11:11Z (GMT). No. of bitstreams: 1 209062.pdf: 777891 bytes, checksum: a6fca32fe07f0f86f1b8b0e74d124f7f (MD5) / Robôs Móveis Inteligentes são sistemas computacionais que operam em ambientes dinâmicos e imprevisíveis. Eles interpretam dados obtidos pelos sensores que refletem eventos ocorridos e executam comandos em motores que produzem efeitos no ambiente. O grau de autonomia de um agente está relacionado à capacidade de decidir por si só como relacionar os dados dos sensores com os comandos aos atuadores em seus esforços para atingir os objetivos para os quais foi projetado. Deste modo, a capacidade de aprendizado e adaptação do agente está intimamente relacionada com o seu grau de autonomia. Dentro do paradigma de inspiração biológica adotada na arquitetura de controle PiramidNet, Redes Neurais Artificiais são as ferramentas utilizadas para implementar a inteligência e o controle dos sistemas robóticos. Entretanto, mecanismos capazes de fazer o aprendizado permanente e em tempo de operação em sistemas robóticos controlados por Redes Neurais são escassos ou ainda estão em fase inicial de desenvolvimento. Neste trabalho, pretendeu-se estudar, propor e implementar métodos que possibilitassem o aprendizado em tempo real de Robôs Móveis Inteligentes controlados por Redes Neurais Artificiais. Para tal, propôs-se uma arquitetura neural de controle capaz de apresentar características de plasticidade e de estabilidade adequadas, utilizando redes ART # Adaptive Ressonance Theory e redes MLP # Multi-Layer Perceptron, associados a um esquema de aprendizagem por reforço como metodologia de aprendizado em tempo real.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Química. / Made available in DSpace on 2012-10-21T01:11:57Z (GMT). No. of bitstreams: 0 / Por muitas razões, o processo de destilação é a mais importante técnica de separação na indústria de processos químicos em todo o mundo. No entanto, a implementação do controle industrial é dificultada por se não linear, não-estacionário, interativo, e ainda sujeito a restrições e perturbações. Muitos dos modernos métodos de controle são baseados em modelos não-lineares multivariáveis. Os modelos não-lineares precisam ser mais rigorosos e com maiores exigências computacionais na medida em que aumenta a complexidade do processo. As redes neurais são uma alternativa para a modelagem destes processos na medida em que não se necessita um conhecimento a priori do processo. As redes neurais são capazes de encontrar correlação nos problemas complexos e não-lineares, processam a informação rapidamente e podem ser usadas para reduzir o esforço para o desenvolvimento de um modelo para controle. A utilização de uma rede neural para simplificar a modelagem fenomenológica de uma coluna de destilação é apresentada. A rede neural aqui utilizada apresenta uma modificação para melhorar a sua capacidade de generalização. A rede exibe uma performance superior quando comparada com redes feedforward e de base radial na identificação de processos fortemente não-lineares. O caso estudado é uma coluna de destilação com 12 m de altura e 30 pratos, que separa hidrocarbonetos em processo contínuo. Um procedimento sistemático em três etapas é desenvolvido. O primeiro consiste na coleção de dados e eleição das variáveis mais importantes do processo. A aquisição de dados foi feita usando um simulador rigoroso, numa periodicidade compatível com o que poderia ser feito num processo real. A seguir, entradas são informadas à rede no processo de treinamento. A terceira etapa é a validação do modelo testando-o com um novo grupo de dados. O presente trabalho analisa a rede para um número crescente de entradas e saídas possível de ser calculado; a qualidade e quantidade do grupo de dados de treinamento e previsão; o número máximo de passos possíveis de serem preditos pela rede; e finalmente a melhor topologia. A rede ainda é testada para uma série de variáveis de entrada. A performance da rede é testada para determinar os melhores parâmetros livres a serem usados. A qualidade do modelo depende no sucesso de cada uma destas três etapas.Aparte servir como um preditor, a rede neural provê informação sobre a relevância de cada variável. A maioria das predições forneceu coeficientes de correlação acima de 99%, mostrando que a rede pode ser usada em controle e ainda como um sensor por software.

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2012-10-21T05:12:59Z (GMT). No. of bitstreams: 1 199639.pdf: 1526933 bytes, checksum: bafb524eda8085f631f18d355d382f4a (MD5)