Submitted by Fernanda Rodrigues de Lima (fernanda.rlima@ufpe.br) on 2018-10-03T19:56:52Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Alexandre Soares Ramos.pdf: 2710588 bytes, checksum: 8be38cdcc1321d3316efb780e25a7d4b (MD5) / Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-11-14T16:26:06Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Alexandre Soares Ramos.pdf: 2710588 bytes, checksum: 8be38cdcc1321d3316efb780e25a7d4b (MD5) / Made available in DSpace on 2018-11-14T16:26:07Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Alexandre Soares Ramos.pdf: 2710588 bytes, checksum: 8be38cdcc1321d3316efb780e25a7d4b (MD5) Previous issue date: 2010-03-15 / CNPq / A tomada de decisão em um ambiente envolvendo incerteza é um problema que data dos primórdios da civilização. Atualmente, uma das áreas mais desenvolvidas em termos de metodologia de análise do comportamento do mercado sob incerteza é o setor financeiro. A análise de evolução dos preços de ações tem demandado o uso de um instrumental analítico fortemente fundamentado e que envolve a utilização de instrumental quantitativo bastante avançado. Os avanços recentes no estado da arte na área da econometria e as controvérsias com os resultados teóricos da Economia, demandou e ainda demanda, uma aobrdagem multidisciplinar para a análise de dados fazendo surgir a criação de novos modelos, em particular, para séries financeiras. Como os modelos tradicionais usados isoladamente, mesmo os não lineares, não apresentam resultados satisfatórios em todos os períodos analisados, uma forma sugerida em muitos casos é combinar modelos para aproveitar as melhores capacidades de previsão de cada um deles, pretendendo com isso, captar os principais parâmetros determinantes da dinâmica das séries temporais. Nesta tese é proposto a utilização de um sistema híbrido, baseado em Redes Neurais Artificiais (RNA) e Modelos econométricos não-lineares, para realizar previsões com o intuito de se conseguir um melhor resultado com esses modelos quando comparados aos modelos isolados. O objetivo do trabalho é investigar quais modelos fornecem a melhor qualidade de previsão, as limitações desses modelos e se os mesmos têm aplicações práticas quando aplicados a previsões de séries temporais. Como resultado, foi possível concluir que o modelo combinado se ajusta melhor aos dados reais do que os modelos individuais, fato este comprovado através da comparação das diferentes medidas de performance. Por exemplo, no caso da série de preços das ações da Petrobras, o erro quadrático médio (MSE) do modelo combinado é reduzido em 40% quando comparado ao MSE do melhor dos modelos estudados. No conjunto das séries não-financeiras, o MSE do modelo combinado para a série de emissão de CO₂ apresentou uma redução de 65% quando comparado ao MSE do modelo ARIMA que para a presente série foi o modelo individual com melhor performance. Usou-se o MSE como exemplo pois o MSE é a medida mais utilizada pela sua facilidade de cálculo e por ser uma métrica encontrada em praticamente todos os pacotes computacionais que trabalham com estatística e RNAs, facilitando assim a comparação dos resultados. De uma forma geral temos sete parâmetros de comparação entre os modelos em sete séries de teste. Assim temos 49 resultados dos parâmetros de comparação. Em 35 resultados o modelo combinado é o melhor dos três, ou seja, para as séries em teste, em 71,4% das vezes o modelo combinado é o melhor. Em 42 resultados o modelo combinado aparece como o melhor resultado, ou seja, para as séries em teste, em 85,7% das vezes o modelo combinado é melhor ou tão bom quanto o das RNAs. Enquanto isso, o modelo RNA aparece apenas 7 vezes (14,3%) como o melhor resultado e 13 vezes (26,5% ) das vezes como melhor ou tão bom quanto o modelo Combinado. O Modelo de Box&Jenkins só apresenta um resultado como sendo o melhor na série de CO₂, na medida BIC. Assim, verifica-se que entre os modelos e dentre essas séries, o modelo Combinado é o mais adequado a se utilizar. Logo, podemos afirmar que, em algumas situações, esses modelos híbridos fornecem melhores resultados quando comparados aos modelos econométricos tradicionais ou mesmo aos modelos puros de Redes Neurais geralmente utilizados para se fazer previsões. / Decision making under uncertainty is a problem that has existed since the dawn of civilization. Currently, the financial sector is one of the most advanced in terms of methodological analysis of market behavior under uncertainty. The analysis of evolution of stock prices has required the use of a quantitative analytical tools strongly based. Recent advances in the state of the art in the area of econometrics and controversies with the theoretical results of the Economy have demanded and still demand a multidisciplinary approach to data analysis, creating the creation of new models, particularly for financial series. As the traditional models used alone, even non-linear ones, do not present satisfactory results in all the analyzed periods, a suggested way in many cases is to combine models to take advantage of the best predictive capacities of each one of them, intending to capture the main parameters that determine the dynamics of the time series. This thesis proposes to use a hybrid system based on Dynamic Artificial Neural Networks (DANN) and non-linear econometric models to make predictions, in order to achieve a better result. The objective of this study is to investigate which models provide the highest quality prediction, the limitations of these models and whether they have practical applications when applied to forecasts financial series. As a result, it was concluded that, in some cases, the combined model fits the data better than the actual individual models, a fact confirmed by comparing the different measures of performance. For example, in the series of stock prices of Petrobras, the mean square error (MSE) of the combined model is reduced by 40% compared to the MSE of the best studied individual model. In the group of non-financial series, the MSE of the combined model for the CO₂ emission has fallen by 65% compared to the MSE of the ARIMA model for which this series was the individual model with better performance. The MSE was used as an example because the MSE is the most used measure for its ease of calculation and for being a metric found in almost all the computational packages that work with statistics and RNAs, thus facilitating the comparison of the results. In general we have seven parameters of comparison between the models in seven test series. Thus we have 49 results of the comparison parameters. In 35 results the combined model is the best of the three, that is, for the series under test, at 71.4 % of the time the combined model is the best. In 42 results the combined model appears as the best result, that is, for the series under test, at 85.7 % of the time the combined model is better or as good as the RNAs. Meanwhile, the RNA model appears only 7 times (14.3 %) as the best result and 13 times (26.5 %) of the times as better or as good as the Combined model. The Box&Jenkins Model only shows one result as being the best in the CO₂ series, in BIC measurement. Thus, it is verified that among the models and among these series, the Combined model is the most suitable to be used. Thus, we can say that, in some situations, these hybrid models provide better results when compared to traditional econometric models or even the pure models of neural networks generally used to make predictions.

Orientador: Peter Sussner / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-08T21:41:14Z (GMT). No. of bitstreams: 1 Silva_AlexandreMonteiroda_M.pdf: 1559426 bytes, checksum: 52ce2418bd5c53c4f4c73b886d298fbe (MD5) Previous issue date: 2007 / Resumo: A teoria de redes neurais morfológicas e suas aplicações têm experimentado um crescimento contínuo e crescente nos últimos anos. Neste contexto, calcular o próximo estado de um neurônio, ou de uma camada, envolve uma das operações elementares da morfologia matemática. Nesta dissertação, forneceremos a caracterização de alguns modelos de redes neurais morfológicas, bem fundamentados pela teoria de morfologia matemática em reticulados completos, e também apresentaremos uma comparação do desempenho dos modelos em problemas de classificação / Abstract: The theory of morphological neural networks and its applications have experiencied a steady and consistent growth in the last few years. In this setting, computing the next state of a neuron or performing the next layer computation involves one of the elementary operations of mathematical morphology. In this dissertation, we will provide a characterization of several morphological neural networks, well conduct by the theory of mathematical morphology over complete lattices, and we will also present a comparison of the performance of the models over classification problems / Mestrado / Mestre em Matemática Aplicada

Orientador: Daniel Barrera-Arellano / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia de Alimentos / Made available in DSpace on 2018-08-15T10:12:00Z (GMT). No. of bitstreams: 1 Garcia_RitadeKassiadeAlmeida_M.pdf: 969495 bytes, checksum: baa8a3d191c494fbbdc083a5370d648f (MD5) Previous issue date: 2010 / Resumo: A utilização de gorduras interesterificadas tem sido uma alternativa para a fabricação de produtos zero e low trans, substituindo as gorduras parcialmente hidrogenadas, que são as maiores fontes de ácidos graxos trans na dieta, e cujo consumo deve ser evitado, devido aos efeitos adversos já comprovados que podem provocar no organismo. Os métodos convencionais utilizados pelas empresas para a formulação de gorduras envolvem procedimentos de tentativa e erro, podendo acarretar perdas econômicas, dependendo de tempo e disponibilidade de matérias-primas. As Redes Neurais Artificiais são sistemas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência, e vem ganhando ampla aplicação na indústria alimentícia. O objetivo deste trabalho foi formular ¿blends¿ para aplicação em margarinas duras utilizando uma rede neural construída e treinada com gorduras interesterificadas e óleo de soja. Os dados de entrada no programa para obtenção de formulações foram o SFC e o ponto de fusão das gorduras comerciais padrão para a aplicação requerida. Das respostas obtidas foram selecionadas 3 formulações para cada gordura comercial. Todas as gorduras foram analisadas quanto à composição em ácidos graxos e triacilglicerídica e as formulações propostas comparadas às gorduras comerciais quanto à consistência, curvas de fusão e cristalização e isotermas de cristalização. Todas as formulações sugeridas pela rede apresentaram maior desvio no SFC em relação ao perfil solicitado na temperatura de 10°C e 45°C, devido ao perfil das matérias-prima s. Porém o SFC e o ponto de fusão previstos pela rede apresentaram valores muito próximos aos determinados experimentalmente. Testes em planta piloto indicaram que margarinas duras elaboradas com a gordura comercial e a formulada pela rede não apresentaram diferença expressiva em consistência e sabor. A espalhabilidade da margarina formulada pela rede apresentou pequenos grânulos, porém uma melhor estabilidade quanto à exsudação de óleo ou água. Algumas adaptações no processo de fabricação podem reduzir ou eliminar defeitos nesse tipo de produto. A rede neural pode ser considerada uma ferramenta de grande valor na indústria, como alternativa aos procedimentos convencionais, assim como na formulação e produção de alimentos com zero ou baixo teor de isômeros trans / Abstract: The use of interesterified fats has been an alternative for the manufacturing of zero and low trans products, replacing partially hydrogenated fats, which are major sources of trans fatty acids in the diet, and whose consumption should be avoided because of the adverse effects that they can cause to health. Conventional methods used by companies to formulate fats involve trial and error procedures, which may cause economic losses, depending on time and availability of raw materials. Artificial neural networks are computational systems that construct a mathematical model based on the neural structure of intelligent organisms and acquire their knowledge through experience, and have gained wide application in the food industry. The objective of this study was to formulate blends for use in margarine using a neural network built and trained with interesterified fats and soybean oil. The entry data to the program in order to obtain the formulations were the SFC and the melting point of commercial standard fats for the required application. Among the responses given by the neural network, 3 formulations were selected for each commercial fat. All fats were analyzed for fatty acid and triacylglycerol composition and the proposed formulations were compared with the commercial fats for consistency, melting and crystallization curves and isothermal crystallization. All the formulations suggested by the network showed higher deviation in the SFC in relation to the requested profile in a temperature of 10 ° C and 45 ° C, due to the charac teristics of the raw materials. On the other hand, the SFC and melting point given by the network presented values very close to those determined experimentally. Pilot plant tests indicated that hard margarines prepared with commercial fat and formulated by the network showed no significant difference in texture and flavor. The spreadability of margarine formulated for neural network showed small granules, but greater stability in the exudation of oil or water. Some adjustments in the manufacturing process can reduce or eliminate defects in this type of product. The neural network can be considered a very valuable tool in the industry as an alternative to conventional procedures, as well as for the design and production of foods with zero or low trans isomers / Mestrado / Mestre em Tecnologia de Alimentos

Orientadores: Ana Maria Frattini Fileti, Flávio Vasconcelos da Silva / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química / Made available in DSpace on 2018-08-16T02:02:41Z (GMT). No. of bitstreams: 1 Dall´Agnol_Marcelo_M.pdf: 3167173 bytes, checksum: fc8b21f6fe3204996f4d61c2febac662 (MD5) Previous issue date: 2010 / Resumo: O presente trabalho teve por objetivo propor uma sistemática para identificação de um sistema de refrigeração dotado de compressor e bomba de fluido secundário de rotação variável, para a aplicação futura de alternativas de controle multivariáveis com foco na redução do consumo de energia e otimização do coeficiente de performance (COP) de tais sistemas. Uma primeira etapa de ensaios experimentais foi realizada para gerar um conhecimento prévio do sistema, caracterizando-o como não-linear. Foram utilizadas diversas arquiteturas de redes neurais artificiais (RNA) para gerar modelos não-lineares MIMO (Multiple Input-Multiple Output), através do software MATLAB® para fazer a predição das temperaturas de evaporação e do fluido secundário. Para treinamento da rede neural foram utilizados dados de ensaios em malha aberta e malha fechada com um controlador PID desenvolvido especialmente para este fim. Neste sistema de controle PID foram utilizadas técnicas como anti-windup e derivative-kick na tentativa de melhorar a atuação de tal controlador. O PID, apesar de conseguir controlar o sistema em torno de 2°C, mostrou-se pouco eficiente quando eram aplicados degraus no set-point e na carga elétrica. A modelagem não-linear resultou em uma rede neural com arquitetura 11x2x8x2 que foi capaz de prever as duas temperaturas com precisão de mais ou menos 0,5°C, mesmo quando o sistema de refrigeração se manteve instável. / Abstract: The main aim of the present work was to propose a systematic identification procedure for an experimental refrigeration system operating under variable rotation speed compressor and pump of secondary fluid. This work will find future applications in alternative multivariable control development with focus on reducing energy consumption and on the optimization of the coefficient of performance (COP) of such systems. The nonlinear feature of the system was proved by means of imposed speed disturbances process reaction curves. Using the software MATLAB? Various artificial neural networks (ANN) architectures were used to generate non-linear models with Multiple-Input-Multiple-Output (MIMO) variables, in order to predict the evaporation and the secondary fluid temperatures. Open-loop and also closed loop assays were carried out and the experimental data used in the neural network training procedure. A specially designed PID, using anti-windup and derivative-kick techniques, was employed in the closed-loop runs. This conventional temperature controller showed an acceptable off-set of 2°C, however some instability occurred when set point and thermal load changed. The best non-linear modeling resulted in a neural network with architecture 11x2x8x2. This neural model was able to predict the two temperatures with precision of about 0.5°C, even when the refrigeration system remained unstable. / Mestrado / Sistemas de Processos Quimicos e Informatica / Mestre em Engenharia Química

Orientador: Roger Josef Zem / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica / Made available in DSpace on 2018-08-11T09:38:40Z (GMT). No. of bitstreams: 1 Dal'Boit_Silvia_M.pdf: 447965 bytes, checksum: c94324c82fb6fa904907ff7875b11ae1 (MD5) Previous issue date: 2008 / Resumo : Esse trabalho tem como objetivo o estudo da viabilidade de se utilizar se redes neurais artificiais (RNAs) para a predição de equilíbrio líquido-vapor (EL V), utilizando a abordagem do método de contribuição de grupos, método UNIF AC. Foram feitas duas propostas de trabalho, uma substituindo o método UNIF AC para o cálculo do coeficiente de atividade (?) pelas RNAs e outra calculando diretamente a composição da fase vapor (y) através das RNAs. A principal vantagem da utilização de uma rede neural reside na sua capacidade de modelar o sistema em equilíbrio sem a necessidade da definição prévia de um modelo de equilíbrio específico, como ocorre, por exemplo, no método UNIF AC. Foram estudados dois sistemas, um sistema constituído de misturas binárias álcoois água com cinco grupos funcionais UNIF AC e outro com misturas binárias de: álcoois, água, aldeídos e cetonas, com oito grupos funcionais UNIF AC. Foram usadas redes neurais do tipo feedforward com uma camada escondida. Utilizou-se o software Matlab 7.0 como ferramenta para esse trabalho. Nesse trabalho o número de neurônios na camada escondida foi estimado por três métodos diferentes. No entanto, os melhores resultados não foram obtidos por nenhum .destes e sim por redes com números de neurônios bem menores. Esse resultado demonstrou a independência de teorias e postulados na área de redes neurais artificiais, já que não existe como prever o seu desempenho e nem como escolher através de uma forma ótima e única os seus algoritmos e funções. Os resultados obtidos mostraram uma. boa capacidade de predição da rede, com desvios na mesma ordem de grandeza que os métodos baseados no uso de um modelo específico para a descrição do comportamento de equilíbrio líquido-vapor, mas sem a necessidade de se definir um modelo ou de seretp calculados parâmetros de interação ou constantes ajustáveis. Esse resultado é relevànte, uma vez que os sistemas estudados apresentam não idealidades acentuadas / Abstract : In this work the suitability of artificial neural networks (ANN) for the prediction of vapour-liquid equilibrium (VLE) is analyzed, using molecular groups that describe the components as input. Two different approaches were studied. In the first proposal the ANN is used to predict activity coefficients, in a similar way as done by the UNIF AC method. In the second proposal, vapour composition and equilibrium temperature are computed by the neural network without intermediate activity coefficient calculation. The main gain of the neural network is it capability to model the VLE without a previous definition of a specific equilibrium mo dei, like the UNIF AC mode!, for instance. Two different systems were studied, one of these is consisting of only binary mixtures for alcohols-water components with five UNIF AC functional groups. The other one is composed of binary mixtures of alcohols, water, aldehydes and ketones components with eight UNIF AC functional groups. The ANN used in this work is a feedforward network with one hidden layer, the networks was implemented in Matlab 7.0 software. In this work the numbers of hidden layers was estimating by three different methods. However the best results weren't found by none of these methods, but by a . smaller number of neurons than the indicated methods. These results show the independency of theories and postulates in the ANN area. There isn't a simple way to preview the network performance nor hüw to chose the optimum and unique form its algorithms and functions. The results showed that the proposed networks are capable of predicting VLE within a reasonable error margin, comparable to methods using specific thermodynamic models, without the necessity to define a mo dei, to calculate interaction parameters or adjustables constants. This result is relevant, respecting the systems presented here have a highly non-ideal behaviour / Mestrado / Sistemas de Processos Quimicos e Informatica / Mestre em Engenharia Química

Orientador: Ernesto Ruppert Filho / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e Computação / Made available in DSpace on 2018-08-11T20:28:16Z (GMT). No. of bitstreams: 1 LuqueCarcasi_DiodomiroBaldomero_M.pdf: 943595 bytes, checksum: c20084d6cea7e72315ca4292797e783f (MD5) Previous issue date: 2005 / Resumo: Este trabalho apresenta um estudo sobre o comportamento de motores de indução trifásico em regime permanente. Discute-se a validade da utilização do circuito elétrico equivalente do motor nas condições nominais e fora das condições nominais de operação. Ensaios em vazio e com rotor bloqueado são executados em um motor de indução trifásico para a determinação dos parâmetros do circuito equivalente. O ensaio realizado em condições de carga variável dentro de um intervalo usual de operação do motor, em termos de escorregamento, mostra que o circuito equivalente não representa o comportamento da máquina quando esta trabalha fora do ponto nominal de operação, porque os parâmetros não mais o representam bem naquelas situações de operação. As grandezas obtidas nos ensaios em carga variável são adequadamente condicionadas e utilizadas no treinamento de uma rede neural artificial Multi-Layer Perceptron (MLP). Para a validação dessa rede são comparados os resultados obtidos no modelo neural com os testes experimentais do motor de indução trifásico. / Abstract: This thesis presents a study about the steady state behavior of the three-phase induction motor. The validity of the use of the electric equivalent circuit is discussed when it is utilized on the rated conditions and also on any other operating conditions. No-load and the blocked rotor tests are performed on a three-phase induction motor for the determination of the equivalent circuit parameters. The tests run in variable load conditions in a usual interval of operation of the motor, in terms of slip, show that the equivalent circuit does not represent quit well the behavior of the machine when it works out of the rated point, because the parameters do not represent it in those operating condition any more. The magnitudes obtained in the variable load test are conditioned and used in the training of an artificial neural network Multi-Layer Perceptron (MLP). For the validation of the results, the neural model and experimental tests of the induction motor results are compared. / Mestrado / Automação / 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 2018-08-24T15:46:34Z (GMT). No. of bitstreams: 1 Barreto_MateusNeves_M.pdf: 6008302 bytes, checksum: ae210360a5363404761ca9b3566732ab (MD5) Previous issue date: 2014 / Resumo: O Sistema Elétrico Brasileiro abastece cerca de 97% da demanda de energia nacional. Frente ao extenso território brasileiro, necessita-se de um sistema de transmissão de larga escala, devido as grandes distâncias entre as gerações, das hidroelétricas, e a principal concentração da demanda, no Sudeste brasileiro. Para garantir segurança e economia da operação do Sistema Elétrico Brasileiro são realizadas análises da operação do sistema de geração e transmissão frente às condições de cargas críticas. A ideia é preparar o sistema para suportar as condições mais severas de carga. A curva de carga crítica é calculada para cada mês com discretização horária (ou menor). A mesma é composta pela carga mínima observada num dado mês no período da primeira a oitava hora, e pela carga máxima observada no mês para as horas restantes. Utilizando históricos de demanda pertencentes aos agentes do Setor Elétrico Brasil, foi possível criar um histórico de cinco anos, 60 meses, de curvas de carga crítica. Esses dados foram disponibilizados pelo Operador Nacional do Sistema Elétrico Brasileiro ¿ ONS, em conjunto com o desenvolvimento de um projeto de pesquisa, através de um sistema de suporte a decisão nomeado SysPrev. Nesta dissertação são propostos três modelos para realizar a previsão da curva de carga crítica. Dois modelos utilizam Redes Neurais Artificiais e um modelo utiliza Suavização Exponencial de Holt-Winters (HW). Os resultados obtidos por todos os modelos foram satisfatórios. O modelo de Suavização Exponencial se destacou perante os outros dois modelos atingindo erros médios absolutos próximos a 3%. Esses resultados justificam-se devido às séries históricas de curvas de carga crítica possuírem características de tendência e sazonalidade e o modelo de HW ser projetado especificamente para séries temporais com estas características / Abstract: The Brazilian Power System supplies around 97 % of national energy demand. By reason of the broad Brazilian territory, it requires a transmission system of large scale, due to the large distances between the generations of hydropower and the main concentration of demand that stay in southeastern of Brazil. To ensure security and economy of operation of the Brazilian Electric System are performed analyzes the operation of generation and transmission system due to the conditions of critical loads. The idea is to prepare the system to resist the harshest load conditions. The curve of critical load is calculated for each month with hourly discretization (or less). It's made with the minimum load observed in a given month between the first to eighth hour, and to maximum load observed in the month for the rest of hours. Using the demand agents¿ history belonging to the Brazilian Power System, it was possible to create a record of five years, 60 months, of curves of critical load. These datas were available by the National Operator of the Brazilian Power System as part of the development of a research project, made available by a decision support system named SysPrev. This dissertation proposed three models to perform the forecasting of the critical load curve. Two models using Artificial Neural Networks and one model using Exponential Smoothing Holt-Winters (HW). The results obtained by all the models were satisfactory. The exponential smoothing model stood out against the other two models, this having absolute average errors near 3%. These results are justified due to the historical series of curves of critical load has characteristics of trend and seasonality and the HW model is specifically designed for time series with such characteristics / Mestrado / Engenharia de Computação / Mestre em Engenharia Elétrica

Orientador: Marconi Kolm Madrid / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-25T07:22:46Z (GMT). No. of bitstreams: 1 FernandesJunior_FranciscoErivaldo_M.pdf: 11967904 bytes, checksum: 6dbb5a0debdb45fdcc389ebc6c941205 (MD5) Previous issue date: 2014 / Resumo: No presente trabalho é mostrado o estudo e a implementação das Redes Neurais Artificiais, RNA, e Algoritmos Genéticos, AG, para resolução da cinemática inversa de um manipulador robótico com 5 graus de liberdade. Todo manipulador robótico é construído com o objetivo de se realize uma determinada tarefa. Para alcançar esse objetivo é necessário o estudo e o emprego dos seus modelos cinemáticos. A descrição matemática do movimento espacial realizado por cada elo do robô é conhecida como Cinemática que é o estudo do movimento de um corpo ou um sistema de corpos rígidos em relação a um referencial cartesiano fixo ignorando as forças e os momentos que causam tal movimento. Existem dois problemas ao se estudar a cinemática de um robô: o problema da cinemática direta e o problema da cinemática inversa. A cinemática inversa é um ramo com grandes desafios devido as equações não serem lineares, dificultando a determinação de soluções de uma forma fechada. Portanto, diversos pesquisadores, ao longo dos anos, tentam resolver esse problema evitando o uso de inversões de equações. Nesse sentido, o uso das redes neurais artificiais e dos algoritmos genéticos se mostram alternativas atraentes. As soluções encontradas no presente trabalho foram aplicadas a um robô educacional com 5 graus de liberdade composto de seis servomotores controlado por um microcontrolador Arduino Uno. O software MATLAB foi utilizado como ferramenta para o desenvolvimento e a aplicação desses dois métodos / Abstract: The present work shows the study and implementation of Artificial Neural Networks, ANN, and Genetic Algorithms, AG, to solve the inverse kinematics of a robotic manipulator with 5 degree of freedom. Every robotic manipulator is constructed with the goal of perform a specific task. To reach this goal, the robot needs to track a path, and for that it is necessary the study of its kinematics. The math description of the spatial movement performed by its links is known as kinematics that is the study of the movement of a rigid body or system of rigid bodies in relation to a fixed cartesian reference disregarding the forces and momentums that cause the movement. There are two problems when studying the kinematics: the forward kinematics problem and the inverse kinematics problem. The inverse kinematics is a field of study with challenges due the fact that the equations are not linear which become a problem to obtain closed form solutions. Therefore, many scientists try to solve this problem with methods that do not use equation inversions. In this sense, the use of artificial neural networks and genetic algorithms prove to be interesting alternatives for this purpose. The solutions found in this work were applied to an educational robot platform with 5 degree of freedom and six servomotors controlled by an Arduino Uno microcontroller. The MATLAB software was used as a tool to develop and application of these two methods / Mestrado / Automação / Mestre em Engenharia Elétrica

Orientadores: Fernando Antonio Campos Gomide, Marcos Eduardo Ribeiro do Valle Mesquita / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-26T08:06:32Z (GMT). No. of bitstreams: 1 Rosa_RaulArthurFernandes_M.pdf: 8750754 bytes, checksum: 0535142e4de0e75e311aea59a977386e (MD5) Previous issue date: 2014 / Resumo: Esta dissertação estuda uma classe de redes neurais evolutivas para modelagem de sistemas a partir de um fluxo de dados. Esta classe é caracterizada por redes evolutivas com estruturas feedforward e uma camada intermediária cujo número de neurônios é variável e determinado durante a modelagem. A aprendizagem consiste em utilizar métodos de agrupamento para estimar o número de neurônios na camada intermediária e algoritmos de aprendizagem extrema para determinar os pesos da camada intermediária e de saída da rede. Neste caso, as redes neurais são chamadas de redes neurais evolutivas. Um caso particular de redes evolutivas é quando o número de neurônios da camada intermediária é determinado a priori, mantido fixo, e somente os pesos da camada intermediária e de saída da rede são atualizados de acordo com dados de entrada. Os algoritmos de agrupamento e de aprendizagem extrema que compõem os métodos evolutivos são recursivos, pois a aprendizagem ocorre de acordo com o processamento de um fluxo de dados. Em particular, duas redes neurais evolutivas são propostas neste trabalho. A primeira é uma rede neural nebulosa híbrida evolutiva. Os neurônios da camada intermediária desta rede são unineurônios, neurônios nebulosos com processamento sináptico realizado por uninormas. Os neurônios da camada de saída são sigmoidais. Um algoritmo recursivo de agrupamento baseado em densidade, chamado de nuvem, é utilizado para particionar o espaço de entrada-saída do sistema e estimar o número de neurônios da camada intermediária da rede; a cada nuvem corresponde um neurônio. Os pesos da rede neural nebulosa híbrida são determinados utilizando a máquina de aprendizado extremo com o algoritmo quadrados mínimos recursivo ponderado. O segundo tipo de rede proposto neste trabalho é uma rede neural multicamada evolutiva com neurônios sigmoidais na camada intermediária e de saída. Similarmente à rede híbrida, nuvens particionam o espaço de entrada-saída do sistema e são utilizadas para estimar o número de neurônios da camada intermediária. O algoritmo para determinar os pesos da rede é a mesma versão recursiva da máquina de aprendizado extremo. Além das redes neurais evolutivas, sugere-se também uma variação da rede adaptativa OS-ELM (online sequential extreme learning machine) mantendo o número de neurônios na camada intermediária fixo e introduzindo neurônios sigmoidais na camada de saída. Neste caso, a aprendizagem usa o algoritmo dos quadrados mínimos recursivo ponderado no aprendizado extremo. As redes foram analisadas utilizando dois benchmarks clássicos: identificação de forno a gás com o conjunto de dados de Box-Jenkins e previsão de série temporal caótica de Mackey-Glass. Dados sintéticos foram gerados para analisar as redes neurais na modelagem de sistemas com parâmetros e estrutura variantes no tempo (concept drif e concept shift). Os desempenhos foram quantificados usando a raiz quadrada do erro quadrado médio e avaliados com o teste estatístico de Deibold-Mariano. Os desempenhos das redes neurais evolutivas e da rede adaptativa foram comparados com os desempenhos da rede neural com aprendizagem extrema e dos métodos de modelagem evolutivos representativos do estado da arte. Os resultados mostram que as redes neurais evolutivas sugeridas neste trabalho são competitivas e têm desempenhos similares ou superiores às abordagens evolutivas propostas na literatura / Abstract: Abstract: This dissertation studies a class of evolving neural networks for system modeling from data streams. The class encompasses single hidden layer feedforward neural networks with variable and online de nition of the number of hidden neurons. Evolving neural network learning uses clustering methods to estimate the number of hidden neurons simultaneously with extreme learning algorithms to compute the weights of the hidden and output layers. A particular case is when the evolving network keeps the number of hidden neurons xed. In this case, the number of hidden neurons is found a priori, and the hidden and output layer weights updated as data are input. Clustering and extreme learning algorithms are recursive. Therefore, the learning process may occur online or real-time using data stream as input. Two evolving neural networks are suggested in this dissertation. The rst is na evolving hybrid fuzzy neural network with unineurons in the hidden layer. Unineurons are fuzzy neurons whose synaptic processing is performed using uninorms. The output neurons are sigmoidals. A recursive clustering algorithm based on density and data clouds is used to granulate the input-output space, and to estimate the number of hidden neurons of the network. Each cloud corresponds to a hidden neuron. The weights of the hybrid fuzzy neural network are found using the extreme learning machine and the weighted recursive least squares algorithm. The second network is an evolving multilayer neural network with sigmoidal hidden and output neurons. Like the hybrid neural fuzzy network, clouds granulate the input-output space and gives the number of hidden neurons. The algorithm to compute the network weights is the same recursive version of the extreme learning machine. A variation of the adaptive OS-ELM (online sequential extreme learning machine) network is also suggested. Similarly as the original, the new OS-ELM xes the number of hidden neurons, but uses sigmoidal instead of linear neurons in the output layer. The new OS-ELM also uses weighted recursive least square.The hybrid and neural networks were evaluated using two classic benchmarks: the gas furnace identi cation using the Box-Jenkins data, and forecasting of the chaotic Mackey-Glass time series. Synthetic data were produced to evaluate the neural networks when modeling systems with concept drift and concept shift. This a modeling circumstance in which system structure and parameters change simultaneously. Evaluation was done using the root mean square error and the Deibold-Mariano statistical test. The performance of the evolving and adaptive neural networks was compared against neural network with extreme learning, and evolving modeling methods representative of the current state of the art. The results show that the evolving neural networks and the adaptive network suggested in this dissertation are competitive and have similar or superior performance than the evolving approaches proposed in the literature / Mestrado / Engenharia de Computação / Mestre em Engenharia Elétrica

Orientador: Fernando José Von Zuben / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-26T07:59:40Z (GMT). No. of bitstreams: 1 Kulaif_AndreaCarolinaPeres_M.pdf: 1163458 bytes, checksum: ce006fc65c25e72acbf0a2efeb2a3450 (MD5) Previous issue date: 2014 / Resumo: Máquinas de Aprendizado Extremo (ELMs, do inglês Extreme Learning Machines) são redes neurais com uma camada de entrada, uma camada intermediária e uma camada de saída. Sua arquitetura é equivalente à do perceptron de múltiplas camadas (MLP, do inglês Multilayer Perceptron), mas os pesos e o número de neurônios da camada intermediária em ELMs são definidos arbitrariamente e a priori, enquanto os pesos da camada de saída são os únicos parâmetros ajustáveis durante o processo de treinamento supervisionado. O ajuste desses pesos da camada de saída leva a um problema de otimização linear, responsável pelo fato de o treinamento de uma ELM ser ao menos uma ordem de magnitude mais rápido do que o treinamento de uma MLP. No entanto, o desempenho das ELMs é bastante influenciado pelo grau de regularização adotado no ajuste dos pesos da camada de saída. Além disso, por serem definidos de forma arbitrária e não estarem susceptíveis a treinamento, geralmente opera-se com um número elevado de neurônios na camada intermediária, sendo muito comum a presença de neurônios redundantes e pouco funcionais, de modo que sua extração não compromete o desempenho da rede neural como um todo. Em vista desse cenário, esta dissertação apresenta contribuições, junto a ELMs voltadas para tarefas de regressão, em duas frentes principais: (1) Definição de um grau apropriado de regularização no cálculo dos pesos da camada de saída de ELMs; e (2) Ajuste do número de neurônios na camada intermediária, pela extração automática de neurônios redundantes ou pouco funcionais. Mostra-se neste trabalho que, diferentemente do que é praticado na literatura, o grau de regularização mais indicado para uma ELM não varia apenas entre problemas de regressão distintos, mas dentro do mesmo problema de regressão, ainda que se mantenha constante o número de neurônios na camada intermediária. Uma vez detectada a necessidade do ajuste do grau de regularização a cada configuração de ELM, propõe-se aqui uma busca unidimensional mais refinada do que aquela já existente na literatura. Quanto à proposta apresentada para definição do número de neurônios na camada intermediária, faz-se uma análise do espaço de características gerado pelos neurônios dessa camada e aplica-se poda de neurônios que pouco ou nada contribuem para gerar este espaço de características. Além disso, propõe-se o emprego de LASSO e Elastic Net como técnicas de regularização, as quais promovem poda adicional de neurônios que não contribuem para a tarefa de regressão. Para as duas contribuições do trabalho, são apresentados resultados experimentais e comparações com outras propostas da literatura. Há um aumento de custo computacional com as propostas deste trabalho, mas é expressivo o ganho em desempenho em alguns cenários / Abstract: Extreme learning machines are neural networks composed of one input layer, one hidden layer, and one output layer. Their architecture is equivalent to the one of the multilayer perceptron, but the weights and the number of hidden neurons in ELMs are defined a priori and in an arbitrary manner, while the weights at the output layer are the only adjustable parameters during supervised learning. The adjustment of the weights at the output layer leads to a linear optimization problem, responsible for the fact that the training of an ELM be at least one order of magnitude faster than training an MLP. However, the performance of ELMs is greatly influenced by the regularization degree adopted when setting the weights of the output layer. Moreover, by being arbitrarily defined and not susceptible to learning, it is usual to adopt a large number of neurons in the hidden layer, thus promoting the presence of redundant and poorly functional neurons, so that their extraction does not compromise the neural network performance as a whole. Under those circumstances, this dissertation presents contributions to ELMs devoted to regression problems on two main fronts: (1) Definition of a proper degree of regularization when computing the weights at the output layer of ELMs; and (2) Adjustment of the number of neurons at the hidden layer, by the automatic extraction of redundant or poorly functional neurons. It is shown in this work that, different from what is done in the literature, the most suitable degree of regularization for an ELM varies not only among different regression problems, but within the same regression problem and even if it is kept constant the number of neurons at the hidden layer. Once detected the need for adjustment of the degree of regularization for each ELM configuration, it is proposed here a one-dimensional search endowed with more refined steps than that available in the literature. Regarding the proposal to properly define the number of neurons in the hidden layer, an analysis of the feature space generated by neurons in the hidden layer is performed and neurons with no or even a shallow contribution to span the feature space are pruned. Furthermore, the use of LASSO and Elastic Net as regularization techniques are proposed here, which promotes additional pruning of neurons that do not contribute to the regression task. For both contributions of this work, experimental results and comparisons with other proposals in the literature are presented. There is an increase in the computational cost with the proposals of this work, but it is significant the gain in performance in some scenarios / Mestrado / Engenharia de Computação / Mestra em Engenharia Elétrica