Orientador: Carlos Roberto Minussi / Banca: Anna Diva Plasencia Lotufo / Banca: Mara Lúcia Martins Lopes / Banca: Fernanda Caseño Lima Trindade / Banca: José Carlos de Melo Vieira Junior / Resumo: Apresenta-se, nesta pesquisa, uma metodologia para realizar a detecção e classificação de distúrbios de tensão em sistemas de distribuição de energia elétrica, usando como ferramenta, as análises estatística e direta multinível dos sinais de tensão no domínio wavelet para o processo de detecção e uma rede neural ARTMAP Euclidiana Modificada com Treinamento Continuado (ARTMAP-EMTC) para o processo de classificação. Com o auxílio destas duas ferramentas obtém-se maior precisão, segurança e confiabilidade na tomada de decisão para o restabelecimento das operações normais do sistema. A rede neural ARTMAP-EMTC é capaz de se adaptar às constantes mudanças que sofre o setor elétrico, e.g., fornece o diagnóstico de um distúrbio desconhecido pela rede neural que possa surgir com o passar do tempo. Além disso, permite a inclusão de novos padrões na memória da rede neural sem a necessidade de reiniciar o treinamento, o que não ocorre com outros tipos de redes neurais. Trata-se, por conseguinte, de uma nova abordagem da aplicação de redes neurais onde é realizada, permanentemente, a extração do conhecimento do sistema sob análise, a partir de informações disponibilizadas na operação do sistema (resultado das análises, simulação, etc.). Os sinais de tensão, necessários para realizar os diagnósticos de distúrbios de tensão, foram obtidos por meio de simulações de um modelo de alimentador radial no software ATP (Alternative Transients Program) e Matlab, empregando-se a transformada wavelet discreta, análise multirresolução e o conceito de energia. Os resultados obtidos mostram a eficiência da metodologia proposta, o que possibilita sua aplicação, com sucesso, na proteção dos sistemas de distribuição, auxiliando os operadores no processo de decisão visando restabelecer o sistema e contribuindo, desta forma, para a melhoria da qualidade da energia elétrica fornecida aos consumidores. / Abstract: This research presents a methodology to detect and classify voltage disturbances in electrical distribution systems using as tool, statistical and multilevel direct analysis of voltage signals in wavelet domain for the detection process and modified Euclidean ARTMAP neural network with continuous training for the classification (ARTMAP- MECT). These two tools provide velocity, security and reliability for decision making when it is necessary to restore the normal operations. The ARTMAP-MECT is able to adapt to continuous changes at the electrical system, e.g. to provide a diagnosis of unknown disturbances by the neural network Furthermore, it allows the inclusion of new patterns in the memory of the neural network without reinitializing the training, which is not possible in other neural networks. It is a new approach of neural network application where the knowledge is permanently extracted from the system under analysis from information available in the system operation (results from analysis, simulation, etc.). The voltage signals that are necessary to execute the voltage disturbance diagnosis are obtained from simulations of a radial feeder using the ATP (Alternative Transients Program) and MATLAB using the discrete wavelet transform, multi-resolution analysis and energy concept. The obtained results show the efficiency of the proposed methodology allowing the application in distribution protection, aiding the operators in decision procedures to restore the system and contributing to improve the power quality provided to the users. / Doutor

Orientador: Anna Diva Plasencia Lotufo / Coorientador: Maria do Carmo Gomes da Silveira / Banca: Mara Lúcia Martins Lopes / Banca: Benedito Isaias de Lima Lopes / Resumo: O problema de mensagens não solicitadas pelos usuários em meios de comunicação eletrônica, apesar de ter surgido antes mesmo da popularização da Internet, ainda é um assunto preocupante. Desperdício de largura de banda, perda de tempo, de produtividade e de dados, ou atraso na leitura de e-mails legítimos, são alguns dos problemas que as mensagens não solicitadas, ou Spams, podem causar. Diversas técnicas de filtragem automática de e-mails são apresentadas na literatura, porém muitas destas não oferecem a possibilidade de adaptação, já que o problema em sistemas reais tem como um de seus principais aspectos ser dinâmico, ou seja, mudar constantemente de características com intuito de evadir as técnicas de filtragem. Neste trabalho é desenvolvido um filtro anti-spam utilizando uma técnica de préprocessamento disponível na literatura, no qual os e-mails são submetidos à extração e seleção de características; e uma Rede Neural Artificial baseada na Teoria da Ressonância Adaptativa, para detecção e classificação de Spams. Tais redes neurais possuem grande capacidade de generalização e adaptabilidade, características importantes para um bom desempenho de filtros anti-spam. O modelo proposto neste trabalho é testado a fim de se validar a eficiência do filtro. / Abstract: The problem in receiving non desired messages in electronic communication systems is a very hard task; even it has begun before the popularization of Internet. The problems that these kinds of messages can cause are among others: waste of time, waste of band width, productivity and data or delay in reading the real e-mails. Several e-mail automatic filtering techniques are presented in the literature, however many of them without capacity of adaptation, while the problem in real systems must be dynamical, i.e. avoid filtering techniques. This work develops a SPAM filtering using a pre processing technique available in the literature, where the e-mails are submitted to extract and select the characteristics; and a neural network based on the resonance adaptive theory to detect and classify the SPAMS. These neural networks have capacity in generalization and adaptation, important characteristics of good performance of SPAM filters. The proposed model is submitted to several tests to validate the efficiency of the filter. / Mestre

Orientador: Fábio Roberto Chavarette / Resumo: Redes Neurais Artificiais (RNAs) são algoritmos de aprendizado, geralmente estruturados em torno de categorização de dados de entrada e/ou seu agrupamento por similaridade. Tendo em vista características desejáveis como aprendizado rápido e estabilidade frente a vetores de entrada altamente mutáveis, adotou-se uma RNA do tipo Fuzzy ARTMAP como mecanismo central de um método de monitoramento de saúde estrutural para detectar e categorizar falhas em dados experimentais provenientes de um sistema mecânico similar a um pequeno prédio de dois andares. Mais especificamente, com o objetivo de detectar alterações das frequências naturais da estrutura, fenômeno ligado à deterioração da mesma, e determinar qual(is) andar(es) está(ão) ligado(s) ao comportamento anômalo, se detectado. A acurácia da rede foi avaliada, sendo realizado um estudo da quantidade de dados necessárias para o desempenho satisfatório da rede. Observou-se desempenho satisfatório, a acurácia do método tendendo a aproximadamente 94% a partir de certas quantidades de dados. / Abstract: Artificial Neural Networks (ANNs) are learning algorithms, largely revolving around categorizing data sets based on measures of similarity between its members. Due to desirable characteristics such as fast learning and stability when dealing with highly mutable input vectors, a Fuzzy ARTMAP ANN was selected as the core mechanism of a structural health monitoring method. Its goal was to detect and categorize faults in experimental data collected from a mechanical system akin to a small two-story building. More specifically, to detect disturbances on the structure's natural frequencies, phenomenon linked to its deterioration, and to determine which story or stories are linked to anomalous behavior, if any. The accuracy of the method was evaluated, and the amount of data needed for optimal operation was determined. Satisfactory performance was observed; the method's accuracy tended towards 94% with enough training samples. / Mestre

Orientador: Paulo Roberto de Aguiar / Banca: José Alfredo Covolan Ulson / Banca: Alisson Rocha Machado / Resumo: A crescente competitividade do mercado, exigência por qualidade, padronização cada vez superior a necessidade de redução do desperdícios trazem cada vez mais a automação às indústrias. Por suas características, os processos automatizados podem ser melhorados com a utilização de métodos de controle e supervisão e, neste campo, a utilização de sensores e redes neurais artificiais têm cada vez mais destaque em pesquisa. No processo de furação, estudos relatam a aplicação bem sucedida destas técnicas na determinação do fim da vida de ferramentas, contudo, em muitas aplicações, apenas o controle do desgaste da broca não é suficiente para garantir a qualidade do produto. Diâmetro do furo usinado, rugosidade e a formação de rebarbas são alguns exemplos de importantes resultados do processo que não dependem exclusivamente da condição da ferramenta de corte, neste âmbito, estudos dedicados ao controle destas variáveis são limitados, senão inexistentes. Desta forma, este estudo foi conduzido buscando gerar uma contribuição à supervisão do processo de furação com foco na estimação do diâmetro e rugosidade do furo usinado. Utilizando um sistema multi sensores instalados em uma máquina ferramenta e corpus de prova compostos por uma liga de titânio seguida de uma liga de alumínio, registraram-se os sinais dos sensores durante o corte para variados parâmetros de usinagem. Os dados coletados serviram de entrada a uma rede neural artificial, que foi treinada com os valores de diâmetro e rugosidade medidos parte das amostras. Depois do treinamento, a rede capacitou-se a estimar os valores de diâmetro e rugosidade média a partir dos sinais coletados somados aos parâmetros de corte utilizados na concepção do furo. Os erros dos processo foram então calculados da diferença entre os valores medidos e as saídas obtidas. Os resultados demonstraram alta capacidade da rede em determinar as viariáveis desejadas / Abstract: The growing market competitiveness, product quality requirements and just in time production concept is bringing every time more automation to manufacturing industries. Productivity and quality in machining process can be improved by using monitoring and controlling methods. Along the last decades, sensors and Artificial Neural Network have been successfully utilized in many drill wear monitoring systems. However, in many industrial fields, to supervise the tool wear is not enough to assure the product qualities. Roughnessm burr formation and hole diameter are some examples of important process results does not exclusively depend on the tool condition and in this area of knowledge the number of studies is limited or inexistent. Thus, this work brings a contribution on drilling process monitoring where the target was to determine the hole diameter and roughness using a multi-sensor system and artificial neural network. The speciments used were composed by a titanium alloy and aluminum alloy plates. The sensors were installed in a machine tool and the process was accomplished using several drilling parameters. The acquired sensors data were used a input in an artificial neural network which was trained with the roughness and diameter measured in some samples. After trained, the system was qualified to output the expected variables from the input signals. To calculate the errors these output values were compared with the samples measured. The results showed efficiency of the system in determining the roughness and hole diameters as the obtained errors can be considered low or neigligible for the majority of drilling industrial application / Mestre

Submitted by Samira Prince (prince@ufpa.br) on 2012-08-27T16:41:46Z No. of bitstreams: 2 Dissertacao_ClassificacaoAutomaticaCobertura.pdf: 2445419 bytes, checksum: e7f1cfe896d568c998340b4f78b5fde7 (MD5) license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) / Approved for entry into archive by Samira Prince(prince@ufpa.br) on 2012-08-27T16:42:20Z (GMT) No. of bitstreams: 2 Dissertacao_ClassificacaoAutomaticaCobertura.pdf: 2445419 bytes, checksum: e7f1cfe896d568c998340b4f78b5fde7 (MD5) license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) / Made available in DSpace on 2012-08-27T16:42:20Z (GMT). No. of bitstreams: 2 Dissertacao_ClassificacaoAutomaticaCobertura.pdf: 2445419 bytes, checksum: e7f1cfe896d568c998340b4f78b5fde7 (MD5) license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Previous issue date: 2011 / CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico / Neste trabalho é apresentado um modelo de redes neurais que será utilizado como ferramenta para uso no planejamento energético e na construção de cenários energéticos através da identificação e agrupamento de pixels representativos de classes de água, vegetação e antropização no entorno do reservatório de Tucuruí, Estado do Pará (bacia do rio Tocantins). Para o estudo, foram utilizadas fotografias aéreas ortorretificadas e um recorte da imagem do satélite Landsat, ambos obtidos em agosto de 2001 e classificados utilizando a métrica da mínima distância no software Matlab 7.3.0 (Matrix Laboratory - software de matemática aplicada) e no Arcview 3.2a (programa de Sistemas de Informações Geográficas). Para classificação da área no Matlab, foram utilizadas redes neurais competitivas, mais especificamente as redes de Kohonen que são caracterizadas por realizar um mapeamento de um espaço de dimensão n (número de entradas) para um espaço de dimensão m (número de saídas). Os resultados obtidos no classificador utilizando rede neural e no classificador do Arcview foram semelhantes, mas houve uma divergência no que diz respeito à imagem de alta e média resolução que pode ser justificada pelo fato de que a imagem de alta resolução espacial ocasiona muita variação espectral em algumas feições, gerando dificuldades nas classificações. Esse classificador automático é uma ferramenta importante para identificar oportunidades e potenciais a serem desenvolvidos na construção de cenários energéticos programados. Os resultados deste trabalho confirmam que a imagem de média resolução ainda é a mais indicada para resolver a maioria dos problemas que envolvem identificação de cobertura do solo para utilização em planejamento energético. / In this work, a model of neural network for energy planning and construction of energy scenarios is presented. This model permited the identification and clustering of representative pixels of water, vegetation, and anthropic impact around Tucuruí reservoir, located in the Tocantins River basin , (State of Pará, Brazil) . The database consisted in orthorectified aerial photographs and clipping of Landsat satellite’s images. Both were obtained in August 2001 and the two set of images were classified using the method of metric of the minimum distance with Matlab 7.3.0 (Matrix Laboratory – Applied mathematics software) and Arcview 3.2a (Geographic Information Systems Program). Then a competitive neural networks of Kohonen was used to classify the different areas in Matlab. This specific network allowed to map the area in n-dimension (number of entries) for a m-dimensional space (number of outputs). The results obtained with Matlab were compared with the output of Arcview classifier software. The results obtained using the neural network in Matlab and the Arcview classifier were similar, but some differences between the images in high and medium resolution were observed; these differences can be justified by the fact that the images in high spatial resolution cause many spectral variations in some features, creating ratings problems. This automatic classifier appears to be a good tool for the identification of the biomass potential for the construction of energy scenarios. The results of this work could confirm that the images in medium-resolution are the most suitable to solve the most of problems which involve the identification of land cover for energy planning.

Made available in DSpace on 2016-12-23T14:33:38Z (GMT). No. of bitstreams: 1 Cayo Magno da Cruz Fontana.pdf: 2930206 bytes, checksum: d91d48565941ee15a360dd464f84681f (MD5) Previous issue date: 2013-08-29 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A tarefa de detectar e reconhecer placas de trânsito, em ambientes reais, tem sido amplamente pesquisada nos últimos anos. Recentemente, a quantidade de veículos nas vias urbanas tem crescido exponencialmente. Grandes problemas nestas vias surgiram como consequência deste crescimento. Dados estatísticos da Organização das Nações Unidas (ONU) apontam acidentes de trânsito como uma das principais causas de mortes no planeta. Com o objetivo de auxiliar os condutores na tarefa de detectar e reconhecer placas de trânsito para alertá-los sobre possíveis alterações nas vias, ou até mesmo atuar no controle do carro, apresentaremos nesta dissertação uma abordagem biologicamente inspirada para a detecção de placas de trânsito com base em uma Rede Neural Sem Peso com Generalização Virtual da Memória de Acesso Randômico (Virtual Generalizing Random Access Memory Weightless Neural Network VG-RAM WNN). Redes Neurais sem Peso (RNSP) baseadas em neurônios VG-RAM apresentam um conjunto de eficientes funcionalidades para o aprendizado de máquina, oferecendo uma implementação simples, com treinos e testes rápidos. A arquitetura da nossa RNSP VG-RAM modela o movimento sacádicos dos olhos, e as transformações sofridas pelas imagens capturadas pela retina dos olhos para o colículo superior no cérebro dos mamíferos. Nós avaliamos o desempenho do nosso sistema na detecção de placas de trânsito utilizando como referência um conjunto de placas de trânsito de origem alemã (GTSDB). Utilizando apenas 12 imagens de placas de trânsito para a etapa de treinamento, nosso sistema foi classificado na 16ª posição, em um total de 53 métodos submetidos entre as 18 equipes participantes, para a detecção de placas de trânsito alemão na categoria proibitiva, na Competição Alemã de Placas de Trânsito, etapa do IJCNN 2013. Os resultados experimentais evidenciaram que nossa abordagem é capaz de detectar uma grande variedade de placas de trânsito, de forma confiável e eficiente, utilizando apenas algumas amostras para o treinamento / The task of detecting and recognizing road signs in real environments have been widely researched in recent years. Recently, the number of vehicles on urban roads has grown exponentially. Big problems in these pathways have emerged a result of this growth. Statistics of the United Nations (UN), points traffic accidents as a leading cause of death in the world. With the aim of assisting drivers in the task of detecting and recognizing road signs to alert them about possible changes in the way, or even act to control the car, we present in this dissertation a biologically inspired approach to detect traffic signs based on a Virtual Generalizing Random Access Memory Weightless Neural Networks - VG-RAM WNN. VG-RAM WNN are effective machine learning tools that offer simple implementation and fast training and test. Our VG-RAM WNN architecture models the saccadic eye movement system and the transformations suffered by the images captured by the eyes from the retina to the superior colliculus in the mammalian brain. We evaluated the performance of our VG-RAM WNN system on traffic sign detection using the German Traffic Sign Detection Benchmark (GTSDB). Using only 12 traffic sign images for training, our system was ranked in the 16th position, in the total 53 methods submitted among 18 teams, for the prohibitory category in the German Traffic Sign Detection Competition, part of the IJCNN 2013. Our experimental results showed that our approach is capable of reliably and efficiently detect a large variety of traffic sign categories using a few training samples

Submitted by camilla martins (camillasmmartins@gmail.com) on 2016-12-14T12:47:30Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_RedesNeuraisMultiplas.pdf: 819108 bytes, checksum: 5c3f04639de4009299a8110144494e86 (MD5) / Rejected by Edisangela Bastos (edisangela@ufpa.br), reason: on 2016-12-15T12:20:06Z (GMT) / Submitted by camilla martins (camillasmmartins@gmail.com) on 2016-12-20T13:08:15Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_RedesNeuraisMultiplas.pdf: 819108 bytes, checksum: 5c3f04639de4009299a8110144494e86 (MD5) / Approved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2016-12-20T17:01:24Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_RedesNeuraisMultiplas.pdf: 819108 bytes, checksum: 5c3f04639de4009299a8110144494e86 (MD5) / Made available in DSpace on 2016-12-20T17:01:24Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_RedesNeuraisMultiplas.pdf: 819108 bytes, checksum: 5c3f04639de4009299a8110144494e86 (MD5) Previous issue date: 2007-05-14 / FANC - Fundação Amazônica de Apoio a Pesquisa e Desenvolvimento Tecnológico André Nunes Coelho / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Neste trabalho discutem-se técnicas de aperfeiçoamento das estimativas dos parâmetros dinâmicos de modelos representativos de Sistemas de Um Grau de Liberdade (S1GL) e Sistema de Múltiplos Graus de Liberdade (SMGL) de estruturas flexíveis. As avaliações referem-se aos métodos que utilizam a Função Resposta em Freqüência (FRF) obtida mediante medições da resposta ao impulso de uma estrutura flexível. Utiliza-se como hipótese de trabalho o pressuposto de que o modelo subjacente possui adequação para uma descrição precisa do sistema. Portanto, um bom método de obtenção experimental da FRF deve levar a uma concordância significativa entre a FRF prevista pela teoria e a FRF obtida experimentalmente. No presente trabalho investiga-se o ganho em qualidade obtido com o aumento virtual do tempo de aquisição (previsão de valores futuros). Na realização desta estratégia faz-se uso de Previsores Não Lineares baseados em Redes Neurais de Múltiplas Camadas (RNMC). Para comparação de desempenho do Previsor Neural, utilizam-se Previsores Lineares (modelos ARX e ARMAX). Os resultados obtidos neste estudo sugerem a viabilidade do uso de redes RNMC para melhoria da estimativa de parâmetros de estruturas flexíveis. / This work presents techniques to improve the dynamics parameters estimation of Single Degree of Freedom (SDOF) and Multiple Degree of Freedom (MDOF) models characteristic from flexible structures. The analyses are referred to the method that uses the Frequency Response Function (FRF) obtained from the impulse response of the flexible structure. We use for assumption that the considered models are convenient for a suitable description of the system. Thus, an experimental good method of obtaining the FRF should produce a significant accordance between the theoretical and the experimental FRF. The improvement in increasing the acquisition time artificially (forecasting) is analyzed by using a Multilayer Neural Network (MNN) model. The performance of neural forecaster is compared with results obtained using ARX and ARMAX models. The obtained results in this research, suggest the viability to use the MNN.

Submitted by camilla martins (camillasmmartins@gmail.com) on 2017-01-10T18:24:56Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_UmaMetodologiaBiologicamenteInspirada.pdf: 6813858 bytes, checksum: e9f8d255746d2cab6cd257d65d193c43 (MD5) / Approved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2017-01-11T13:53:34Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_UmaMetodologiaBiologicamenteInspirada.pdf: 6813858 bytes, checksum: e9f8d255746d2cab6cd257d65d193c43 (MD5) / Made available in DSpace on 2017-01-11T13:53:34Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_UmaMetodologiaBiologicamenteInspirada.pdf: 6813858 bytes, checksum: e9f8d255746d2cab6cd257d65d193c43 (MD5) Previous issue date: 2016-08-26 / Essa tese propõe um algoritmo neuro-evolutivo (ANE) que utiliza um esquema de codificação indireto compacto para representar seus genótipos (um conjunto de dez regras de produção de um sistema de lindenmayer com memória), além disso, possui a habilidade de reuso dos genótipos e automaticamente construir redes neurais modulares, hierárquicas e recorrentes. Um algoritmo genético evolui um sistema de lindenmayer (sistema-l) que é usado para projetar a arquitetura de redes neurais. Essa codificação neural proporciona redução de escalabilidade e do espaço de busca em relação a outros métodos, possibilitando uma busca mais eficiente no espaço infinito de arquiteturas de redes neurais. Em adição, o sistema usa um mecanismo de checagem paralelo do genoma que aumenta o paralelismo implícito e a convergência do AG. A função fitness do ANE recompensa redes neurais que são facilmente implementadas. Essa é a primeira tentativa de gerar redes recorrentes a partir dessa combinação de metáforas. O ANE foi testado utilizando cinco bancos de dados do mundo real para classificação e três bens conhecidos para predição de séries temporais (PST). Os resultados são estatisticamente comparados com algoritmos proeminentes citados no estado da arte e com vários métodos de predição (ADANN, ARIMA, UCM e Forecast Pro®). Na maioria dos casos, o ANE superou os outros métodos produzindo classificação e predição de séries temporais mais precisas com um menor esforço computacional. Esses resultados são atribuídos a melhoria da eficácia e eficiência no processo de tomada de decisão. O resultado é uma arquitetura de rede neural otimizada para resolver problemas de classificação e simular problemas dinâmicos. / This thesis proposes a hybrid neuro-evolutive algorithm (NEA) that uses a compact indirect encoding scheme (IES) for representing its genotypes (a set of ten production rules of a Lindenmayer System with memory), moreover has the ability to reuse the genotypes and automatically build modular, hierarchical and recurrent neural networks. A genetic algorithm (GA) evolves a Lindenmayer System (L-System) that is used to design the neural network’s architecture. This basic neural codification confers scalability and search space reduction in relation to other methods. Furthermore, the system uses a parallel genome scan engine that increases both the implicit parallelism and convergence of the GA. The fitness function of the NEA rewards economical artificial neural networks (ANNs) that are easily implemented. The NEA was tested on five real-world classification datasets and three well-known datasets for time series forecasting (TSF). The results are statistically compared against established stateof- the-art algorithms and various forecasting methods (ADANN, ARIMA, UCM, and Forecast Pro®). In most cases, our NEA outperformed the other methods, delivering the most accurate classification and time series forecasting with the least computational effort. These superior results are attributed to the improved effectiveness and efficiency of NEA in the decisionmaking process. The result is an optimized neural network architecture for solving classification problems and simulating dynamical systems.

Submitted by camilla martins (camillasmmartins@gmail.com) on 2017-02-10T18:43:02Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_InteligenciaComputacionalAplicada.pdf: 1168689 bytes, checksum: d170c3b2ad97f1417b829d84ffd6ca9f (MD5) / Approved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2017-02-14T14:55:40Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_InteligenciaComputacionalAplicada.pdf: 1168689 bytes, checksum: d170c3b2ad97f1417b829d84ffd6ca9f (MD5) / Made available in DSpace on 2017-02-14T14:55:40Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_InteligenciaComputacionalAplicada.pdf: 1168689 bytes, checksum: d170c3b2ad97f1417b829d84ffd6ca9f (MD5) Previous issue date: 2015-09-04 / CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico / A previsão de consumo de energia elétrica é uma tarefa que requer modelos computacionais bastante acurados para que possam influenciar corretamente na tomada de decisão em usinas hidrelétricas e distribuidoras de energia. Estes modelos computacionais são implementados a partir de um conjunto de dados que deve representar fielmente o comportamento das variáveis. Porém, nesses conjuntos de dados é bastante comum a presença de outliers, que surgem devido a erros de leitura de sensores, erros no próprio sistema de processamento/armazenamento dos dados ou falhas no sistema de distribuição. Este trabalho propõe então uma nova metodologia baseada em Inteligência Computacional para detecção e correção de outliers em séries temporais de consumo de energia elétrica. Uma rede neural artificial auto-associativa é utilizada para detecção de outliers. Posteriormente, esta rede neural, em conjunto com um algoritmo genético, é utilizada para a correção dos outliers detectados. Esta abordagem foi aplicada a uma série temporal de consumo de Energia Elétrica no Estado do Pará. Os resultados obtidos demonstram a eficiência da metodologia proposta, que identificou e corrigiu todos os outliers virtuais introduzidos durante a fase de avaliação da metodologia. / The electric load prediction is a task that requires accurate models, as should properly influence the decision making in hydroelectric plants and power stations. These computer models are implemented from a data set that must faithfully represent the behavior of the variables. However, these data sets are quite common the presence of outliers, which arise due to sensor reading errors, errors in the actual processing system / storage of data or faults in the distribution system or power station. This paper proposes a new methodology based on Computational Intelligence for detection and treatment of outliers in time series of electric power load. An auto associative artificial neural network is used for outlier detection. Subsequently, it is reused together with a genetic algorithm to correct detected outliers. This approach was applied to a time series of electrical power load in the State of Pará. The computational experiments were performed using the MATLAB tool and the results demonstrate the efficiency of the proposal, which identified and corrected all virtual outliers introduced during the evaluation phase of the methodology.

Submitted by camilla martins (camillasmmartins@gmail.com) on 2017-04-24T13:58:14Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_EstrategiaPredicaoConsumo.pdf: 2789587 bytes, checksum: 96e73b789b5c7b6501aa450353d62f7d (MD5) / Approved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2017-04-24T16:59:53Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_EstrategiaPredicaoConsumo.pdf: 2789587 bytes, checksum: 96e73b789b5c7b6501aa450353d62f7d (MD5) / Made available in DSpace on 2017-04-24T16:59:53Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_EstrategiaPredicaoConsumo.pdf: 2789587 bytes, checksum: 96e73b789b5c7b6501aa450353d62f7d (MD5) Previous issue date: 2016-11-04 / Estratégias de predição de curto prazo são uma importante ferramenta usada para planejamento e operação de sistemas elétricos, bem como fundamentais para o processo de suporte à decisão para compra e venda de energia elétrica no mercado futuro. Particularmente, em se tratando de mercado de energia, uma componente importante para predição de consumo são os dias especiais (feriados ou dias atípicos, por exemplo). Tratar-se a predição de tais componentes pode ser uma tarefa complexa, dado seu comportamento atípico, quando comparado à predição de consumo em dias comuns. Em adição, via de regra, o número reduzido de amostras dificulta o treino e validação adequados dos algoritmos de predição de consumo em dias especiais. Este trabalho propõe um modelo para predição de consumo de curto prazo que utiliza a técnica Information Theoretic Learning Mean-Shift para clusterização e densificação dos valores de consumo em dias especiais, e algoritmos de Redes Neurais Artificiais e Regressão Linear Múltipla para predição. O modelo foi aplicado em um problema de predição de consumo da concessionária de energia elétrica da região norte do Brasil, o que proporcionou uma melhoria na acurácia dos resultados já obtido pelos métodos utilizados pela concessionária. / The use of short-term prediction strategies is an important tool for planning and operation of electrical systems, playing a crucial part in aiding the decision support process for buying and selling of electricity in the future market. For the energy market, in particular, an important component to take into account for consumption forecasting are the special days (holidays or atypical days, for example). Given its unusual behavior, the estimation of such events can be a complex task, when compared to the forecasting of ordinary days. In addition, as they are often found with only a small number of samples, it is difficult to adequately train and validate prediction algorithms. To tackle these problems, this work presents a model for short-term load forecasting using the Information Theoretic Learning Mean-Shift model to clustering and densify the sample size of special days's events on a time series, there on followed by the prediction using statistical and/or machine learning algorithms; in this work represented by artificial neural network algorithms and multiple Linear regression. The model was applied in a load forecasting problem for the electric utility in the northern region of Brazil, providing an improvement in the accuracy of results.