Made available in DSpace on 2014-06-11T19:30:51Z (GMT). No. of bitstreams: 0 Previous issue date: 2014-02-24Bitstream added on 2014-06-13T18:41:00Z : No. of bitstreams: 1 000751146.pdf: 4139134 bytes, checksum: f3feebece413982481c6daf8b8d857cf (MD5) / A evasão escolar é um dos problemas mais complexos e cruciais no âmbito da educação. Está presente e é motivo de preocupação nos vários níveis e modalidades de ensino, além de ferir o princípio da dignidade humana. No que tange ao ensino superior, internacionalmente, o fenômeno é objeto de atenção e de cuidado, no intuito de aumentar os índices de permanência e conclusão dos estudantes de graduação e minimizar os prejuízos sociais, econômicos, políticos, acadêmicos e financeiros causados a todos os envolvidos no processo educacional. Nesse contexto, é imprescindível o desenvolvimento de métodos e instrumentos eficientes e eficazes para predição, avaliação e acompanhamento de estudantes em risco de evasão, possibilitando o planejamento e a adoção de medidas proativas no intuito de minimizar a situação. Assim sendo, esta pesquisa tem por objetivo apresentar as potencialidades de um sistema inteligente capaz de identificar, de maneira proativa, continuada e acurada, o grupo de risco de evasão discente, da educação clássica-presencial, no ensino de nível superior. No desenvolvimento deste sistema foi utilizada uma das técnicas da inteligência artificial, as Redes Neurais Artificiais, mais especificamente, a Rede Neural ARTMAP-Fuzzy, uma rede neural da família ART (Adaptive Resonance Theory) que possibilita o aprendizado continuado do sistema. Para o treinamento e teste da Rede Neural e, posteriormente, a validação do sistema proposto foram utilizados os dados socioeconômicos e acadêmicos dos estudantes matriculados nos cursos superiores de tecnologia do Instituto Federal de Mato Grosso - IFMT. Os dados que compuseram os vetores de entrada do sistema foram coletados a partir de dois bancos de dados do sistema de informação do IFMT, respectivamente, o Q-seleção e o Q-Acadêmico. Este sistema faz a classificação dos padrões de entrada em propensos... / School dropout is one of the most complex and crucial problems in the field of education. It permeates and afflicts the several levels and teaching modalities, besides hurting the principle of human dignity. In relation to higher education, internationally, the phenomenon is an object of attention and care, aiming to increase the indexes of permanence and completion rate of the undergraduate students and minimize social, economic, political and financial damage caused to all involved in the educational process. In this context, it is fundamental to develop efficient and effective methods and instruments for prediction, assessment and monitoring of the students at risk of dropping out, making the planning and the adoption of proactive actions possible for the improvement of the situation. Thus, this study aims to present the potentialities of an intelligent system able to identify, in a proactive, continued and accurate way, the student dropout risk group in higher education classroom courses. In the development of this system one of the artificial intelligence techniques was used, the Artificial Neural Networks, more specifically, the Fuzzy-ARTMAP Neural network, a neural network of the ART (Adaptive Resonance Theory) family which makes the continued learning of the system possible. For the training and test of the Neural Network and, later, the validation of the system proposed the socio-economic and academic records of the students enrolled in the technology courses of the Federal Institute of Mato Grosso – IFMT were used. The data that constituted the input vectors of the system were extracted from two database of the IFMT information system, respectively, the Q-selection and the Q-Academic. This system classifies the input patterns in school dropout propensity. The consistence of the results, showing a success rate of the dropout group around 95% and 100% and the overall mean accuracy around ...

Made available in DSpace on 2014-06-11T19:30:51Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-12-13Bitstream added on 2014-06-13T19:00:49Z : No. of bitstreams: 1 000750517.pdf: 1666924 bytes, checksum: e84c134f0f27a5f5a9524b7d37f45079 (MD5) / 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. / 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.

Made available in DSpace on 2014-06-11T19:30:51Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-04-25Bitstream added on 2014-06-13T21:01:24Z : No. of bitstreams: 1 biscaro_aap_dr_ilha.pdf: 3362347 bytes, checksum: 291075977b505bee42d5b968b8f631c6 (MD5) / Neste trabalho apresenta-se uma metodologia para a localização e diagnóstico automático de faltas em alimentadores de distribuição de energia elétrica através do uso combinado de técnicas de análise de redes, processamento de sinais e sistemas inteligentes. Foram desenvolvidos algoritmos capazes de detectar, classificar e localizar no tempo e espaço, os eventos de qualidade de energia. O procedimento contínuo de detecção de distúrbios é realizado através de análises estatísticas diretas e multinível dos sinais de correntes no domínio wavelet, registrados na subestação. As principais características, ou índices comportamentais, dos sinais das correntes e tensões são extraídas empregando-se a transformada wavelet discreta, a análise multirresolução e o conceito de energia do sinal. Estes índices correspondem aos vetores de entrada de um conjunto de redes neurais ARTMAP Fuzzy independentes, que tem por finalidade estimar o tipo de falta e quais eventos de qualidade de energia estão presentes no sinal amostrado. Os padrões de entrada destas redes são compostos pela energia dos coeficientes dos quatro primeiros níveis de detalhes e aproximações dos sinais de tensão e corrente e, na saída dessas redes, como resposta, tem-se o código do tipo de distúrbio e as fases envolvidas no problema. A localização do distúrbio é realizada após o processo de classificação, sendo que a técnica de localização de faltas proposta aplica-se a alimentadores trifásicos radiais ou fracamente malhados, com cargas desequilibradas, ramais laterais trifásicos, bifásicos ou monofásicos e que possam apresentar geração distribuída. O sistema de diagnóstico e localização de faltas proposto neste trabalho é capaz de auxiliar as concessionárias de energia em sua rotina de trabalho, fornecendo informações importantes para... / This work presents a methodology for automatic diagnosis and fault location on electric power distribution systems through the combined use of modern techniques of network analysis, signal processing and, intelligent systems. Some algorithms were developed aiming to detect, classify and locate in time and space the power quality disturbances. The continuous process of detecting these disturbances is accomplished through statistical analysis and direct current multilevel signal analysis in wavelet domain, recorded in the substation. The main characteristics, or behavioral indices, of the current and voltage signals are extracted employing the discrete wavelet transform, multiresolution analysis and the concept of signal energy. These indexes correspond to the input vectors of a number of independent Fuzzy ARTMAP neural networks, which aim to estimate the fault type and the power quality events that are present in the sampled signal. The input patterns of these networks are composed by energy coefficients of the first four levels of details and approximations of current and voltage signals and, the output network presents the disorder type code and the phases involved in the problem. The fault location is performed after the classification process, and the proposed technique applies to three-phase radial or weakly meshed feeders with unbalanced loads, lateral extensions triphasic, biphasic or, monophasic and presenting distributed generation. The system diagnosis and fault location proposed in this paper are able to assist the utilities in their daily works, providing important information for the operation and maintenance of power distribution systems, minimizing the repairing time and, consequently, obtaining less financial losses due to rapid fault diagnosis and restoration of the normal system operation. A real life three-phase... (Complete abstract click electronic access below)

Made available in DSpace on 2014-06-11T19:30:51Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-07-12Bitstream added on 2014-06-13T20:40:38Z : No. of bitstreams: 1 antunes_jf_dr_ilha.pdf: 2867370 bytes, checksum: 4061f263eed9e3cabe23c0527e8e7565 (MD5) / Previsão de cargas é uma atividade indispensável para o funcionamento dos sistemas de energia elétrica e contribuem para o planejamento e a operação, visando garantir o fornecimento de energia aos consumidores de forma segura, confiável e econômica. A previsão a curto prazo ajuda a estimar o fluxo de carga, tomar decisões de prevenção de sobrecargas, entre outras ações que são rotineiramente executadas. Para realizar a previsão é necessário identificar os padrões do comportamento de consumo e da sua relação com as variáveis externas do ambiente no sistema. A maioria dos estudos de previsões de cargas é realizada utilizando métodos estatísticos, onde é necessário modelar a carga matematicamente. Apesar de fornecerem bons resultados utilizam métodos complexos é de difícil modelagem. As técnicas de inteligência artificial proporcionam uma nova ferramenta, capazes de modelar uma grande quantidade de dados de cargas e construir a relação entre as variáveis do sistema de forma automática. Dentre essas técnicas inteligentes destacam-se as redes neurais e a lógica fuzzy que são utilizadas para previsão de cargas. Nesta pesquisa, apresenta-se um método de previsão multinodal (em vários pontos de interesse da rede elétrica) de carga elétrica, de curto prazo, utilizando uma rede neural artificial baseada na arquitetura ART (Adaptive Resonance Theory), denominada de rede neural ART-ARTMAP Fuzzy. As redes neurais ART apresentam características fundamentais, a estabilidade e a plasticidade, para treinar e prever de forma rápida e confiável. O método proposto foi implementado na plataforma MATLAB, onde foi possível realizar a previsão de cargas, por exemplo, de um sistema composto por nove subestações. Como forma de avaliar os resultados obtidos pela previsão, foi calculada... / Load forecasting is an essential activity for the operation of electric power systems and contribute to the planning and operation in order to ensure the supply of electricity to consumers in a secure, reliable and economical way. The short-term forecasting aids estimating the load flow, makes decisions to prevent overloads, among other actions that are routinely performed. It is necessary to identify the consumer behavior patterns and the relationship with the external environment variables of the system to perform the forecasting. The estimated load is determined via the following predictors. Many studies of load forecasting use statistical methods, where it is necessary to mathematically model the load. While providing good results in using complex methods it is difficult to model. The artificial intelligence techniques provided a new tool capable of modeling a large amount of data loads and build the relationship between the variables of the system. Among these intelligent techniques there are the neural networks and fuzzy logic which are used to load forecasting. This research presents a method for short-term multinodal electrical load forecasting (at various points of main interest), using an artificial neural network architecture based on ART (Adaptive Resonance Theory) neural network called ART-ARTMAP Fuzzy. ART neural networks have fundamental characteristics, stability and plasticity, to train and provide fast and reliable results. The method was implemented in Matlab platform where it was possible to perform the prediction, for example, for a system composed of nine substations. In order to evaluate the results obtained by the predictions the maximum percentage error of the forecast and the average percentage error were calculated. Historical load data yielded by the Electricity Commission of New Zealand are used to execute the training and... (Complete abstract click electronic access below)

Made available in DSpace on 2014-06-11T19:30:52Z (GMT). No. of bitstreams: 0 Previous issue date: 2004-08-30Bitstream added on 2014-06-13T19:00:52Z : No. of bitstreams: 1 lotufo_adp_dr_ilha.pdf: 1403044 bytes, checksum: 249ef360105db325454067aab8f18bbe (MD5) / Esta pesquisa tem por objetivo o desenvolvimento de uma metodologia, para análise de estabilidade transitória e para o controle preventivo de sistemas de energia elétrica, formulada por redes neurais feedforward multicamadas. A margem de segurança (método da energia) é empregada como critério de análise de estabilidade transitória, considerando-se defeitos tipo curto-circuito trifásico com saída de linha de transmissão. O funcionamento das redes neurais é constituído por duas fases principais: treinamento (ou aprendizado) e análise. A fase de treinamento requer uma grande quantidade de processamento para a sua realização, enquanto que a fase de análise é efetivada, praticamente, sem esforço computacional. Trata-se, por conseguinte, da principal justificativa para o uso de redes neurais para a resolução de problemas complexos que exigem soluções rápidas, sendo, portanto, adequadas para aplicações em tempo real. O treinamento da rede neural é realizado usando o algoritmo retropropagação (backpropagation) com controlador nebuloso e a adaptação da inclinação e deslocamento da função sigmóide (pós-sináptica). O controlador nebuloso é usado visando proporcionar uma convergência mais rápida e resultados mais precisos, se comparado ao algoritmo retropropagação tradicional. A adaptação da taxa de treinamento é efetuada usando a informação do erro global e a variação do erro global. A adaptação da inclinação e deslocamento da função sigmóide também é usada com o objetivo de melhorar a capacidade da obtenção de uma solução, ou seja, ampliar o espaço de busca. Após ter sido concluído o treinamento, a rede neural deverá estar apta a estimar a margem de segurança e a análise de sensibilidade. Com esta informação é possível desenvolver um método para a realização da correção da segurança (controle preventivo)... . / This work presents a procedure, for transient stability analysis and for preventive control of electric power systems, formulated by multilayer feedforward neural network. The security margin (energy method) is used as a criterion of the transient stability analysis considering faults like three-phase short-circuits with outage of transmission line. The performance of neural networks is constituted of two principal phases: training (or learning) and analysis. The training phase needs a great quantity of processing time for the realization, whereas the analysis phase is effectuated almost without computational effort. Therefore, this is the principal justification to use neural networks for solving complex problems that need fast solutions, and as a consequence being adequate for real time applications. The neural network training is realized using the backpropagation algorithm with fuzzy controller and the sigmoid (postsynaptic) function slope and translation adaptation. The fuzzy controller is used to provide a faster convergence and more precise results, if compared to the traditional Backpropagation algorithm. The adapting of the training rate is effectuated using the information of the global error, and global error variation. The adaptation of the slope and translation of the postsynaptic function is used for improving the capacity of obtaining a solution, i.e., to enlarge the space of search. After finishing the training, the neural network is capable to estimate the security margin, and the sensitivity analysis. With these information it is possible to develop a method for the realization of the security correction (preventive control) based on generation reallocation and load shedding. The preventive control idealization is based on the sensitivity... (Complete abstract, click electronic address below).

Orientador: Norian Marranghello / Coorientador: Toni Amorim de Oliveira / Banca: Henrique Dezani / Banca: Rodrigo Capobianco Guido / Resumo: Redes Neurais Artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes, e que adquirem conhecimento pela experiência. Neste trabalho apresenta-se o desenvolvimento de uma Rede Neural Artificial (RNA) capaz de reconhecer aspectos de Inteligências Múltiplas, para que seja possível direcionar alunos para conteúdos mais apropriados em ferramentas de apoio ao ensino. Foram desenvolvidas e testadas, nesta pesquisa, três Redes Neurais Artificiais (RNA), a primeira possuindo quatro entradas, correspondentes às somas de respostas dadas a perguntas cotidianas, e quatro saídas lineares utilizando a função sinal como função de ativação. A segunda rede possui doze entradas, correspondentes às respostas das perguntas cotidianas e quatro saídas contínuas utilizando a função Sigmoide para a classificação das inteligências. A terceira rede, por sua vez, possui a mesma configuração da segunda rede, porém com uma camada oculta e também foi inserido um valor à função Sigmoide, para que o treinamento apresentasse um melhor aproveitamento. Os testes foram realizados com todas as redes desenvolvidas, que eram reprogramadas, sempre que necessário, com os resultados dos testes realizados, uma vez que em alguns casos eles ainda eram inconclusivos por não conseguirem dar segurança à classificação das inteligências. Neste trabalho também são apresentados e discutidos, os resultados obtidos na utilização da Rede Neural Artificial... / Abstract: Artificial Neural Networks are computational techniques that present a mathematical model inspired by the neural structure of intelligent organisms, and can acquire knowledge through experience. This research presents the development of an Artificial Neural Network capable of recognizing aspects of Multiple Intelligences, so that it is possible to direct students to more appropriate content in tools to support education. In this research, three Artificial Neural Networks (RNA) were developed and tested. The first network has four inputs, corresponding to the sums of answers given to daily questions, and four linear outputs using the signal function as activation function. The second network has twelve inputs, corresponding to the answers of the daily questions and four continuous outputs using the Sigmoid function for the classification of intelligences. The third network, has the same configuration as the second network, but with a hidden layer and a value was also added to the Sigmoid function, so that the training could be better. The tests were performed with all the developed networks, which were reprogrammed, whenever necessary, with the results of the tests performed, since in some cases they were still inconclusive. In this paper are also presented and discussed, the results obtained in the use of Artificial Neural Network by students of universities of São José do Rio Preto / Mestre

Orientador: Adriano Wagner Ballarin / Coorientador: Hélio Garcia Leite / Banca: Daniel Henrique Breda Binoti / Banca: Osvaldo Cesar Pinheiro de Almeida / Banca: Saulo Philipe Sebastião Guerra / Banca: Sergio Augusto Rodrigues / Resumo: A densidade básica da madeira é uma das mais importantes propriedades que afetam o processo produtivo na indústria de base florestal. Sendo a madeira o resultado da combinação da quantidade e da distribuição dos diferentes elementos anatômicos e suas inter-relações com os fatores externos que tangem sobre ela, estudar a associação destas variáveis na formação da madeira, isoladamente, permite tomar decisões mais assertivas quanto ao manejo integrado do sítio, proporcionando ganhos em produtividade e qualidade. As taxas de crescimento de um povoamento florestal e a densidade da madeira são influenciadas pelas variáveis de sítio e de plantio de forma distinta, com tendência ora positiva, ora negativa. A inclusão dessas variáveis em um modelo de estimativa de densidade básica, apesar de possibilitar um maior realismo biológico, traz complexidades à modelagem e à quantificação destas influências. Além disso, alguns componentes qualitativos - variáveis categóricas - como a classificação do tipo de solo e material genético geram dificuldades de modelagem ao serem integrados em equações matemáticas. Assim, em muitos casos, devido às complexidades de ajuste, os modelos estatísticos tornam-se limitados na solução problemas estruturados da gestão de recursos florestais. A técnica de Redes Neurais Artificiais é alternativa para modelagem linear e não linear, estimando a densidade básica a partir de bases de dados históricos para um cadastro de informações semelhantes pelo método de gene... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: The wood basic specific gravity is one of the most important characteristics affecting the productive process in the forest-based industry. Since wood is the result of the combination of the quantity and distribution of the different anatomical elements and their interrelations with the external factors that affect them, studying the association of these variables in the formation of wood alone allows us to make more assertive decisions regarding the management of the site, providing gains in productivity and quality. The growth rates of a forest stand and the wood specific gravity are influenced by the edaphoclimatic variables in a distinct way, with a positive and sometimes negative trend. The inclusion of these variables in a basic specific gravity estimation model, in spite of allowing a greater biological realism, brings complexity to the modeling and quantification of these influences. In addition, some qualitative components - categorical variables - such as soil type classification and genetic material cannot be integrated into mathematical equations. Thus, in many cases, statistical models cannot be used more broadly to solve structured problems of forest resource management. The Artificial Neural Networks technique is an alternative for linear and nonlinear modeling, estimating the basic specific gravity from historical databases for a whole register of similar information by the generalization method. In this work, from the historical data of 25 genetic material of Eucalyptus spp. - 14 clonal and 11 seminal - in first and second rotation, with ages varying from 4 to 11 years and cultivated in five distinct edaphoclimatic regions, the wood basic specific gravity of 1,217 trees was studied. Firstly, the canonical correlations were established between site variables, planting density and wood basic specific gravity (evaluated in disks with and without bark). Two functions were evaluated, ... / Doutor

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico. / Made available in DSpace on 2012-10-17T18:59:38Z (GMT). No. of bitstreams: 0Bitstream added on 2014-09-25T16:36:17Z : No. of bitstreams: 1 174989.pdf: 15769488 bytes, checksum: 1344452b793f07cf8e98e6b1a757cfc8 (MD5) / O presente trabalho aborda o desenvolvimento e avaliação de técnicas híbridas de processamento de sinais voltadas para sinais biomédicos com ênfase na implementação usando redes neurais artificiais (RNAs). Quatro formas básicas de hibridação diferenciadas pelo grau de interação entre as características e propriedades das técnicas constituintes são abordadas: a hibridação seqüencial, paralela, auxiliar e encastoada. A hibridação seqüencial da análise em componentes independentes (ACI) com a promediação e a hibridação auxiliar e seqüencial da transformada wavelet com redes neurais artificiais são propostas e investigadas para o processamento de registros eletrocardiográficos de alta resolução (ECGAR). A primeira técnica objetiva atenuar as interferências no ECGAR e a segunda extrair características espectro-temporais do ECGAR e classificar ECGARs como de indivíduos com ou sem potenciais tardios ventriculares. Na avaliação da primeira técnica os resultados são comparados com o uso isolado da promediação, resultando em uma melhora de 4 dB na relação sinal-ruído. Na segunda técnica obteve-se 91% de acerto na classificação, comparável a outros trabalhos envolvendo RNAs, acrescentando-se a possibilidade de interpretação do processamento efetuado pela RNA.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Centro Tecnológico / Made available in DSpace on 2012-10-17T19:37:03Z (GMT). No. of bitstreams: 0Bitstream added on 2014-09-25T17:12:29Z : No. of bitstreams: 1 178322.pdf: 8164173 bytes, checksum: 58dff9972980056ae164ad29c6b70fd0 (MD5) / Pesquisa que aborda o uso de Redes Neurais Artificiais (RNAs) - modelos biologicamente inspirados - no problema de processamento temporal, onde o principal objetivo é a previsão. Com base na Taxinomia de MOZER (1994) para processamento temporal, o foco do estudo recaiu em duas questões: 1) Definir a forma da memória de curto tempo, o conteúdo que deveria ser armazenado nesta, e como seus parametros serião atualizados; 2) e definir a topologia da rede (tamanho, estrutura e conexões), assim como os parâmetros do algoritmo de treinamento (taxa de aprendizado, termo de momento e outros). O modelo resultante foi comparado com a Metodologia de Box & Jenkins para modelos univariados, avaliado e criticado em termos de: capacidade representativa, processo de identificação e capacidade preditiva. Os resultados mostram que uma RNA, quando bem modelada, têm potencial para representar qualquer mapeamento complexo, não-linear, que pode governar mudanças em uma série de tempo. No estudo de caso foi possível prever o preço do ovo para um período de quatorze meses à frente

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia de Produção / Made available in DSpace on 2012-10-18T02:15:07Z (GMT). No. of bitstreams: 0Bitstream added on 2014-09-25T19:10:05Z : No. of bitstreams: 1 185075.pdf: 28316736 bytes, checksum: dee2d0ce5b0d976815326afcbc317d8c (MD5) / A importância do prognóstico para as empresas, ressaltando a necessidade de se obter valores cada vez mais confiáveis para a tomada de decisão empresarial. Estuda os métodos convencionais para a obtenção de valores de prognóstico, tais como regressão e metodologia de Box-Jenkins e apresenta as redes neurais para solucionar séries temporais com comportamento não-linear. O estudo de caso aborda a aplicação de redes neurais na série temporal representada pelo índice Bovespa