Made available in DSpace on 2014-06-12T15:51:59Z (GMT). No. of bitstreams: 2 arquivo3006_1.pdf: 934448 bytes, checksum: cfaf4b35b4e186dc40f91523ebe587bf (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Os Sistemas de Múltiplos Classificadores (também conhecidos como Comitês de Classificadores) podem usar a combinação ou a seleção de hipóteses dos diferentes membros para determinar a hipótese de solução para um dado problema. O método de combinação de hipóteses é mais difundido, sendo possível encontrar diferentes estratégias que aprimoraram o seu desempenho desde a sua concepção. Por outro lado, o método de seleção não possui tantos avanços quanto o método de combinação, embora o seu potencial já tenha sido comprovado em trabalhos da literatura. A construção de sistemas de múltiplos classificadores usando o método de seleção envolve a busca pela estratégia de seleção, que pode ser através do agrupamento dos dados de treinamento e seleção de classificadores especializados nos dados de cada grupo encontrado. Os aprimoramentos realizados no método de seleção de classificadores ocorrem para a definição da estratégia de seleção, normalmente executada por um método manual. Por outro lado, os melhores aprimoramentos do método de combinação de classificadores foram obtidos com o uso de métodos evolucionários (automáticas) para o ajuste de parâametros. Devido à ausência da hibridização com métodos evolucionários para o aprimoramento do método de seleção; às dificuldades inerentes ao trabalho por tentativa e erro em atividades de busca e para avançoo do conhecimento sobre o potencial do método de seleção, faz-se necessária uma exploração do potencial do método de seleção usando métodos de busca evolucionários. Este trabalho explora a construção automática de sistemas de múltiplos classificadores usando o método de seleção. Nesta tese é proposto um novo método, que emprega a Otimização por Exame de Partículas e Evolução Diferencial acoplada ao Algoritmo Genético, utilizado para o aprimoramento da estratégia de seleção de classificadores. A combinação com métodos evolucionários tem o objetivo de explorar o potencial do método de seleção de classificadores, apresentando os benefícios de sua hibridização com métodos de busca evolucionários. A estratégia de seleção de classificadores adotada é composta por uma fase de agrupamento dos dados de treinamento e outra de busca por classificadores especializados para cada grupo de dados encontrado. Os experimentos realizados utilizaram os métodos K-médias e Mapas Auto-Organizáveis na fase de agrupamento e Redes Neurais Artificiais Lineares e Perceptrons de múltiplas camadas na fase de classificação. Algoritmos Evolucionários foram usados (Otimização por Exame de Partículas com ajuste dinâmico de parâmetros e Evolução Diferencial integrada a um Algoritmo Genético) no presente trabalho, com o propósito de otimizar os parâmetros e desempenho das diferentes técnicas empregadas nas fases de agrupamento e classificação. Os resultados experimentais mostraram que o método proposto possui um melhor desempenho quando comparado aos métodos manuais e supera de forma significativa a maioria dos métodos comumente usados para a construção de sistemas de múltiplos classificadores

Made available in DSpace on 2014-06-12T15:52:11Z (GMT). No. of bitstreams: 2 arquivo3194_1.pdf: 1782444 bytes, checksum: 1982844f90df3787391d8faa431cde16 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Em redes neurais artificiais (RNAs), as funções de ativação mais comumente usadas são a função sigmóide logística e a função tangente hiperbólica, dependendo das características dos dados. Entretanto, a escolha da função de ativação pode influenciar fortemente o desempenho e a complexidade da rede neural. Neste trabalho, com o objetivo de melhorar o desempenho dos modelos de redes neurais, propomos o uso de novas funções de ativação no processamento das unidades da rede neural. Aqui, as funções não-lineares implementadas são as inversas das funções de ligação usadas em modelos de regressão binomial, essas funções são: complemento log-log, probit, log-log e Aranda, sendo que esta última função apresenta um parâmetro livre e é baseada na família de transformações Aranda-Ordaz. Uma avaliação dos resultados do poder de predição com estas novas funções através de simulação Monte Carlo é apresentada. Além disso, foram realizados diversos experimentos com aproximação de funções contínuas e arbitrárias, com regressão e com previsão de séries temporais. Na utilização da função de ativação com parâmetro livre, duas metodologias foram usadas para a escolha do parâmetro livre, l . A primeira foi baseada em um procedimento semelhante ao de busca em linha (line search). A segunda foi usada uma metodologia para a otimização global dessa família de funções de ativação com parâmetro livre e dos pesos das conexões entre as unidades de processamento da rede neural. A ideia central é otimizar simultaneamente os pesos e a função de ativação usada em uma rede multilayer perceptron (MLP), através de uma abordagem que combina as vantagens de simulated annealing, de tabu search e de um algoritmo de aprendizagem local. As redes utilizadas para realizar esses experimentos foram treinadas através dos seguintes algoritmos de aprendizagem: backpropagation (BP), backpropagation com momentum (BPM), backpropagation baseado no gradiente conjugado com atualizações Fletcher-Reeves (CGF) e Levenberg-Marquardt (LM)

Made available in DSpace on 2014-06-12T15:53:32Z (GMT). No. of bitstreams: 2 arquivo5203_1.pdf: 2427628 bytes, checksum: b7e101175fb8c6dac688a04de83a3303 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2004 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Inspirado por uma sugestão de McCulloch e Pitts em seu trabalho pioneiro, uma simulação de Máquinas de Turing (MT) por Redes Neurais Artifiais (RNAs) apresentada. Diferente dos trabalhos anteriores, tal simulação está de acordo com a interpretação correta da análise de Turing sobre computação; é compatvel com as abordagens correntes para análise da cognição como um processo interativo agente-ambiente; e é fisicamente realizável uma vez que não se usa pesos nas conexãos com precisão ilimitada. Uma descrição completa de uma implementação de uma MT universal em uma RNA recorrente do tipo sigmóide é dada. A fita, um recurso infinito, é deixada fora da codificação como uma caracterstica externa não-intrínsica. A rede resultante é chamada de Máquina de Turing Neural. O modelo clássico de computação Máquina de Turing = Fita + Autômato de Estados Finito (AEF) é trocado pelo modelo de computação neural Máquina de Turing Neural (MTN) = Fita + Rede Neural Artifial (RNA) Argumentos para plausabilidade física e cognitiva desta abordagem são fornecidos e as consequências matemáticas são investigadas. E bastante conhecido na comunidade de neurocomputação teórica, que um AEF arbitrário não pode ser implementado em uma RNA quando ruído ou limite de precisão é considerado: sob estas condições, sistemas analógicos em geral, e RNA em particular, são computacionalmente equivalentes aos Autômatos Definidos uma classe muita restrita de AEF. Entre as principais contribuições da abordagem proposta é a definição de um novo modelo de máquina, Máquina de Turing Definida(MTD), que surge quando ruído é levado em consideração. Este resultado reflete na segunda equação descrita acima se tornando MTN com ruíıdo (MTN) = Fita + RNA com ruído(RNA) com a equação correspondente Máquina de Turing Definida = Fita + Autômatos Finitos Definidos (AFD) A investigação de capacidades computacionais das Máquinas de Turing Definida é uma outra contribuição importante da Tese. É provado que elas computam a classe das funções elementares (Brainerd & Landweber, 1974) da Teoria da Recursão

Made available in DSpace on 2014-06-12T15:53:49Z (GMT). No. of bitstreams: 2 arquivo6171_1.pdf: 2423042 bytes, checksum: 949507b002f02df43a3c9f1955b129d9 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Esta tese propõe um novo método híbrido que utiliza simulated annealing e o algoritmo de treinamento padrão de retro-propagação dos erros para otimizar redes MLP (Multi Layer Perceptron) aplicadas ao problema de previsão de séries temporais. Este método, denominado aqui de ANNSATS (Artificial Neural Networks and Simulated Annealing for Time Series Forecasting), começa a partir de uma topologia inicial completamente conectada e com um número pré-definido de neurônios e pesos. O sistema híbrido proposto executa ciclos compostos por uma etapa de otimização de topologia de redes neurais seguida por outra etapa de otimização de pesos. Estes ciclos continuam até que são encontrados uma topologia otimizada de rede neural e um ajuste otimizado para os pesos das conexões. Em cada ciclo, primeiramente é criada uma nova rede neural MLP candidata, que é potencialmente mais adequada para resolver o problema específico de previsão. A nova rede é criada habilitando e desabilitando neurônios de entrada e escondidos. Em seguida, os pesos desta nova topologia são ajustados utilizando o algoritmo padrão de retro-propagação dos erros, empregando um número pré-especificado e pequeno de épocas. Após este ajuste, a rede neural candidata é avaliada de acordo com uma função objetivo. Esta função objetivo é proporcional ao número de neurônios correntemente ativos na topologia e ao erro de modelagem para a série temporal. Dependendo do valor calculado para a função objetivo e dos parâmetros correntes do simulated annealing, a topologia candidata pode ser aceita ou rejeitada. Se esta for aceita, então a mesma é utilizada como base para a geração de uma nova rede neural candidata. Se a topologia candidata não for aceita, então a última topologia válida é utilizada para começar um novo ciclo. Resultados experimentais com uma série simulada (série de Hénon) e com outras oito séries de fenômenos reais mostraram que o novo método é capaz de produzir redes MLP com os retardos esperados e com o número de neurônios escondidos suficientes para obter previsões, em média, melhores do que as calculadas por redes MLP treinadas pelo algoritmo padrão de retro-propagação e melhor do que outros resultados disponíveis na literatura relacionada

Made available in DSpace on 2014-06-12T15:54:09Z (GMT). No. of bitstreams: 2 arquivo1961_1.pdf: 7429302 bytes, checksum: f3051d36d41c342d86505592605868d8 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / De forma geral, as abordagens descritas na literatura utilizam apenas a própria série para realizar a previsão, descartando a série de resíduos proveniente da diferença entre os dados reais da série e a previsão do modelo. Os métodos tradicionais de inteligência artificial não tratam a série de resíduos, considerando assim que essa série tenha o comportamento de um ruído branco, contendo pouca ou nenhuma informação relevante. Estudos realizados em torno das séries de resíduos, geradas pelo Método Time-lag Added Evolutionary Forecasting Method(TAEF), possibilitaram a constatação da não existência de características de ruído branco, mas conjuntos de padrões que detém informações relevantes que podem ser captadas pelo método. Com base nesses estudos e inspirado na Teoria da Perturbação, um conceito já comumente usado em outros ramos da ciência, o Método Perturbative Time-lag Added Evolutionary Forecasting Method (Método P-TAEF) foi desenvolvido para tratamento e previsão das séries residuais. A Teoria da Perturbação é semelhante a uma expansão de potências, como na expansão de Taylor, onde cada termo acrescentado à expansão introduz um fator de correção, que converge para a solução real do problema. Vários experimentos foram realizados com o Método P-TAEF com séries temporais com diferentes características. Foram utilizadas séries de natureza e complexidade distintas, de tal modo a comprovar a eficiência do método proposto. Foi testado um conjunto de sete séries, sendo uma artificial (série do Mapa de Hénon), duas de fenômenos da natureza (série das Manchas Solares e série de Medidas do Brilho de uma Estrela) e quatro séries econômico-financeiras (Índice Dow Jones Industrial Average, Índice Nasdaq,´ Índice S&P500 e valores de Fechamento das Ações da Petrobras (PetrobrasON)). Os experimentos foram comparados com técnicas tradicionais de IA encontradas na literatura e com o Método TAEF

Made available in DSpace on 2014-06-12T15:56:09Z (GMT). No. of bitstreams: 2 arquivo2750_1.pdf: 2282996 bytes, checksum: f61a8b47ec62dc124a6eafe258c2c9a0 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Fundação de Amparo à Ciência e Tecnologia do Estado de Pernambuco / As pesquisas relacionadas à previsão de séries temporais têm sido uma área de bastante interesse nas últimas décadas. Várias técnicas têm sido pesquisadas para a previsão de séries temporais. Este trabalho propõe métodos híbridos, com a finalidade de tentar representar o complexo fenômeno de previsão de séries temporais do mundo real. A gênese do estudo é baseada no conceito sobre o qual, diferentes partes da série temporal podem ser resultantes de diferentes processos físicos que ocorrem na natureza e necessitam, portanto, de diferentes modelagens. A dissertação divide-se em duas etapas. Na primeira, são propostos mais dois sistemas híbridos (BH + MLP e BMT + MLP) para a seleção das variáveis de entradas para os modelos de previsão. Na segunda, são propostas dois métodos híbridos (SOM + MLP e MLP + Fuzzy) para o processo de previsão de séries temporais. Para realizar o estudo comparativo entre as técnicas, dez séries temporais do mundo real foram utilizadas. No que diz respeito à seleção de variáveis os resultados mostraram que a utilização do sistema híbrido Busca pela Memória Temporal e Redes Neurais (BMT + MLP) foi capaz de encontrar um subconjunto de variáveis representativo para o problema. Dos resultados obtidos pode-se concluir que a seleção de variáveis ocorreu de forma bastante satisfatória com a utilização da Busca Harmônica e Redes Neurais, mas ocorreu com maior rapidez e eficiência quando da utilização do sistema proposto BMT + MLP. Apesar dos erros médios quadráticos obtidos pela rede neural serem, em geral, estatisticamente similares para as duas técnicas, a principal vantagem da BMT + MLP é a capacidade de encontrar o subconjunto de variáveis considerado ótimo de forma bastante rápida. Ao realizar a comparação dos resultados obtidos dos modelos propostos com dois modelos da literatura, os modelos propostos apresentaram um melhor desempenho. Quanto aos modelos de previsão propostos, os resultados obtidos apresentaram menor erro ou no máximo iguais em comparação com a rede MLP e com os modelos Estatísticos, para todas as séries simuladas. Por outro lado, os dois modelos propostos (SOM + MLP e MLP + Fuzzy) apresentaram em média resultados que foram considerados estatisticamente similares

Made available in DSpace on 2014-06-12T15:56:38Z (GMT). No. of bitstreams: 2 arquivo2958_1.pdf: 2624002 bytes, checksum: 513ebfc26b253d09c042e76312480f61 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / A celeridade processual das Cortes de Decisão indica grau de desenvolvimento das nações. A morosidade processual, por sua vez, pode ser usada para medir o seu nível de subdesenvolvimento, uma vez que causa prejuízos sociais, ao erário e, mais especificamente, ao cidadão que é parte em um processo. No Brasil, trata-se de um problema real, de larga escala, cuja solução ainda não foi investigada usando as técnicas de mineração de dados, conforme demonstra a pesquisa realizada em todos os 33 (trinta e três) Tribunais de Contas nacionais. Este trabalho investiga a aplicação de mineração de dados como metodologia de tecnologia da informação para apoio à solução do problema da morosidade processual e do retrabalho, que resultam em aumento dos estoques de processos nas Cortes de Decisão. As bases de dados foram integradas, os dados foram transformados, o conhecimento foi extraído e o desempenho dos modelos avaliado. Para extração do conhecimento, foram utilizadas técnicas de Inteligência Artificial, tradicionalmente aceitas: Regras de Classificação, para a descrição das condições que influenciam o problema e, Redes Neurais Artificiais, para a construção dos classificadores. A qualidade da solução desenvolvida e sua aceitação pelos especialistas no domínio mostraram a viabilidade de utilizar Mineração de Dados para apoio à decisão gerencial na administração do estoque de processos dos Tribunais de Contas. Para o estudo de caso foram utilizados os dados do Tribunal de Contas do Estado de Pernambuco

Made available in DSpace on 2014-06-12T15:59:51Z (GMT). No. of bitstreams: 2 arquivo5651_1.pdf: 8886352 bytes, checksum: da501aea5abdb4aea97774ec7b6e1fd7 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2006 / Neste trabalho é realizado um estudo sistemático para a resolução do problema de previsão de séries temporais com a utilização de técnicas de Inteligência Artificial. Inicialmente, modelos de Box & Jenkins são aplicados para a previsão de séries temporais para a geração de um padrão de referência. São investigadas então técnicas da Inteligência Artificial mais comumente encontradas na literatura, como redes neurais artificiais e algoritmos genéticos, bem como um sistema híbrido inteligente resultante da união destas duas técnicas. Observando as deficiências e os pontos fortes das metodologias estudadas, foi desenvolvido um novo método para a previsão de séries temporais, the Time-lag Added Evolutionary Forecasting (TAEF) Method, combinando redes neurais artificiais, um algoritmo genético modificado, um mecanismo de busca evolutiva pela dimensionalidade mínima necessária para a reconstrução do espaço de fase gerador da série, e um procedimento de pós-processamento para a determinação da fase da previsão gerada. Experimentos extensivos realizados com o Método TAEF com séries temporais de natureza, complexidade e características de comportamento diversificadas, comprovam a eficiência e robustez do método proposto. Tendo sido testado em um conjunto de oito séries temporais, sendo duas séries artificiais (série do Mapa de H_enon e série Random Walk), duas de fenômenos naturais (série das Manchas Solares e série de Medidas de Brilho de uma Estrela) e quatro séries econômicas e financeiras (Índice Dow Jones, Índice Nasdaq, Índice S&P500 e Ações da Petrobras), o método TAEF apresenta um desempenho de previsão comprovadamente superior às demais técnicas investigadas e a vários outros trabalhos encontrados na literatura. Além deste experimentos, séries artificiais com características peculiares também foram criadas para a certificação da robustez do método, como séries de Random Walk com Drift e/ou Sazonalidade aditiva, Séries geradas a partir de modelos GARCH, SETAR e STAR. Por fim, simulações de um sistema de apoio à decisão para a compra e venda de ações na bolsa de valores do estado de São Paulo (Bovespa) são montadas, demonstrando a possibilidade de uso prático do método TAEF, consolidando-o como uma nova metodologia viável e de alto desempenho para a resolução do problema de previsão de séries temporais

Made available in DSpace on 2014-06-12T16:01:00Z (GMT). No. of bitstreams: 2 arquivo7132_1.pdf: 2088995 bytes, checksum: aa5d2a0c53668dd8ebc5d10ae3ada3a2 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2005 / As Redes Neurais Artificiais (RNAs), um dos principais modelos de computação em Inteligência Artificial (IA), vêm sendo largamente utilizadas nas diversas abordagens de previsão do comportamento dos dados, por exemplo, em processamento de sinais, reconhecimento de padrões, aproximação de função e também previsão de séries temporais. Isto porque as RNAs englobam muitas características desejáveis como boa capacidade de generalização, não linearidade, multivariáveis, não paramétricas, dentro de um esquema de implementação relativamente eficiente em termos de velocidade e exigência de memória computacional. Apesar do grande uso de RNAs para resolver vários tipos de problemas apresentando bom desempenho, o usuário geralmente quer entender como e porque a rede obteve uma dada saída em relação à entrada que lhe foi apresentada. Ou seja, a incapacidade de explicar como e porque a rede gera suas respostas é uma das principais críticas às RNAs, principalmente quando aplicadas em sistemas onde a segurança na operação seja um aspecto importante, tais como problemas de controle de usinas nucleares, controle do sistema de navegação de aeronaves, auxílio a cirurgias médicas, sistemas de diagnóstico médico e detecção de falhas mecânicas. Isto se deve ao fato do conhecimento está armazenado na topologia, nos pesos e quando usado no bias da rede, o que evidentemente dificulta a compreensão pelo usuário de como a rede encontrou a solução para um determinado problema. Segundo a literatura, a forma mais usual de se resolver esta deficiência é a partir da rede treinada extrair regras do tipo Se/Então. Note que, tais regras são bem mais aceitáveis pelos usuários por serem muito parecidas com a forma de representar o raciocínio humano. Logo, trata-se de uma maneira bastante plausível de se justificar as saídas apresentadas pela rede. Portanto, o objetivo principal deste trabalho é fazer um estudo comparativo entre diversos algoritmos, incluindo os quatro aqui propostos (destacando-se o Literal e o ProRulext), para extração de regras de redes MLP (Multilayer Perceptron) aplicadas à problemas de classificação de padrões e de previsão de séries temporais verificando qual(is) o(s) método(s) que obtém o conjunto de regras mais conciso e representativo das redes treinadas em cada um destes problemas

Made available in DSpace on 2014-06-12T17:34:56Z (GMT). No. of bitstreams: 2 arquivo2536_1.pdf: 2208706 bytes, checksum: 8de8746be2eb21264b1dec79e1932796 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Este trabalho tem como objetivo o desenvolvimento e a aplicação de ferramentas de Inteligência Artificial como Redes Neurais Artificiais, Algoritmos Genéticos e Regras Heurísticas para solucionar problemas de planejamento da operação energética de sistemas de geração de energia elétrica compreendendo hidrelétricas, termelétricas, e parque eólico. A formulação escolhida para solucionar o problema agrega a operação dos reservatórios das hidrelétricas dando como dados de referência ao problema os volumes iniciais e os volumes finais. Esta formulação envolve problemas de grande porte, cujo tamanho varia de acordo com o horizonte de estudo e o detalhamento do sistema gerador. As Rede Neurais Artificiais recorrentes são conhecidas como eficientes ferramentas de otimização para solucionar problemas de programação linear e quadrática, além de apresentar um grande potencial para implementação em hardware do tipo Very- Large-Scale Integration, na qual pode ser mais eficiente do que as técnicas tradicionais de otimização. Os Algoritmos Genéticos também formam outras ferramentas de otimização que vêm sendo estudadas nos últimos anos. Além dessas duas ferramentas podem ser produzidas regras heurísticas para acelerar e melhorar a convergência destes métodos. As técnicas de Inteligência Artificial implementadas foram aplicadas ao despacho econômico de geração do sistema interligado CHESF-ELETRONORTE, para o qual foram obtidos a solução otimizada da operação, os custos marginais de geração e o valor da água associado com cada hidrelétrica