Submitted by Willian de Assis Pedrobon Ferreira null (willianferreira51@gmail.com) on 2017-09-27T13:44:04Z No. of bitstreams: 1 dissertacao_Willian_de_Assis_Pedrobon_Ferreira.pdf: 8549439 bytes, checksum: 8a499577dddc476a2f1f7b3cb4d9a873 (MD5) / Approved for entry into archive by Monique Sasaki (sayumi_sasaki@hotmail.com) on 2017-09-28T14:15:16Z (GMT) No. of bitstreams: 1 ferreira_wap_me_ilha.pdf: 8549439 bytes, checksum: 8a499577dddc476a2f1f7b3cb4d9a873 (MD5) / Made available in DSpace on 2017-09-28T14:15:16Z (GMT). No. of bitstreams: 1 ferreira_wap_me_ilha.pdf: 8549439 bytes, checksum: 8a499577dddc476a2f1f7b3cb4d9a873 (MD5) Previous issue date: 2017-08-24 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A utilização de sensores em ambientes inteligentes é fundamental para supervisionar as atividades dos seres humanos. No reconhecimento de atividades humanas, ou HAR (Human Activity Recognition), técnicas de supervisionamento são aplicadas para identificar as atividades realizadas em diversas aplicações, como no esporte e no acompanhamento de pessoas com necessidades especiais. O Sistema de Reconhecimento de Atividades Humanas (SIRAH) é empregado no reconhecimento de atividades humanas, utilizando um acelerômetro localizado na cintura da pessoa monitorada e uma Rede Neural Artificial para classificar sete atividades: em pé, deitado, sentado, caminhar, correr, sentar e levantar. Originalmente implementado no software MATLAB, realizava classificações offline em que os resultados não eram obtidos durante a execução das atividades. Apresenta-se, neste trabalho, o desenvolvimento de duas versões embarcadas do SIRAH, que executam o algoritmo de classificação durante a prática das atividades monitoradas. A primeira implementação foi efetuada no processador Nios II da Altera, que ofereceu a mesma exatidão do sistema offline com processamento limitado, pois o software consome 673 milissegundos para executar a classificação desejada. Para aprimorar o desempenho, outra versão foi implementada em FPGA utilizando a linguagem de descrição de hardware VHDL. O algoritmo de classificação opera em tempo real e é executado em apenas 236 microssegundos, garantindo total amostragem das acelerações. / The use of sensors in smart environments is fundamental to monitor humans activities. In Human Activity Recognation (HAR), supervision techniques are employed to identify activities in several areas, such as in sport pratice and in people monitoring with special needs. The Sistema de Reconhecimento de Atividades Humanas (SIRAH) is used in human activities recognation, using an accelerometer located on the monitored person waist and an Artificial Neural Network to classify seven activities: standing, lying, seated, walking, running, sitting and standing. Originally, performed offline classifications executed in MATLAB software. In this work we present the development of two embedded SIRAH versions, which perform the classification algorithm during the monitored activities practice. The first implementation was performed on Altera’s Nios II processor, that has been provided the same offline system accuracy, but with limited processing. To improve the performance, the other version was implemented in FPGA using the VHDL hardware description language, which performs real-time classifications, ensuring a lossless acceleration sampling.

Submitted by CARLOS ROBERTO DOS SANTOS JÚNIOR null (carlos9_rsj@hotmail.com) on 2017-10-26T17:32:23Z No. of bitstreams: 1 Tese_CarlosRSantosJr_biblioteca_final.pdf: 3193090 bytes, checksum: ce950f71ef02dd650ba662b7b8eea784 (MD5) / Approved for entry into archive by Monique Sasaki (sayumi_sasaki@hotmail.com) on 2017-10-31T18:06:36Z (GMT) No. of bitstreams: 1 santosjunior_cr_dr_ilha.pdf: 3193090 bytes, checksum: ce950f71ef02dd650ba662b7b8eea784 (MD5) / Made available in DSpace on 2017-10-31T18:06:36Z (GMT). No. of bitstreams: 1 santosjunior_cr_dr_ilha.pdf: 3193090 bytes, checksum: ce950f71ef02dd650ba662b7b8eea784 (MD5) Previous issue date: 2017-09-04 / A evolução dos recursos de internet levou ao crescente aumento do fluxo de dados, e por consequência, a necessidade de modelos de classificação ou previsão que suportem uma aprendizagem online. A Rede Neural ARTMAP Fuzzy tem sido utilizada nas mais diversas áreas do conhecimento, no entanto, ainda é pouco explorada em aplicações de tempo real que exigem uma aprendizagem contínua. Neste trabalho, é proposto uma Rede Neural ARTMAP Fuzzy com treinamento continuado, capaz de adquirir conhecimento ao longo da classificação ou previsão. Modificações na arquitetura e no algoritmo de aprendizagem possibilitam à rede neural ativar o treinamento sempre que necessário. Para validar o modelo proposto foram realizadas duas aplicações, uma para previsão e outra para classificação, utilizando bases de dados benchmarks e comparado com a ARTMAP Fuzzy original. Os resultados mostraram a capacidade do modelo proposto em adquirir conhecimento ao longo das amostras apresentadas de forma estável e eficiente. Assim, este estudo contribui para a evolução da rede neural ARTMAP Fuzzy e apresenta o treinamento continuado como uma alternativa eficaz para aplicações de tempo real. / The evolution of internet resources has led to an increase in the flow of data, and consequently, the need for classification or forecasting models that support an online learning. The ARTMAP Fuzzy Neural Network has been used in several areas of knowledge, however, it is still little explored in real-time applications that require continuous learning. In this work, an ARTMAP Fuzzy Neural Network with continuous training is proposed, able to acquire knowledge along the classification or prediction. Modifications in the architecture and learning algorithm enable the neural network to activate training whenever necessary. To validate the proposed model two experiments were performed, one for forecasting and another for classification, using benchmark databases and compared with the original ARTMAP Fuzzy Neural Network. The results showed the ability of the proposed model to acquire knowledge along the presented samples in a stable and efficient way. Thus, this study contributes to the evolution of the ARTMAP Fuzzy neural network and presents the continuous training as an effective alternative to real-time applications.

Submitted by MARCOS RICARDO MÜLLER (marcos.ricardo.unesp@gmail.com) on 2018-04-23T16:13:18Z No. of bitstreams: 1 muller_mr_tese_lv.pdf: 4063915 bytes, checksum: 2bd34db37cecdea37a74a93bf0e348b5 (MD5) / Approved for entry into archive by Cristina Alexandra de Godoy null (cristina@adm.feis.unesp.br) on 2018-04-23T17:10:16Z (GMT) No. of bitstreams: 1 muller_mr_dr_ilha.pdf: 4063915 bytes, checksum: 2bd34db37cecdea37a74a93bf0e348b5 (MD5) / Made available in DSpace on 2018-04-23T17:10:16Z (GMT). No. of bitstreams: 1 muller_mr_dr_ilha.pdf: 4063915 bytes, checksum: 2bd34db37cecdea37a74a93bf0e348b5 (MD5) Previous issue date: 2018-02-26 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A maior inserção de tecnologias da informação nas redes de distribuição de energia elétrica vem permitindo que maiores volumes de dados de consumo sejam capturados em níveis cada vez mais detalhados, menos agregados e com maiores resoluções. Com a evolução dos mercados de energia elétrica, esses tipos de dados alcançam maior importância, uma vez que a comercialização de energia também passa a considerar estes níveis de consumo. Diversas técnicas têm sido aplicadas para previsão de cargas elétricas, como modelos estatísticos, de inteligência computacional e híbridos. Na literatura especializada é possível encontrar trabalhos que aplicam a rede neural artificial ARTMAP Fuzzy para tarefas de previsão de cargas elétricas, no entanto, a técnica ainda é pouco explorada em cenários de consumo menos agregados, e com maiores níveis de detalhe. Neste trabalho a rede ARTMAP Fuzzy é aplicada em tarefas de previsão multi-step de cargas elétricas reais com distintos níveis de agregação. Considerando o impacto do ruído sobre os previsores, sobretudo na capacidade de generalização das redes neurais artificiais, a técnica singular spectrum analysis é aplicada na tarefa de remoção de ruído. Os resultados de previsão permitiram analisar desempenho da rede ARTMAP Fuzzy, que foi comparada com outros dois previsores utilizados como benchmark, a saber, seasonal autoregressive integrated moving average e a rede neural multiLayer perceptron. A remoção de ruído permitiu melhora nos níveis de generalização da rede, impactando positivamente sua capacidade preditiva. / The increased insertion of information technologies in electricity distribution networks has allowed larger volumes of consumption data to be captured at increasingly detailed, less aggregated and higher resolution levels. With the evolution of electric energy markets, these types of data become more important, since the commercialization of energy also begins to consider these levels of consumption. Several techniques have been applied to predict electrical loads, such as statistical, computational intelligence and hybrids models. In the specialized literature it is possible to find works that apply the artificial neural network ARTMAP Fuzzy for tasks of prediction of electric charges, however, the technique is still little explored in less aggregated consumption scenarios, and with greater levels of detail. In this work the ARTMAP Fuzzy network is applied in multi-step forecasting tasks of real electric loads with different levels of aggregation. Considering the impact of noise on predictors, especially in the generalization capacity of artificial neural networks, the singular spectrum analysis technique is applied in the noise removal task. The prediction results allowed to analyze the performance of the ARTMAP Fuzzy network, which was compared with other two predictors used as benchmark, namely seasonal autoregressive integrated moving average and the multiLayer perceptron neural network. The noise removal allowed an improvement in the levels of network generalization, positively impacting its predictive capacity. / 1560734

Thesis submitted in fulfilment of the requirements for the degree Master of Technology: Discipline Electrical Engineering in the Faculty of Engineering at the Cape Peninsula University of Technology 2008 / Optimal daily operation of electric power generating plants is very essential for any power utility organization to reduce input costs and possibly the prices of electricity in general. For a fossil fuel – fired power plant for example, the benefits of power generation optimalization (i.e. generate what is reasonably required) extends even to environmental issues such as the subsequent reduction in air pollution. Now to generate “what is reasonably required” one needs forecast the future electricity demands. Because power generation relies heavily on the electricity demand, the consumers are also practically speaking required to wisely manage their loads to consolidate the power utility’s optimal power generation efforts. Thus, for both cases, accurate and reliable electric load forecasting systems are absolutely required. To date, there are numerous forecasting methods developed primarily for electric load forecasting. Some of these forecasting techniques are conventional and often less favoured. To get a broad picture of the problem at hand, a literature survey was first conducted to identify possible drawbacks of the existing forecasting techniques including the conventional one. Artificial neural networks (ANNs) approach for short-term load forecasting (STLF) has been recently proposed by a majority of researchers. But there still is a need to find optimal neural network structures or convenient training approach that would possibly improve the forecasting accuracy. This thesis developed models for STLF using ANNs approach. The evolved models are intended to be a basis for real forecasting application. These models are tested using actual load data of the Cape Peninsula University of Technology (CPUT) Bellville campus reticulation network and weather data to predict the load of the campus for one week in advance. The models were divided into two classes: first, forecasting the load for a whole week at once was evaluated, and then hourly models were studied. In both cases, the inclusion of weather data was considered. The test results showed that the hour-by-hour approach is more suitable and efficient for a forecasting application. The work suggests that incremental training approach of a neural network model should be implemented for on-line testing application to acquire a universal final view on its applicability. Keywords – power system operations, load forecasting, artificial neural networks, training mode, accuracy

Orientador: Maria de Lourdes Boeno Trindade Galo / Banca: Nilton Nobuhiro Imai / Banca: Francisco Antônio Dupas / Resumo: Nos últimos anos, infestações de plantas aquáticas em reservatórios estão sendo estudadas como um efeito do desequilíbrio causado pela poluição e represamento dos rios. A quantidade excessiva de plantas, conseqüente desse desequilíbrio, dificulta tanto a navegação como a produção de energia elétrica. Esse tipo de ocorrência, assim como a presença de algumas substâncias na água, provocam mudanças na radiância da mesma, registradas por sensores orbitais. Nesse sentido, técnicas de processamento e análise de dados de sensoriamento remoto podem se constituir em uma fonte complementar de dados e fornecer informações relacionadas ao grau de infestação de reservatórios. Nesse contexto, o presente trabalho teve como objetivo verificar a influência da resolução espacial de imagens multiespectrais na detecção e mapeamento de áreas infestadas por plantas aquáticas emersas em um reservatório de pequeno porte, através de utilização de procedimentos de análise multiescala e classificação supervisionada usando redes neurais artificiais. Para isso foram utilizadas imagens IKONOS multiespectrais (4 metros de resolução espacial) do reservatório de Salto Grande localizado na cidade de Americana- SP. Assim, foram geradas imagens multiescala, resultando em imagens de 8, 16 e 32 metros de resolução espacial. Na classificação das imagens, utilizando Redes Neurais Artificiais, os dados de entrada constituíram-se de imagens multiespectrais IKONOS (bandas 1, 2, 3 e 4), imagem de textura (banda do IVP), e uma imagem de índice de vegetação (NDVI). O procedimento metodológico adotado mostrou-se adequado para o mapeamento das variações espectrais da água e detecção das infestações por plantas aquáticas, nos vários níveis de resolução da imagem. Os resultados obtidos mostraram que a classificação pela rede neural, com os parâmetros...(Resumo completo, clicar acesso eletrônico abaixo) / Abstract: In past few years, great infestations of aquatic plants in reservoirs have been studied as an effect of the environmental unbalance caused by pollution and damming of rivers. The excessive amount of plants, deriving from this unbalance, makes navigation and the production of electricity difficult. This kind of occurrence, as well as the appearance of some substances in the water, cause changes in the water radiance detected by satellite sensors. Thus, processing techniques and data analysis may be used as a complementary data source to give information related to the degree of infestation of these plants in reservoirs. So, the present dissertation aimed at verifying the influence of the spatial resolution of multispectral images in the detection and mapping of areas infested by aquatic plants in a small reservoir , through the use of multiscale analysis procedures and supervised classification using artificial neural networks. Multiespectral imagens IKONOS (spatial resolution of 4 meters) of the reservoir of Salto Grande, in the city of Americana-SP were used. So, multiscale images were generated, resulting in images of 8, 16 and 32 meters of spatial resolution. In the classification of these images, using Artificial Neural Networks, the input data was constituted of multispectral images IKONOS (bands 1, 2, 3 and 4), image of texture (band of NIR), and one image of vegetation index (NDVI). The method used was adequate to map the spectral variation of the water and to detect infested areas of aquatic plants in the various levels of resolution of the image. The results obtained showed that the classification by the parameters defined for the original image and applied in the training of the scheme adopted for the different resolution levels was satisfactory. Furthermore, an analysis was made comparing multiscale images classified through crossed comparison, which permits comparing...(Complete abstract click electronic access below) / Mestre

Made available in DSpace on 2014-12-17T14:54:52Z (GMT). No. of bitstreams: 1 DannielCL.pdf: 4466929 bytes, checksum: a4689db1730e1d1e328761ddef3c47b2 (MD5) Previous issue date: 2009-07-30 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / The number of applications based on embedded systems grows significantly every year, even with the fact that embedded systems have restrictions, and simple processing units, the performance of these has improved every day. However the complexity of applications also increase, a better performance will always be necessary. So even such advances, there are cases, which an embedded system with a single unit of processing is not sufficient to achieve the information processing in real time. To improve the performance of these systems, an implementation with parallel processing can be used in more complex applications that require high performance. The idea is to move beyond applications that already use embedded systems, exploring the use of a set of units processing working together to implement an intelligent algorithm. The number of existing works in the areas of parallel processing, systems intelligent and embedded systems is wide. However works that link these three areas to solve any problem are reduced. In this context, this work aimed to use tools available for FPGA architectures, to develop a platform with multiple processors to use in pattern classification with artificial neural networks / O n?mero de aplica??es baseadas em sistemas embarcados cresce significativamente a cada ano. Isso se deve ao fato de que, apesar de sistemas embarcados possu?rem restri??es e unidades de processamento simples, o desempenho desses tem melhorado a cada dia. Entretanto a complexidade das aplica??es tamb?m cresce, fazendo com que sempre exista a necessidade de um desempenho melhor. Portanto, apesar dessa evolu??o, existem casos, nos quais, um sistema embarcado com uma ?nica unidade de processamento n?o ? suficiente para realizar o processamento das informa??es em tempo h?bil. Para melhorar o desempenho destes sistemas, pode-se analisar a implementa??o de solu??es com processamento paralelo e assim utilizar-los em aplica??es mais complexas que exigem um alto desempenho. A id?ia ? avan?ar al?m das aplica??es que j? utilizam sistemas embarcados, explorando a utiliza??o de um conjunto de unidades de processamento cooperando entre si para execu??o de um algoritmo inteligente. O n?mero de trabalhos existentes nas ?reas de processamento paralelo, sistemas inteligentes e sistemas embarcados ? grande. Entretanto, trabalhos que unam essas tr?s ?reas para a solu??o de algum tipo de problema s?o reduzidos. Diante deste contexto, esse trabalho teve como objetivo utilizar ferramentas dispon?veis para arquiteturas FPGA, desenvolvendo uma plataforma com m?ltiplos processadores para utiliza??o em problemas de processamento inteligente com redes neurais artificiais

Made available in DSpace on 2014-12-17T14:55:48Z (GMT). No. of bitstreams: 1 RodrigoSM.pdf: 448753 bytes, checksum: 2007d56d8880a1b4d3b48c20466bce2c (MD5) Previous issue date: 2006-06-09 / Instituto Federal de Educa??o, Ci?ncia e Tecnologia do Rio Grande do Norte / This work consists in the use of techniques of signals processing and artificial neural networks to identify leaks in pipes with multiphase flow. In the traditional methods of leak detection exists a great difficulty to mount a profile, that is adjusted to the found in real conditions of the oil transport. These difficult conditions go since the unevenly soil that cause columns or vacuum throughout pipelines until the presence of multiphases like water, gas and oil; plus other components as sand, which use to produce discontinuous flow off and diverse variations. To attenuate these difficulties, the transform wavelet was used to map the signal pressure in different resolution plan allowing the extraction of descriptors that identify leaks patterns and with then to provide training for the neural network to learning of how to classify this pattern and report whenever this characterize leaks. During the tests were used transient and regime signals and pipelines with punctures with size variations from ?' to 1' of diameter to simulate leaks and between Upanema and Estreito B, of the UN-RNCE of the Petrobras, where it was possible to detect leaks. The results show that the proposed descriptors considered, based in statistical methods applied in domain transform, are sufficient to identify leaks patterns and make it possible to train the neural classifier to indicate the occurrence of pipeline leaks / Este trabalho consiste na utiliza??o de t?cnicas de processamento de sinais e redes neurais artificiais para identificar vazamentos em dutos com escoamento multif?sico. Nos m?todos tradicionais de detec??o, existe uma grande dificuldade em conseguir montar um perfil, que seja adequado aos encontrados em condi??es reais do transporte de ?leo. Estas dif?ceis condi??es v?o desde os desn?veis de terreno que causam colunas ou v?cuos ao longo dos dutos at? a presen?a de multifases como ?gua, g?s e ?leo, al?m de outros componentes como areia, que tendem a produzir escoamentos descont?nuos e varia??es diversas. Para vencer estas dificuldades, foi utilizada a transformada wavelet para mapear os sinais de press?o e vaz?o em diferentes planos de resolu??o, permitindo com isto a extra??o dos descritores que caracterizassem padr?es de vazamento e com os mesmos treinar uma rede neural para aprender a classificar estes padr?es e informar quando estes s?o um vazamento. Nos testes foram utilizados sinais de regime e transiente, em duto entre a unidade de Upanema e Estreito B, da UN-RNCE da Petrobras, onde foi poss?vel detectar vazamentos, com furos que variavam de ? a 1 de di?metro para simular os vazamentos. Os resultados obtidos mostram que os descritores propostos com base em medidas estat?sticas no dom?nio da transformada caracterizam os padr?es de vazamento e possibilitam o treinamento do classificador neural para indicar a ocorr?ncia ou n?o de vazamentos no duto

Made available in DSpace on 2014-12-17T14:56:21Z (GMT). No. of bitstreams: 1 PatricLS.pdf: 758253 bytes, checksum: 5014311c01c22242625c739abbfdc673 (MD5) Previous issue date: 2006-06-09 / Conselho Nacional de Desenvolvimento Cient?fico e Tecnol?gico / This work has as main objective the application of Artificial Neural Networks, ANN, in the resolution of problems of RF /microwaves devices, as for example the prediction of the frequency response of some structures in an interest region. Artificial Neural Networks, are presently a alternative to the current methods of analysis of microwaves structures. Therefore they are capable to learn, and the more important to generalize the acquired knowledge, from any type of available data, keeping the precision of the original technique and adding the low computational cost of the neural models. For this reason, artificial neural networks are being increasily used for modeling microwaves devices. Multilayer Perceptron and Radial Base Functions models are used in this work. The advantages/disadvantages of these models and the referring algorithms of training of each one are described. Microwave planar devices, as Frequency Selective Surfaces and microstrip antennas, are in evidence due the increasing necessities of filtering and separation of eletromagnetic waves and the miniaturization of RF devices. Therefore, it is of fundamental importance the study of the structural parameters of these devices in a fast and accurate way. The presented results, show to the capacities of the neural techniques for modeling both Frequency Selective Surfaces and antennas / Este trabalho tem como principal objetivo a aplica??o de Redes Neurais Artificiais, RNA, na resolu??o de problemas de dispositivos de RF /microondas, como por exemplo a predi??o da resposta em freq??ncia de algumas estruturas em uma regi?o de interesse. As Redes Neurais Artificiais se apresentam como uma alternativa aos m?todos atuais de an?lise de estrutura de microondas, pois s?o capazes de aprender, e o mais importante generalizar o conhecimento adquirido, a partir de qualquer tipo de dado dispon?vel, mantendo a precis?o da t?cnica original utilizada e aliando o baixo custo computacional dos modelos neurais. Por esse motivo, as redes neurais artificiais s?o cada vez mais utilizadas para a modelagem de dispositivos de microondas. S?o utilizados neste trabalho os modelos Perceptron de M?ltiplas Camadas e de Fun??es de Base Radiais. S?o descritas as vantagens/desvantagens de cada um desses modelos, assim como os algoritmos de treinamento referentes a cada um deles. Dispositivos planares de microondas, como Superf?cies Seletivas de Freq??ncias e as antenas de microfita, ganham cada vez mais destaque devido ?s necessidades crescentes de filtragem e separa??o de ondas eletromag?ticas e ? miniaturiza??o de dispositivos de R?dio-Freq??ncia. Por isso ? de import?ncia fundamental o estudo dos par?metros estruturais desses dispositivos de forma r?pida e precisa. Os resultados apresentados, demonstram as capacidades das t?cnicas neurais para modelagem de Superf?cies Seletivas de Freq??ncia e antenas

A demanda e, consequentemente, a geração de energia elétrica são questões de suma importância para o desenvolvimento econômico e social dos países. Modelos para previsão destes parâmetros no longo e médio prazo são empregados com a finalidade de antever possíveis cenários e propor estratégias para a realização de um planejamento energético adequado. Neste contexto, o presente estudo tem como objetivo realizar a previsão da geração de energia elétrica no estado do Rio Grande do Sul (RS) em um horizonte de médio prazo (um ano), utilizando Redes Neurais Artificiais (RNA’s) do tipo feedforward com algoritmo de aprendizado supervisionado backpropagation. Para o desenvolvimento deste trabalho elaborou-se um script para executar as simulações necessárias, as quais foram realizadas através do software Matlab®. As variáveis de influência selecionadas como entradas do modelo de previsão referem-se à economia (estadual e nacional), ao balanço de energia elétrica e à meteorologia do estado, durante o período de janeiro de 2009 a março de 2016. Para realizar o treinamento da rede neural, adicionou-se a matriz de entrada este conjunto de dados, com frequência mensal, referentes a janeiro de 2009 a março de 2015 e para previsão foram inseridos dados de abril de 2015 a março de 2016. Por fim, depois de realizada a simulação completa da RNA, comparou-se o resultado observado da geração de energia elétrica do estado com o obtido através do modelo de previsão, indicando um erro percentual absoluto médio (MAPE) de 5,86% e um desvio absoluto médio (MAD) de 134,15 MW médio. Os resultados obtidos neste trabalho mostram-se promissores, além de semelhantes aos encontrados na literatura, demonstrando assim confiabilidade e eficácia do método empregado. / The demand and, consequently, the generation of electric power are very important issues for social and economic development of countries. Models to forecast these parameters in long and medium terms are used to anticipate possible sceneries and propose strategies for the energy planning of countries. In this context, the present study aims to forecast the generation of electric energy in Rio Grande do Sul State (RS) in a medium-term horizon (one year) using, Artificial Neural Networks (ANNs) of the feedforward type with algorithm of supervised learning backpropagation. For the development of this work, a script was elaborated in order to execute the necessary simulations, which were carried out through Matlab® software. The selected variables of influence as inputs of forecasting model refer to economy (State and National), to the electric energy balance and to the meteorology State, during the period from January, 2009 to March, 2016. In order to train the neural network, this data set was added to the entrance matrix, with monthly frequency, from January, 2009 to March, 2015 and for prediction, data were inserted from April, 2015 to March, 2016. Finally, after RNA complete simulation, the observed result of the electric power generation of the State was compared with the one obtained through the prediction model, indicating a mean absolute percent error (MAPE) of 5.86% and a mean absolute deviation (MAD) of 134.15 average MW. The obtained results in this work are promising, besides; they are similar to those found in literature, in this way demonstrating the reliability and efficacy of the using method.

Este estudo propõe um modelo híbrido que reúne uma rede neural do tipo SOM (Self-Organizing Map) com uma rede neural do tipo Multicamadas com Retropropagação (BPN: Backpropagation Network). A utilização da rede SOM tem o intuito de segmentar a base de dados em diversos clusters, onde são ressaltadas suas diferenças. A rede BPN é usada para construir um modelo matemático de previsão que descreve a relação entre os indicadores e o valor de fechamento de cada cluster formado na rede SOM. A viabilidade e o percentual de efetividade do modelo proposto são demonstrados através de experimentos de predição de índices utilizados pelo NYSE (New York Stock Exchange). O modelo foi elaborado a partir de uma base de dados composta pelo índice NYSE Composite U.S. 100 no período entre 02 de abril de 2004 a 08 de novembro de 2012. Como variáveis de entrada para as redes neurais, foram utilizados 10 índices: MA_10, BIAS_20, WMS%R_9, K_9, D_9, MTM_10, ROC_10, CCI_24, AR_26, BR_26. Os resultados obtidos com o modelo híbrido proposto se mostraram superiores aos obtidos com modelos convencionais estatísticos. / This study proposes a hybrid model that combines a neural network SOM (Self-Organizing Map) with a neural network with Multilayer Backpropagation (BPN: Backpropagation Network). The SOM aims to segment the database into different clusters, where they highlight their differences. The BPN network is used to build a predictive mathematical model that describes the relationship between the indicators and the closing value of each cluster formed in the SOM. The percentage of viability and effectiveness of the proposed model are demonstrated through experiments predict index used by the NYSE (New York Stock Exchange). The model was developed from a database composed of 100 U.S. NYSE Composite Index in the period from April, 02, 2004 to November, 08, 2012. As input variables for neural networks, we used 10 indices: MA_10, BIAS_20, WMS%R_9, K_9, D_9, MTM_10, ROC_10, CCI_24, AR_26, BR_26. Results obtained with the proposed hybrid model were higher than those obtained with conventional statisticals techniques.