[pt] As RNA Temporais, em função de sua estrutura, consideram o
tempo na sua operação, incorporando memória de curto prazo
distribuída na rede em todos os neurônios escondidos e em
alguns dos casos nos neurônios de saída. Esta classe de
redes é utilizada para representar melhor a natureza
temporal dos sistemas dinâmicos. Em contraste, a RNA
estática tem uma estrutura apropriada para tarefas de
reconhecimento de padrões, classificação e outras de
natureza estática ou estacionária tendo sido utilizada com
sucesso em diversas aplicações.
O objetivo desta tese, portanto foi estudar a teoria e
avaliar o desempenho das Redes Neurais Temporais em
comparação com as Redes Neurais Estáticas, em aplicações
de sistemas dinâmicos. O desenvolvimento desta pesquisa
envolveu 3 etapas principais: pesquisa bibliográfica das
metodologias desenvolvidas para RNA Temporais; seleção e
implementação de modelos para a avaliação destas redes; e
estudo de casos.
A pesquisa bibliográfica permitiu compila e classificar os
principais trabalhos sobre RNA Temporais. Tipicamente,
estas redes podem ser classificadas em dois grupos: Redes
com Atraso no Tempo e Redes Recorrentes.
Para a análise de desempenho, selecionou-se uma redee de
cada grupo para implementação. Do primeiro grupo foi
selecionada a Rede FIR, onde as sinapses são filtros FIR
(Finite-duration Impulse Response) que representam a
natureza temporal do problema. A rede FIR foi selecionada
por englobar praticamente, todos os outros métodos de sua
classe e apresentar um modelo matemático mais formal. Do
segundo grupo, considerou-se a rede recorrente de Elman
que apresenta realimentação global de cada um dos
neurônios escondidos para todos eles.
No estudo de casos testou-se o desempenho das redes
selecionadas em duas linhas de aplicação: previsão de
séries temporais e processamento digital de sinais. No
caso de previsão de séries temporais, foram utilizadas
séries de consumo de energia elétrica, comparando-se os
resultados com os encontrados na literatura a partir de
métodos de Holt-Winters, Box & Jenkins e RNA estáticas. No
caso da aplicação das RNA em processamento digital de
sinais, utilizou-se a filtragem de ruído em sinais de voz
onde foram feitas comparações com os resultados
apresentados pelo filtro neural convencional, que é uma
rede feed-forward multicamada com o algoritmo de
retropropagação para o aprendizado.
Este trabalho demonstrou na prática que as RNA temporais
conseguem capturar as características dos processos
temporais de forma mais eficiente que as RNA Estatísticas
e outros métodos tradicionais, podendo aprender
diretamente o comportamento não estacionário das séries
temporais. Os resultados demonstraram que a rede neural
FIR e a rede Elman aprendem melhor a complexidade dos
sinais de voz. / [en] This dissertation investigates the development of
Artificial Neural Network (ANN) in the solution of
problems where the patterns presented to the network have
a temporary relationship to each other, such as time
series forecast and voice processing.
Temporary ANN considers the time in its operation,
incorporating memory of short period distributed in the
network in all the hidden neurons and in the output
neurons in some cases. This class of network in better
used to represent the temporary nature of the dynamic
systems. In contrast, Static ANN has a structure adapted
for tasks of pattern recognition, classification and
another static or stationary problems, achieving great
success in several applications. Considered an universal
approximator, Static ANN has also been used in
applications of dynamic systems, through some artifices in
the input of the network and through statistical data pre-
processings.
The objective of this work is, therefore to study
the theory and evaluate the performance of Temporal ANN,
in comparison with Static ANN, in applications of dynamics
systems. The development of this research involved 3 main
stages: bibliographical research of the methodologies
developed for Temporal ANN; selection and implementation
of the models for the evaluation of these networks; and
case studies.
The bibliographical research allowed to compile
and to classify the main on Temporal ANN, Typically, these
network was selected, where the synapses are filters FIR
(Finite-duration Impulse Response) that represent the
temporary nature of the problem. The FIR network has been
selected since it includes practically all other methods
of its class, presenting a more formal mathematical model.
On the second group, the Elman recurrent network was
considered, that presents global feedback of each neuron
in the hidden layer to all other neurons in this layer.
In the case studies the network selected have been
tested in two application: forecast of time series and
digital signal processing. In the case of forecast, result
of electric energy consumption time series prediction were
compared with the result found in the literature such as
Holt-Winters, Box & Jenkins and Static ANN methods. In the
case of the application of processing where the
comparisons were made with the results presented by the
standard neural filter, made of a multilayer feed-forward
network with the back propagation learning algorithm.
This work showed in practice that Temporal ANN
captures the characteristics of the temporary processes in
a more efficient way that Static ANN and other methods,
being able to learn the non stationary behavior of the
temporary series directly. The results showed that the FIR
neural network and de Elman network learned better the
complexity of the voice signals.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:7437 |
Date | 07 November 2005 |
Creators | CLAVER PARI SOTO |
Contributors | MARLEY MARIA BERNARDES REBUZZI VELLASCO, MARCO AURÉLIO CAVALCANTI PACHECO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | English |
Type | TEXTO |
Page generated in 0.0028 seconds