Return to search

Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais

Made available in DSpace on 2014-06-12T17:35:41Z (GMT). No. of bitstreams: 2
arquivo6994_1.pdf: 1435653 bytes, checksum: 4e1bdb7a745c9aaae76de273132b51f9 (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2004 / Neste trabalho, são desenvolvidos novos tipos de Wavelets para análise de
sinais, um Algoritmo de Compactação e um Sistema de Classificação de sinais de tensões
com distúrbio. A compactação do sinal é realizada eliminando-se os coeficientes wavelets
cujos módulos estão abaixo de um determinado limiar de corte. Os resultados para sinais
reais obtidos em registradores digitais forneceram altas taxas de compactação, tipicamente
em torno de 82%, demonstrando a potencialidade deste método. Na classificação, o sinal
de tensão é pré-processado via Wavelets e em seguida submetido a uma redução
dimensional por meio da ferramenta estatística, Análises de Componentes Principais, e
finalmente é submetido à Rede Neural tipo Multilayer Perceptrons - MLP, que indicará o
tipo de distúrbio presente no sinal. Cada rede implementada foi treinada com uma base de
conhecimento, cujos atributos foram constituídos dos coeficientes wavelets de
aproximação, ou de detalhes, ou de ambos. Na combinação das Redes Neurais, em cada
um dos seis nós de saída, aplicou-se a média entre as três saídas das redes individuais. A
decisão final do classificador corresponde à saída combinada de maior valor. A técnica de
combinação de modelos diferentes na classificação mostra excelentes resultados ao corrigir
os casos mal classificados pelas redes individuais. O percentual de acerto da combinação
da rede treinada com os coeficientes de detalhes com a aquela treinada com os coeficientes
de aproximação para um conjunto de teste formado por 306 padrões foi de 99,3%,
enquanto que na rede individual treinada com ambos coeficientes, esse índice foi de
96,4%. Estes resultados demonstram a superioridade do Sistema de Classificação baseado
na combinação de redes com arquiteturas diferentes

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/5057
Date January 2004
CreatorsLIRA, Milde Maria da Silva
ContributorsCARVALHO JÚNIOR, Manoel Afonso de
PublisherUniversidade Federal de Pernambuco
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0021 seconds