Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Coelho, Leandro dos Santos | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduaçao em Engenharia Elétrica | - |
Autor(es): dc.creator | Grebogi, Rafael Bartnik | - |
Data de aceite: dc.date.accessioned | 2019-08-21T23:31:18Z | - |
Data de disponibilização: dc.date.available | 2019-08-21T23:31:18Z | - |
Data de envio: dc.date.issued | 2013-06-13 | - |
Data de envio: dc.date.issued | 2013-06-13 | - |
Data de envio: dc.date.issued | 2013-06-13 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/1884/30482 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/30482 | - |
Descrição: dc.description | Resumo: Identificação de sistemas é uma área interessada em obter modelos matemáticos de sistemas desconhecidos baseados em dados de leituras sequenciais do sistema. Diversas aplicações do mundo real não tem sua dinâmica completamente compreendida ou são complexas para serem modeladas, para estes casos, a identificação de sistemas é uma ferramenta eficiente para modelagem e previsão. Este trabalho aborda redes neurais artificiais, mais precisamente, redes neurais com uma única camada de neurônios ocultos, em inglês, Single Layer Feedforward Neural Network (SLFN), para previsão de séries temporais. Um algoritmo de aprendizagem proposto recentemente chamado de Máquina de Aprendizagem Extrema, em inglês, Extreme Learning Machine (ELM), é introduzido para a tarefa de aprendizagem da rede neural. O algoritmo ELM é baseado na matriz inversa generalizada de Moore-Penrose, que torna o problema um simples sistema linear. No núcleo do algoritmo ELM, duas funções de ativação diferentes serão testadas, sendo que uma delas é uma função de ativação variável. Para alcançar melhores resultados, um método estocástico de otimização do campo da inteligência de enxame chamado de Otimização por Enxame de Partículas, em inglês, Particle Swarm Optimization (PSO), é validado para otimizar os parâmetros do algoritmo ELM. O PSO consiste em modelar as ações de um bando de pássaros procurando por comida, onde cada pássaro é uma partícula, e cada partícula é uma possível solução para o problema. Neste trabalho é proposta uma nova variação do PSO empregando a função gama invertida. Neste contexto, três conjuntos de dados são usados para testar os algoritmos, um é a leitura de uma fornalha, e dois são obtidos de equações diferenciais com comportamento caótico. Os modelos obtidos através do algoritmo ELM são então validados através de testes de correlação. As previsões realizadas pelo algoritmo ELM são promissoras para todos os conjuntos de dados, revelando que a combinação do algoritmo PSO com o ELM é uma eficiente forma de identificação de sistemas. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Palavras-chave: dc.subject | Teses | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Particulas | - |
Palavras-chave: dc.subject | Analise de series temporais - Processamento de dados | - |
Título: dc.title | Máquina de aprendizagem extrema com otimização por exame de partículas aplicada à previsão de séries temporais | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: