Identificação de uma planta de corrente de um motor de indução utilizando redes de base radial

The present work describes the use of a mathematical tool to solve problems arising from control theory, including the identification, analysis of the phase portrait and stability, as well as the temporal evolution of the plant s current induction motor. The system identification is an area of mathematical modeling that has as its objective the study of techniques which can determine a dynamic model in representing a real system. The tool used in the identification and analysis of nonlinear dynamical system is the Radial Basis Function (RBF). The process or plant that is used has a mathematical model unknown, but belongs to a particular class that contains an internal dynamics that can be modeled.Will be presented as contributions to the analysis of asymptotic stability of the RBF. The identification using radial basis function is demonstrated through computer simulations from a real data set obtained from the plant

Proposta de implementação de redes de base radial em tecnologias CMOS e BiCMOS

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Nuevo principio de protección diferencial de transformadores aplicando redes neuronales de base radial (RBF )

Tesis (Maestro en Ciencias de la Ingeniería Eléctrica con Especialidad en Potencia) U.A.N.L.

Aprendizado não-supervisionado em redes neurais pulsadas de base radial: um estudo da capacidade de agrupamento para a classificação de pixels

Redes neurais pulsadas - redes que utilizam uma codificação temporal da informação - têm despontado como uma promissora abordagem dentro do paradigma conexionista, emergente da ciência cognitiva. Um desses novos modelos é a rede neural pulsada com função de base radial, que é capaz de armazenar informação nos tempos de atraso axonais dos neurônios. Um algoritmo de aprendizado foi aplicado com sucesso nesta rede pulsada, que se mostrou capaz de mapear uma seqüência de pulsos de entrada em uma seqüência de pulsos de saída. Mais recentemente, um método baseado no uso de campos receptivos gaussianos foi proposto para codificar dados constantes em uma seqüência de pulsos temporais. Este método tornou possível a essa rede lidar com dados computacionais. O processo de aprendizado desta nova rede não se encontra plenamente compreendido e investigações mais profundas são necessárias para situar este modelo dentro do contexto do aprendizado de máquinas e também para estabelecer as habilidades e limitações desta rede. Este trabalho apresenta uma investigação desse novo classificador e um estudo de sua capacidade de agrupar dados em três dimensões, particularmente procurando estabelecer seus domínios de aplicação e horizontes no campo da visão computacional.

Obtenção de neurônios de redes neurais de base radial via agrupamento de dados por floresta de caminhos ótimos

Neste artigo é apresentada uma abordagem para aumentar a eficácia das Redes Neurais Artificiais de Funções de Base Radial utilizando um algoritmo de agrupamento de dados via Floresta de Caminhos Ótimos. Algumas técnicas comumente empregadas para essa tarefa, como o conhecido k-médias, requerem um determinado número de classes/agrupamentos prévio à sua execução. Embora o número de classes seja conhecido em problemas supervisionados, o número real de agrupamentos é difícil de ser encontrado, dado que uma classe pode ser representada por mais de um agrupamento. Experimentos em nove bases de dados, em conjunto com análises estatísticas, demonstraram que o classificador por Floresta de Caminhos Ótimos possui um melhor desempenho que a técnica k-médias, bem como encontra as médias das distribuições Gaussianas em posições muito similares às encontradas por este último. Entretanto, o classificador por Floresta de Caminhos Ótimos possui um custo computacional maior, dado que a sua etapa de treinamento é mais custosa que a da técnica k-médias.

Uma proposição para o cálculo de mapas de disparidade de imagens estéreo usando um interpolador neural baseado em funções de base radial

This study aims to seek a more viable alternative for the calculation of differences in images of stereo vision, using a factor that reduces heel the amount of points that are considered on the captured image, and a network neural-based radial basis functions to interpolate the results. The objective to be achieved is to produce an approximate picture of disparities using algorithms with low computational cost, unlike the classical algorithms

Treinamento de uma rede neural de base radial usando computação evolutiva: implementação e aplicações

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Desacoplamento de um gerador síncrono através de um controle adaptativo por modelo de referência baseado em funções de Base radial

An alternative nonlinear technique for decoupling and control is presented. This technique is based on a RBF (Radial Basis Functions) neural network and it is applied to the synchronous generator model. The synchronous generator is a coupled system, in other words, a change at one input variable of the system, changes more than one output. The RBF network will perform the decoupling, separating the control of the following outputs variables: the load angle and flux linkage in the field winding. This technique does not require knowledge of the system parameters and, due the nature of radial basis functions, it shows itself stable to parametric uncertainties, disturbances and simpler when it is applied in control. The RBF decoupler is designed in this work for decouple a nonlinear MIMO system with two inputs and two outputs. The weights between hidden and output layer are modified online, using an adaptive law in real time. The adaptive law is developed by Lyapunov s Method. A decoupling adaptive controller uses the errors between system outputs and model outputs, and filtered outputs of the system to produce control signals. The RBF network forces each outputs of generator to behave like reference model. When the RBF approaches adequately control signals, the system decoupling is achieved. A mathematical proof and analysis are showed. Simulations are presented to show the performance and robustness of the RBF network

Otimização de placas compósitas laminadas utilizando redes neuronais e enxames de partículas

Trabalho Final de mestrado para obtenção do grau de Mestre em engenharia Mecância

Separação cega de fontes lineares e não lineares usando algoritmo genético, redes neurais artificiais RBF e negentropia de Rényi como medida de independência

Conventional methods to solve the problem of blind source separation nonlinear, in general, using series of restrictions to obtain the solution, often leading to an imperfect separation of the original sources and high computational cost. In this paper, we propose an alternative measure of independence based on information theory and uses the tools of artificial intelligence to solve problems of blind source separation linear and nonlinear later. In the linear model applies genetic algorithms and Rényi of negentropy as a measure of independence to find a separation matrix from linear mixtures of signals using linear form of waves, audio and images. A comparison with two types of algorithms for Independent Component Analysis widespread in the literature. Subsequently, we use the same measure of independence, as the cost function in the genetic algorithm to recover source signals were mixed by nonlinear functions from an artificial neural network of radial base type. Genetic algorithms are powerful tools for global search, and therefore well suited for use in problems of blind source separation. Tests and analysis are through computer simulations

Controle inteligente de sistemas eletroidráulicos utilizando redes neurais artificiais

This work describes the development of a nonlinear control strategy for an electro-hydraulic actuated system. The system to be controlled is represented by a third order ordinary differential equation subject to a dead-zone input. The control strategy is based on a nonlinear control scheme, combined with an artificial intelligence algorithm, namely, the method of feedback linearization and an artificial neural network. It is shown that, when such a hard nonlinearity and modeling inaccuracies are considered, the nonlinear technique alone is not enough to ensure a good performance of the controller. Therefore, a compensation strategy based on artificial neural networks, which have been notoriously used in systems that require the simulation of the process of human inference, is used. The multilayer perceptron network and the radial basis functions network as well are adopted and mathematically implemented within the control law. On this basis, the compensation ability considering both networks is compared. Furthermore, the application of new intelligent control strategies for nonlinear and uncertain mechanical systems are proposed, showing that the combination of a nonlinear control methodology and artificial neural networks improves the overall control system performance. Numerical results are presented to demonstrate the efficacy of the proposed control system

Projeto otimizado de redes neurais artificiais para predição da rugosidade em processos de usinagem com a utilização da metodologia de projeto de experimentos

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Aplicações de redes neurais e neuro fuzzy em engenharia biomédica e agronomia

Pós-graduação em Engenharia Elétrica - FEIS

Algoritmos para mineria de datos con redes de neuronas

Este trabajo propone una serie de algoritmos con el objetivo de extraer información de conjuntos de datos con redes de neuronas. Se estudian dichos algoritmos con redes de neuronas Enhenced Neural Networks (ENN), debido a que esta arquitectura tiene algunas ventajas cuando se aproximan funciones mediante redes neuronales. En la red ENN los pesos de la matriz principal varián con cada patrón, por lo que se comete un error menor en la aproximación. Las redes de neuronas ENN reúnen la información en los pesos de su red auxiliar, se propone un método para obtener información de la red a través de dichos pesos en formas de reglas y asignando un factor de certeza de dichas reglas. La red ENN obtiene un error cuadrático medio menor que el error teórico de una aproximación matemática por ejemplo mediante polinomios de Taylor. Se muestra como una red ENN, entrenada a partir un conjunto de patrones obtenido de una función de variables reales, sus pesos asociados tienen unas relaciones similares a las que se veri_can con las variables independientes con dicha función de variables reales. Las redes de neuronas ENN aproximan polinomios, se extrae conocimiento de un conjunto de datos de forma similar a la regresión estadística, resolviendo de forma más adecuada el problema de multicolionalidad en caso de existir. Las relaciones a partir de los pesos asociados de la matriz de la red auxiliar se obtienen similares a los coeficientes de una regresión para el mismo conjunto numérico. Una red ENN entrenada a partir de un conjunto de datos de una función boolena extrae el conocimiento a partir de los pesos asociados, y la influencia de las variables de la regla lógica de la función booleana, queda reejada en esos pesos asociados a la red auxiliar de la red ENN. Se plantea una red de base radial (RBF) para la clasificación y predicción en problemas forestales y agrícolas, obteniendo mejores resultados que con el modelo de regresión y otros métodos. Los resultados con una red RBF mejoran al método de regresión si existe colinealidad entre los datos que se dispone y no son muy numerosos. También se detecta que variables tienen más importancia en virtud de la variable pronóstico. Obteniendo el error cuadrático medio con redes RBF menor que con otros métodos, en particular que con el modelo de regresión. Abstract A series of algorithms is proposed in this study aiming at the goal of producing information about data groups with a neural network. These algorithms are studied with Enheced Neural Networks (ENN), owing to the fact that this structure shows sever advantages when the functions are approximated by neural networks. Main matrix weights in th ENN vary on each pattern; so, a smaller error is produced when approximating. The neural network ENN joins the weight information contained in their auxiliary network. Thus, a method to obtain information on the network through those weights is proposed by means of rules adding a certainty factor. The net ENN obtains a mean squared error smaller than the theorical one emerging from a mathematical aproximation such as, for example, by means of Taylor's polynomials. This study also shows how in a neural network ENN trained from a set of patterns obtained through a function of real variables, its associated weights have relationships similar to those ones tested by means of the independent variables connected with such functions of real variables. The neural network ENN approximates polynomials through it information about a set of data may be obtained in a similar way than through statistical regression, solving in this way possible problems of multicollinearity in a more suitable way. Relationships emerging from the associated weights in the auxiliary network matrix obtained are similar to the coeficients corresponding to a regression for the same numerical set. A net ENN trained from a boolean function data set obtains its information from its associated weights. The inuence of the variables of the boolean function logical rule are reected on those weights associated to the net auxiliar of the ENN. A radial basis neural networks (RBF) for the classification and prediction of forest and agricultural problems is proposed. This scheme obtains better results than the ones obtained by means of regression and other methods. The outputs with a net RBF better the regression method if the collineality with the available data and their amount is not very large. Detection of which variables are more important basing on the forecast variable can also be achieved, obtaining a mean squared error smaller that the ones obtained through other methods, in special the one produced by the regression pattern.

PREVISÃO DA ENERGIA EÓLICA - SANTIAGO - CABO VERDE

Neste trabalho procura-se utilizar modelos de previsão de séries temporais para prever a produção da energia elétrica a partir da energia eólica em Cabo Verde, particularmente na ilha de Santiago. É um problema que tem recebido especial atenção dos pesquisadores nos últimos anos. Prever o futuro, e em especial o comportamento de séries temporais, é fundamental em análises e apoio à tomada de decisões, e continua sendo um desafio para a estatística e para computação. Foram utilizados modelos, Holt-Winters, ARIMA e redes neuronais artificiais, Função de Base Radial (RNAs-RBF) e Perceptron de múltiplas camadas (RNAs- MLP). O modelo Holt-Winters é um modelo de previsão exponencial, conhecido por lidar com elementos de tendência e sazonalidade de uma série temporal. O modelo ARIMA que possui apenas uma variável, descreve o comportamento de uma variável em termos de seus valores passados. As redes neurais têm-se mostrado grandes ferramentas na aplicação de previsões de séries temporais. Neste contexto, neste trabalho propõe-se a realização de uma análise comparativa desses modelos não-lineares para a previsão, tentando encontrar qual o modelo que melhor se adapta à série temporal. Todo o trabalho foi realizado com recurso ao programa estatístico R versão 3.0.1 (2013-05- 16)