Você está na página 1de 9
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE TECNOLOGIA FACULDADE DE ENGENHARIA ELÉTRICA WILLIAM RIBEIRO COSTA RELATÓRIO 2

UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE TECNOLOGIA FACULDADE DE ENGENHARIA ELÉTRICA

WILLIAM RIBEIRO COSTA

RELATÓRIO 2 REDES NEURAIS ARTIFICIAIS

BELÉM / PA

2015

UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE TECNOLOGIA FACULDADE DE ENGENHARIA ELÉTRICA

WILLIAM RIBEIRO COSTA

PREVISÃO DE SÉRIE TEMPORAL

Trabalho da disciplina optativa de Redes Neurais Artificiais, ofertada pela Faculdade de Engenharia Elétrica da Universidade Federal do Pará, apresentado à Prof.ª Adriana Castro como parte dos requisitos de avaliação.

Professora: Drª Adriana Castro

BELÉM PA

2015

INTRODUÇÃO

Conceitualmente as Redes Neurais Artificiais (RNA) funcionam de forma similar ao cérebro, elas são capazes de aprender padrões e regularidades, aprender com experiência, fazer generalizações. Neste trabalho utilizaremos a

capacidade das RNA’s de fazer previsões de séries temporais. A previsão de séries temporais é uma capacidade das RNA’s que vem

tornando-se mais importante, pois tem sido cada vez mais utilizada em uma diversidade de problemas do mundo real em inúmeras áreas como: matemática, economia, meteorologia, farmácia, entre outras. Sua utilização elimina riscos gerados pela incerteza e ajuda no planejamento e tomada de decisões. Uma série temporal é um conjunto de observações de um fenômeno ordenadas no tempo, que apresentam dependência serial, ou seja, dependência entre intervalos de tempo.

CONSIDERAÇÕES A CERCA DO PROBLEMA

A aplicação específica deste trabalho é a previsão da velocidade do vento. O banco de dados disponibilizado tem as medidas da velocidade do vento no mês de abril e maio de 2009, essas medidas foram colhidas com um intervalo de amostragem de 10 minutos. Ao total a massa de dados tem 8780 pontos, sendo 4320 referentes ao mês de abril e 4460 referentes ao mês de maio. Os dados do mês de abril serão utilizados para treinar a rede neural e os dados do mês de maio irão validá-la. De maneira básica, a previsão de uma série temporal utiliza de dados anteriores para prever um ponto atual ou futuro, logo para a rede ter um bom desempenho de previsão é necessário que o ponto previsto tenha uma boa correlação com os pontos que foram utilizados para prevê-lo. A Figura 1 mostra os níveis de correlação e quão bom eles são.

CONSIDERAÇÕES A CERCA DO PROBLEMA A aplicação específica deste trabalho é a previsão da velocidade do

Figura 1: Nível de Correlação

Para análise de desempenho da rede serão considerados dois fatores, o erro médio quadrático do treinamento e da validação. A RNA será simulada diversas vezes

com a mudança de dois parâmetros, o número de neurônios na cada oculta e o número de entradas da rede. Conforme já colocado anteriormente, a saída da rede será o ponto previsto

(x(n)) e as entradas serão os pontos anteriores a saída (x(n-1), x(n-2), x(n-3),

...

),

cada

configuração simulada terá um número de entradas diferentes. Percebe-se que se os pontos anteriores tiveram baixa correlação com o ponto atual, então a rede terá um baixo desempenho, mas se a correlação for forte a rede terá um bom desempenho.

RESULTADOS

Antes de simular a rede se analisou a correlação entre as variáveis nos dados de treinamento, alguns destes resultados estão presentes na Tabela 1.

Tabela 1: Correlação entre os dados de treinamento

x(n)

x(n-1)

x(n-2)

x(n-3)

x(n-4)

x(n-5)

x(n-6)

x(n-10)

x(n-15)

x(n-150)

1.0000

0.9615

0.9322

0.9110

0.8914

0.8749

0.8614

0.8070

0.7483

0.2489

Obviamente correlação do ponto atual (x(n)) com ele mesmo tem um valor unitário, a medida que os pontos vão de distanciando do atual a correlação vai diminuindo, até a amostra de número dez temos uma correlação forte (0.8070). A análise da correlação é necessária para se estimar a quantidade de entradas que a rede terá, pois as entradas devem ter uma boa correlação com a saída. A metodologia das simulações consiste em fixar o número de entradas da rede e ir aumentando o número de neurônios na camada oculta, para cada configuração é anotado o valor do erro médio quadrático de treinamento e da validação. Esse procedimento se repete a medida que se coloca mais entradas na RNA.

Topologia de 2 Entradas

Tabela 2: Desempenho de Treinamento e Validação (2 Entradas)

N º de Neurônios na Camada Oculta

Erro de treinamento (MSE)

Erro da Validação (MSE)

3

0.5370

0.6581

5

0.5332

0.6746

10

0.5362

0.6797

15

0.5360

0.7109

20

0.5306

0.7201

25

0.5287

0.6790

30

0.5246

0.7000

35

0.5773

0.7936

Topologia de 3 entradas

Tabela 3: Desempenho de Treinamento e Validação (3 Entradas)

N º de Neurônios na Camada Oculta

Erro de treinamento (MSE)

Erro de Validação (MSE)

3

  • 0.5203 0.6619

 

5

  • 0.5193 0.6651

 

10

  • 0.5303 0.6722

 

15

  • 0.5158 0.7163

 

20

  • 0.5191 0.7318

 

25

  • 0.5139 0.7282

 

30

  • 0.5029 0.7256

 

35

  • 0.5244 0.7447

 

Topologia de 4 entradas

Tabela 4: Desempenho de Treinamento e Validação (4 Entradas)

N º de Neurônios na Camada Oculta

Erro de treinamento (MSE)

Erro de Validação(MSE)

3

  • 0.5177 0.6659

 

5

  • 0.5254 0.6586

 

10

  • 0.5122 0.6708

 

15

  • 0.5086 0.6893

 

20

  • 0.5063 0.7077

 

25

  • 0.5124 0.7339

 

30

  • 0.5126 0.6949

 

35

  • 0.5029 0.7323

 

Topologia de 5 entradas

Tabela 5: Desempenho de Treinamento e Validação (5 Entradas)

N º de Neurônios na Camada Oculta

Erro de treinamento (MSE)

Erro de Validação (MSE)

3

  • 0.5248 0.6602

 

5

  • 0.5093 0.6636

 

10

  • 0.5155 0.6829

 

15

  • 0.5105 0.6785

 

20

  • 0.5075 0.6694

 

25

  • 0.4798 0.7370

 

30

  • 0.5001 0.7064

 

35

  • 0.5063 0.7127

 

Analisando todas as topologias suas configurações percebe-se que existe uma tendência de crescimento no erro de validação quanto maior for número de neurônios na camada oculta. Foi notado também que todas as simulações apresentaram aproximadamente de dinâmica da Figura 2.

Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de
Topologia de 5 entradas Tabela 5: Desempenho de Treinamento e Validação (5 Entradas) N º de

Figura 2: Curva de Desempenho da RNA

Então para a escolha da configuração da rede utilizamos alguns critérios como as médias de cada topologia e análise dos valores mínimos e máximos de erro.

Tabela 6: Média dos erros por entrada

Configuração

 

Média do Erro de treinamento (MSE)

Média do Erro de Validação (MSE)

 

2

entradas

  • 0.5379 0.7020

 

3

entradas

  • 0.5182 0.7057

 

4

entradas

  • 0.5123 0.6942

 

5

entradas

  • 0.5067 0.6888

 
 

Tabela 7: Valores mínimos e máximos de erro

 
   

Número de

Número de

   

Configuração

Entradas

Neurônios na Camada Oculta

Valor

Erro Mínimo de Treinamento (MSE)

 

5

25

0.4798

 

Erro Mínimo de Validação (MSE)

 

2

3

0.6581

 

Erro Máximo de Treinamento (MSE)

 

2

35

0.5773

 

Erro Máximo de Validação(MSE)

 

2

35

0.7936

 

De acordo com a Tabela 6 a menor média de erros de treinamento e validação foram encontrada na configuração com 5 entradas, elas foram 0.5067 e 0.6888 respectivamente. A Tabela 7 nos trás a informação que o menor erro de treinamento conseguido foi de 0.4798, gerado foi na topologia com 5 entradas e 25 neurônios na camada oculta, e menor erro de validação foi 0.6581, gerado na topologia com 2 entradas e 3 neurônios na camada oculta.

CONCLUSÃO

Como já dito anteriormente, todos os resultados encontrados estão muito próximos, sendo dessa forma necessária a criação dos critérios para escolha da melhor topologia de rede. Com auxilio das tabelas dos erros e das médias do erro por entradas, ficou claro que a topologia com 5 entradas é aquela que tem os menores erros, logo se optou por esta, uma vez que a topologia está definida é necessário saber qual o número de neurônios na camada oculta para diminuir os erros de treinamento e validação. O menor erro de treinamento está na topologia 5, em uma configuração com 25 neurônios na camada escondida, no entanto de acordo com as análises iniciais quanto maior a complexidade da rede, maior será o erro de validação, devido a isso optou-se pela escolha de 5 neurônios na cama oculta, pois é uma boa ponderação entre os erros de treinamento e validação. Vale ressaltar que em uma situação real o especialista da área deve definir um valor aceitável de erro e o projetista deve, mudando as topologias e configurações, fazer com que a rede obedeça a esses critérios. Os erros encontrados nesta previsão podem melhorar com auxílio de técnicas que aperfeiçoem o desempenho das redes neurais, no entanto este não era o escopo deste relatório. Para efetuar todas as simulações e encontrar todos os resultados se utilizou o software Matlab, mas especificamente seu pacote de funções sobre redes neurais artificiais. A simulação das redes, verificação dos melhores resultados e elaboração deste relatório contribuíram para a fixação dos conhecimentos vistos em aula e em laboratório.