Escolar Documentos
Profissional Documentos
Cultura Documentos
, onde, u(k) e
y(k), são as entrada e a saída do sistema respectivamente. A
primeira ferramenta a ser utilizada será a rede neural. Uma rede
neural é um processador maciçamente paralelarmente Figura 2.1 – Modelo da rede utilizada neste trabalho
distribuído constituído de uniades de processamento simples,
que têm a propensão natural de armazenar conhecimento
experimental e torná-lo disponível para uso. Ela se assemelha Todos os neurônios das camadas de entrada e escondidas foram
ao cérebro humano em dois aspectos: 1. Conhecimento feitos não-lineares através da função tangente-sigmoidal e o
adquirido a partir de seu abiemte por um processo de neurônio da camada de saída foi feito linear. Além disso o
aprendizado; e 2. Conexões entre neurônios, conhecidos como treinamento foi realizado com o algoritmo “resiliente
backpropagation” que é mais rápido que o algoritmo
“backpropagation ” clássico.
0
problema se torna subjetivo. Assim, dependendo do contexto, o
-2 critério que define quais são os números muito maiores que a
-4
pode mudar. Este é um exemplo onde observa-se a limitação da
0 200 400 600 800 1000 1200 teoria clássica e a necessidade de um conceito mais abrangente,
Nº de amostras
Resposta do modelo e Resposta da Rede neste caso, a utilização de sistemas fuzzy.
4 Saída do modelo
Saída da rede
3.1.1 Pertinência
2
Amplitude
REFERÊNCIAS BIBLIOGRÁFICA
Aguirre, L. A. and Lu (2007). Introdução à identificação de
sistemas: técnicas lineares e não-lineares aplicadas a
sistemas reais. 3ª Ed. Editora UFMG, Belo Horizonte-
MG.
Figura 3.3.4. Funções de pertinência adotadas na obtenção do Haykin, S.(2001). Redes Neurais: Princípio e prática. 2ªed.
modelo do sistema Bookman, Porto Alegre-PA.
5. CONCLUSÃO
A utilização de redes neurais para modelamento do sistema
não-linear dado apresentou bons resultados em baixas
frequências. Por outro lado para frequências mais elevadas a
rede necessitava de mais dados de entradas para a correta
simulação da resposta em frequência do sistema. O que
aumento consideravelemente o tempo de treinamento da rede.
O aumento da quantidade de neurônios nas camadas
escondidas da rede não melhorou no resultados obtidos
inicialmente, muito menos o aumento da quantidade de
camadas escondidas apresentada à rede melhorou o
desempenho dela.
Observou-se que, quanto mais variações no sistema dado, isto é
quanto maior a não linaridade do sistema, maior foi o erro de
aproximação do modelo para os algoritmos de treinamento
backpropagation, resiliente backpropagation, gradiente
descendente.
O aumento no número de épocas apresentadas ao treinamento
de rede também não se mostrou muito eficiente,
prinicipalmente no sistema fortemente não-linear, o que
ocasionava da rede encontrar mínimos locais nos quais ela
ficava presa, não mudando o gradiente do erro,
impossibilitando a melhora na aproximação.
Quanto ao modelo Fuzzy Takagi-Sugeno, observou uma
resposta satisfatória do modelo em relação ao sistema original
para uma dada entrada, porém para frequências entre 1 e 27 Hz
foram obtidas as melhores respostas, para frequências maiores
o modelo se afasta da resposta esperada, isto deve-se ao
4 CIRCUITOS ELÉTRICOS I, PROF. DR.ªDANÚBIA PIRES