Universidade Federal do Triângulo Mineiro - UFTM

Instituto de Ciências Tecnológicas e Exatas - ICTE

Ana Paula Lino Lepri – 201810107 – Tópicos em Inteligência Artificial

Exercício Avaliativo 02

Uberaba/MG
2021
 Dois inversores de frequência, situados a 100 metros de distância de um
processo industrial, são controlados por um sistema automático de
gerenciamento (SAG). O SAG envia um sinal de controle constituído de quatro
grandezas {x1, x2, x3 e x4} que são necessárias para o ajuste de cada um dos
inversores. A mesma via de comunicação é utilizada para acionamento de
ambos os inversores, sendo que o comutador localizado próximo dos
inversores deve decidir se o sinal é para o inversor A ou para o B. Entretanto,
durante a transmissão, os sinais sofrem interferências que alteram o conteúdo
das informações transmitidas. Para resolver este problema, a equipe de
engenheiros pretende treinar uma rede ADALINE para classificar os sinais
ruidosos, confirmando ao sistema comutador se os dados devem ser
encaminhados para o comando de ajuste do inversor A ou B.
Assim, baseado nas medições dos sinais já com ruídos, formou-se o
conjunto de treinamento apresentado na Tabela II, tomando por convenção o
valor –1 para os sinais que devem ser encaminhados para o ajuste do inversor
A e o valor +1 se os sinais que devem ser enviados para o inversor B.
Utilizando a regra Delta para treinamento do ADALINE como classificador de
padrões, realize as seguintes atividades:
1. Execute 5 treinamentos para a rede ADALINE inicializando o vetor de
pesos em cada treinamento com valores aleatórios entre 0 e 1. Reinicie o
gerador de números aleatórios em cada treinamento de tal forma que os
elementos do vetor de pesos iniciais não sejam os mesmos. Registre os
resultados dos 5 treinamentos na Tabela I. Utilize taxa de aprendizado igual a
0,0025 e precisão igual a 10-6 .

Vetor de Pesos Incial

Treinamento
W0 W1 W2 W3 W4
1º (T1) 0,23205 0,905149 0,081296 0,760879 0,083776
2º (T2) 0,60263 0,029517 0,864505 0,509247 0,349705
3º (T3) 0,35527 0,797232 0,635691 0,853703 0,138178
4º (T4) 0,72362 0,579237 0,168381 0,994579 0,81851
5º (T5) 0,34348 0,188119 0,091794 0,541627 0,528697

Vetor de Pesos Final Núm. de

Treinamento
W0 W1 W2 W3 W4 Épocas
1º (T1) -1,6823 1,30992 1,571 -0,36 -1,1354 1165
2º (T2) -1,6823 1,30991 1,5711 -0,3601 -1,1353 1161
3º (T3) -1,6822 1,30993 1,57101 -0,362 -1,1354 1172
4º (T4) -1,6822 1,30992 1,57105 -0,361 -1,1354 1174
5º (T5) -1,6822 1,30992 1,57108 -0,36 -1,1353 1149

2. Para os dois primeiros treinamentos realizados acima, trace os

respectivos gráficos dos valores de erro quadrático médio (Eqm) em função de
cada época de treinamento. Imprima os dois gráficos numa mesma folha.

3. Uma vez que a rede ADALINE esteja treinada, aplique a rede para
classificar e indicar ao comutador se os seguintes sinais devem ser
encaminhados para o inversor A ou B.
Amostra X1 X2 X3 X4 Y(T1) Y(T2) Y(T3) Y(T4) Y(T5)
-
1 0.9694 0.6909 0.4334 34.965 0.0889 0.0888 -0.0882 -0.0885
0.08882
2 0.5427 13.832 0.6390 40.352 0.2459 0.24592 -0,2462 -0,2461 -0,2455
3 0.6081 -0,9196 0,5925 0,1016 0,7055 0,7051 0,70519 0,7055 0,70514
4 -0,1618 0,4694 0,2030 30,1170 12,8510 128,5050 -12,8620 -1,2860 -12,8610
5 0,187 -0,2578 0,6124 17,7490 0,7138 0,7139 -0,7130 -0,7130 -0,7138
6 0,4891 -0,5276 0,4378 0,6439 0,6051 0,6051 0,6051 0,6051 0,6051
7 0,3777 20,149 0,7423 33,9320 12,2220 122,2030 12,2200 12,2200 122,2030
8 11,498 -0,4067 0,2469 15,8660 0,6587 0,6589 0,6589 0,6589 0,6588
9 0,9325 10,95 10,3590 33,5910 0,4364 0,4365 0,4364 0,4364 0,4365
10 0,506 13,317 0,0922 37,1740 0,1168 0,1161 -0,1160 -0,1160 -0,1162
11 0,0497 -20,656 0,6124 -0,6585 0,8705 0,9709 -0,9709 -0,9707 -0,9708
12 0,4004 35,369 0,9766 53,5320 13,3220 133,2960 13,2080 13,2080 133,2940
13 -0,1874 13,343 0,5374 32,1890 0,3153 0,3156 -0,3154 -0,3154 -0,6153
 14 0,506 13,317 0,9222 37,1740 0,1162 0,1156 -0,1165 -0,1165 -0,1162
15 16,375 -0,7911 0,7537 0,5515 16,8640 168,6490 16,8640 16,8640 168,6620

4. Embora o número de épocas de cada treinamento realizado no item 1

seja diferente, explique por que então os valores dos pesos continuam
praticamente inalterados.
 Resposta: O número de épocas é diferente em cada treinamento devido
aos pesos serem inicializados de forma aleatória na entrada do código. Como a
precisão estabelecida é muito pequena, os valores dos pesos permanecem
praticamente inalterados.