PROBLEMAS INVERSOS: CONCEITOS BSICOS E APLICAES

Haroldo Fraga de Campos Velho haroldo@lac.inpe.br

Instituto Nacional de Pesquisas Espaciais, Lab. de Computao e Matemtica Aplicada
Av. dos Astronautas, 1758 Cx. Postal 515 12201-970, So Jos dos Campos, SP.

Resumo. Estas so as notas do Mini-Curso apresentado durante o IV Encontro de
Modelagem Computacional em Nova Friburgo (RJ), promovido pelo IPRJ-UERJ. O Mini-
Curso apresenta uma introduo sucinta aos problemas inversos. Primeiramente, conceito
e classificao de problemas inversos so descritos, para ento serem comentadas
algumas tcnicas clssicas de soluo a nfase do Mini-Curso estar centrada na
tcnica de regularizao, onde vrios exemplos so apresentados e discutidos. Contudo, a
parte final do Mini-Curso est voltada a tcnicas novas de soluo de problemas inversos.
Duas dessas tcnicas sero analisadas: redes neurais e algoritmos genticos. Estas duas
tcnicas sero testadas em problema inverso de conduo de calor.

Palavras-chave: Problemas inversos, Solues regularizadas, Redes neurais, Algoritmos
genticos.

1. INTRODUO

A partir de certo estgio do desenvolvimento da sociedade humana, o conhecimento
tornou-se cada vez mais compartimentado, primeiramente a cincia separada em grandes
reas: culturais, biomdicas e exatas. Estas por sua vez se subdividem em dois grandes
grupos: cincias bsicas e aplicadas; para se subdividirem mais ainda. Por exemplo, nas
reas de cincias exatas tem-se a matemtica, a fsica e a qumica como exemplos de
cincias bsicas e as engenharias, geocincias e astronomia podem ser encaradas como
reas de aplicao destas cincias. Todavia, cada uma destas cincias, sejam bsicas e/ou
aplicadas, tambm podem ser subdivididas em pura e tecnolgica, terica e experimental.
O conhecimento humano hoje um grande mosaico de especialidades. H, porm, reas de
estudo que requerem conhecimento de vrias especialidades: so as reas (cincias)
multidisciplinares. Problemas inversos (PIs) so exemplos de rea multidisciplinar.
A distino entre o que seja um problema direto ou inverso para um dado fenmeno,
est ligada a nossa cultura, isto , trata-se do que se interpreta como causa e efeito!
atribudo a Oleg Mikailivitch Alifanov (www.me.ua.edu/inverse/whatis.html), proeminente
pesquisador russo na rea de problemas inversos, a afirmao a soluo de um problema
inverso consiste em determinar causas baseado na observao dos seus efeitos. Do ponto
de vista prtico, convenciona-se chamar problema direto quele em que o estudo
antecedeu-se historicamente. Tal ambigidade (direto/inverso), pode ser exemplificada do
seguinte modo, se o modelo matemtico expresso por A(u) = f, o modelo inverso pode ser
representado por: A
-1
(f) = u. Por outro lado, definindo-se B A
-1
, o par problema direto-
inverso torna-se: B(f) = u B
-1
(u) = f!
Como se percebe, a prpria definio de PI pode apresentar controvrsias. Entretanto,
neste trabalho, a observao de Oleg M. Alifanov a base para a conceituao de PIs. Uma
definio, bem como classificaes de PIs, apresentada na prxima seo. Algumas
tcnicas de soluo de problemas inversos so apresentadas. Estes mtodos so
exemplificados em algumas aplicaes: geofsica, meteorologia, oceanografia e
transferncia de calor. As ltimas sees deste texto esto voltadas a duas tcnicas novas:
redes neurais e algoritmo gentico.
Estas notas esto fortemente baseadas no Curso de Problemas Inversos, disciplina
regular do Curso de Ps-graduao em Computao Aplicada (CAP) do Instituto Nacional
de Pesquisas Espaciais (INPE) (http://www.lac.inpe.br/cap/) - ministrada pelo Dr. Fernando
M. Ramos, e na experincia do autor na rea. Parte deste curso est sendo disponibilizado
na internet, graas ao trabalho voluntrio de lcio H. Shiguemori. A seo de novas
metodologias foi preparada a partir de material elaborado por lcio H. Shiguemori (redes
neurais) e Leonardo D. Chiwiacowsky (algoritmos genticos), ambos alunos da CAP-INPE
(mestrado e doutorado, respectivamente) realizando pesquisas na rea de problemas
inversos.
Durante os anos de pesquisa na rea, muitos colegas do INPE e de outras instituies
esto associados ao nosso trabalho: Atair Rios Neto, Ezzat S. Chalhoub, Fernando Manuel
Ramos, Jos Demsio S. da Silva, Nandamudi L. Vijaykumar, Nelson J. Ferreira, Stephan
Stephany, Domenico Anfossi, Gervsio A. Degrazia, Julio Cezar R. Claeyssen, Marco
Tulio Vilhena, Pedro P. B. de Oliveira; bem como estudantes de ps-graduao (atuais ou
j formados) que trabalham (ou trabalharam) sob minha superviso ou junto ao grupo de
problemas inversos do INPE: Alexandre G. Nowosad, Dbora R. Roberti, lcio H.
Shiguemori, Fabrcio P. Hrter, Joo C. Carvalho, Leonardo D. Chiwiacowsky, Marcelo R.
de Moraes, Mario R. Retamoso, Wagner B. Muniz. A todos meu especial agradecimento.
Deixo claro, entretanto, que somente ao autor deve ser creditado quaisquer erros ou
imperfeies no texto.
Por ltimo, quero agradecer ao convite do Instituto Politcnico da Universidade do
Estado do Rio de Janeiro para ministrar este Mini-Curso, em particular ao amigo Prof.
Antnio Jos da Silva Neto, exemplo de dedicao e competncia.

2. PROBLEMAS INVERSOS: CONCEITOS BSICOS

creditado ao astrofsico georgiano Viktor Amazaspovich Ambartsumian
(http://www.phys-astro.sonoma.edu/BruceMedalists/Ambartsumian/) como aquele que
cunhou a expresso problema inverso (PI). Uma definio bastante abrangente, porm,
apresentada no livro de Engl et al. (1996): Resolver um problema inverso determinar
causas desconhecidas a partir de efeitos desejados ou observados. Note-se que area de
projeto timo ou projeto inverso (inverse design) tambm est includa nesta definio. Em
geral, as observaes so imprecisas (dados contaminados com rudos ou erros
experimentais) e incompletas. Diferentemente, problemas diretos requerem um
conhecimento completo e preciso das causas para a determinao dos efeitos.
Figura 1 abaixo mostra de maneira pictrica a relao entre problema direto e
inverso. Causas, num modelo matemtico, so as condies iniciais e de contorno, termo
de fontes/sumidouro e propriedades do sistema (material). Efeitos so as propriedades
calculadas a partir de um modelo direto, como o campo de temperatura, concentrao de
partculas, corrente eltrica, etc.









M espao de parmetros ou modelos modelo direto
D espao de dados ou observaes
1
modelo inverso

Figura 1: Representao esquemtica de problemas direto e inverso.

Alis, o tipo de causa a ser determinada, pode ser usada para classificar PIs. Contudo,
outras classificaes so possveis:

1. Quanto natureza matemtica do mtodo: Explcito (inverso direta)
Implcito
2. Quanto natureza estatstica do mtodo: Determinista
Estocstico
3. Quanto natureza da propriedade estimada: Condio inicial
Condio de contorno
Termo de fonte/sumidouro
Propriedades do sistema
4. Quanto natureza da soluo (Beck): Estimao de parmetros
Estimao de funo
5. Silva Neto / Moura Neto: Tipo-1 (PD-f e PI-f)
Tipo-2 (PD-8 e PI-f)
Tipo-3 (PD-8 e PI-8 )

Nota-se que a classificao dos itens 1 e 2 esto ligadas aos mtodos de soluo do PI;
a do item 3, como j falado, tipifica o problema inverso pela causa a ser determinada. A
classificao do item 4 foi formulada pelo Prof. J. V. Beck, ao que parece o autor desta
M
D
causas efeitos

classificao tinha em mente como estimativa de funo a noo de funo contnua, desta
forma a determinao de coeficientes c
k
da expanso de uma funo f(x) =
k
c
k

k
(x)
caracterizar-se-ia como estimao de parmetros e no estimao de funo.
A classificao do mostrada no item 5 foi proposta recentemente (1999) e est baseada
na dimenso do modelo do fenmeno fsico (problema direto PD) e na dimenso da
quantidade a ser estimada (problema inverso PI) se finita (f) ou infinita (). Problemas
inversos do tipo reconstruo de imagens so exemplos de PI do Tipo-1, estimao de
parmetros podem ser classificados como do Tipo-2 ou Tipo-3, enquanto que estimao de
funo contnua sempre um problema do Tipo-3.
Matematicamente problemas inversos pertencem classe de problemas mal-postos. No
incio deste sculo o matemtico francs Jacques Hadamard definiu um problema bem-
posto como sendo aquele cumpre as trs condies abaixo:

(i) Existe soluo;
(ii) A soluo nica;
(iii) A soluo tem uma dependncia contnua (suave) com os dados de entrada.

Assim, o problema dito mal-posto se alguma das condies acima no satisfeita.
Problemas discretos e finitos so chamados mal condicionados, se a condio (iii) no se
cumpre. Em geral, nenhuma das condies de Hadamard satisfeita num problema inverso!
Exemplos simples podem ser usados para ilustrar os conceitos acima. Por exemplo,
considere a soluo da equao do 1
o
grau:

0 4 2 x (1)

o problema (direto) algbrico acima tem soluo nica: x=2. O problema algbrico inverso

0 + b ax (2)

com x=2, no apresenta soluo nica. O problema de estabilidade exemplificado por
uma equao algbrica do 2
o
grau:

0 1 2
2
+ x ax (3)

que para a=1, possui as seguintes solues: x
1
= x
2
= 1. Introduzindo um erro de 1% no
coeficiente a, isto , a = 1,01 a soluo da Eq. (3) torna-se: x
1,2
= 1 t 0,1i, sendo i a
unidade dos nmeros imaginrios. Ou seja, 1% de rudo em a, Eq. (3) no tem mais soluo
no campo dos nmeros reais!
Mesmo sendo uma rea em franco desenvolvimento, PIs um captulo relativamente
recente na cincia. H legtimos PIs que no eram reconhecidos com tal. Contudo, existem
vrias outras reas da cincia que esto correlacionadas com esta nova rea, seja pela
natureza do objetivo de estudo, seja pelo ponto de vista metodolgico. A lista a seguir
apresenta as reas correlatas aos PIs:

Identificao de Sistemas;
Controle timo em Sistemas Estocsticos;
lgebra Linear Computacional em Problemas de Posto Incompleto;
Reconstruo de Imagens;
Teoria de Filtragem;
Assimilao/Iniciao de Dados;
Teoria da Estimao.

Porque PIs emergiram como uma nova rea da cincia? Devido a sua importncia
cientfica, econmica, social e mesmo poltica.
Por exemplo, ondas de som constituem-se um dos resultados mais significativos a
partir de mapas da radiao csmica de fundo em microondas (Hu, 2000), ou RCFM, sendo
uma previso de modelos de instabilidade gravitacional da teoria da relatividade geral.
Mapa de RCFM um modelo matemtico, onde o padro de flutuaes de temperatura
dado por uma expanso em harmnicos esfricos. Outro exemplo, o telescpio espacial
Hubble levou cerca de 10 anos para ser construdo e custou cerca de US$ 10 bilhes, depois
de seu lanamento notou-se que as imagens produzidas no tinham a nitidez desejada
(projetada). O problema apresentado na fabricao das lentes do telescpio tem sido
solucionado por software (mtodos matemticos de PIs ver Hanisch e White, 1993).
Centenas de exemplos podem ser citados, para finalizar lembramos a revoluo na
medicina - e na sociedade, desde a introduo da tomografia computadorizada, um clssico
problema inverso.

3. MTODOS DE SOLUO DE PROBLEMAS INVERSOS

Talvez a parte central do curso seja a descrio de mtodos de soluo de PIs. Embora
as propriedades matemticas sejam relevantes na exposio e desenvolvimento da
metodologia, optou-se por uma apresentao sem muitos detalhes matemticos, onde as
tcnicas so aplicadas e, espera-se, compreendidas com os exemplos do texto. Uma lista,
no exaustiva, de mtodos de soluo de PIs segue:

Inverso direta;
Decomposio em valores singulares;
Mnimos quadrados e variantes (mnimos quadrados ponderados);
Mtodos de regularizao;
Mtodos variacionais;
Outros (molificao, mtodos bayesianos, filtros digitais, redes neurais, etc).

Mtodos explcitos, ou inverso direta, no so mtodos gerais e, em geral, existe mais
um interesse acadmico do que um esquema metodolgico geral a ser seguido. Para
exemplificar e para apresentar um problema que ser usado para testar novas tcnicas, seja
o problema inverso de identificao da condio inicial em conduo do calor:

0 ) , ( ) , 0 ( , ) ( ) 0 , ( ; ) , 0 ( , 0 em ; > t L T t T x f x T L x t T T
x x xx t
(4)

cuja soluo exata do problema direto

1
0
0
' ) ' ( ) ' , (
) (
) , (
) , (
2
dx x f x X
N
x X
e t x T
m
m
m
m
t
m

, (5)

onde X(
m
,x) e N(
m
) so autofuno e norma caractersticas do problema (sizik, 1980;
Muniz et al, 1999). A soluo exata do problema inverso para um perfil de temperatura T(x)
medida num tempo t= :

0
1
0
' ) , ' ( ) ' , (
) (
) , (
) (
2
m
m
m
m
dx x T x X
N
x X
e x f
m

. (6)

Pode-se mostrar (Muniz et al., 1999) que a soluo (6) define o PI como um problema mal
posto, pois viola a 3
a
condio de Hadamard.
Outro problema resolvido explicitamente a soluo de Burgraff para identificao
de fluxo superficial em problemas de conduo de calor (ver Beck et al., 1985, pgina 67).
H ainda outros exemplos, porm, o caso mais importante o de problemas lineares de
dimenso finita. Neste caso destaca-se o mtodo da decomposio de valores singulares.

2.2 Decomposio de Valores Singulares

Considerando o modelo linear discreto expresso por d=Gm, onde d = [d
1
d
2
... d
D
]
T

o vetor de dados ou observaes, m = [m
1
m
2
... m
M
]
T
o vetor de parmetros a ser
determinado e


1
1
1
]
1

DM D
M
g g
g g
G
L
M M
L
1
1 11
matriz DM . (7)

Se D=M a soluo formal dada pela inverso direta: m=G
-1
d. Na prtica porm a matriz
G freqentemente quase-singular ou mesmo singular e o procedimento inaplicvel. Para
avaliar como uma matriz mal condicionada por degenerar a soluo do PI, usa-se a
decomposio de G em valores singulares (singular value decomposition - SVD) (Press et
al, 1992, pgina 52; ver tambm na internet: http://www.nr.com/)

G = U [diag(
j
)] V
T
= UV
T
(8)
onde U e V so matrizes quadradas ortogonais, isto : U
T
U = I
DD
e V
T
V = I
MM
. As
colunas de U so autovetores de GG
T
e as colunas V so autovetores de G
T
G. Os
2
j
so
autovalores ordenados (
M
L
2 1
) da matriz G
T
G . A inversa da matriz G

G
-1
= V [diag(
j
-1
)] U
T
. (9)

Se G matriz no singular. Se G matriz quase-singular 0
2 1

+ + M r r
L

posto(G) = r (nulo(G) = M-r). Erros experimentais em d (erros de arredondamento, etc)
sero enormemente amplificados e contaminaro a soluo inversa! A anlise pode ser
repetida para problemas indeterminados (M>D). A indeterminao neste caso aparecer de
forma explcita na decomposio de G:

( )
T
V
0
U G
diag
j
1
]
1

(10)

implicando que a inversa no existe.

Mnimos Quadrados (M<D). Se a matriz G singular ou quase-singular, uma
abordagem natural (mas no nica e nem sempre a mais correta) determinar a soluo do
sistema Gm = d pelo mtodo dos mnimos quadrados:


2
2
min Gm d m
m
( ) d G d G G G m
T T +

1
(11)

a soluo geomtrica do problema de otimizao dado pela soluo algbrica com a ajuda
da inversa generalizada de Moore-Penrose G
+
, no qual posto(G) = M. Antes de prosseguir,
importante destacar algumas observaes relevantes:

1. Se nulo(G)=0, ento m
existe e nica para sistemas lineares.

2. Se os erros associados as medidas experimentais d forem independentes, aditivos e
gaussianos, m
corresponde ao estimador de mxima verossimilhana, resumindo:
Mxima Verossimilhana + Hiptese Gaussiana = Mnimos Quadrados!

3. Mnimos Quadrados Ponderados. somente uma generalizao da funo custo
J(m) expressa na Eq. (11):


2
min
W
Gm d m
m
ou, ) ( ) ( ) ( Gm d W Gm d m
T
J (12)

onde a matriz W matriz simtrica positiva definida como dimenso DD.

4. Dois importantes casos de problemas lineares finitos so:
- Problemas indeterminados (D>M): soluo dada pela norma mnima de
mnimos quadrados (minimum norm least square): Min. Quad. + min(m
T
m).
- Problemas mal-condicionados: Este caso mais simples: se
0
2 1

+ + M r r
L a soluo obtida fixando-se
0 ...
1 1
1


+ M r
; e a inversa generalizada ser dada por:


( )
d U
0
V d G m
T

diag

1
1
1
]
1

+ j

. (13)



2.3 Mtodos de Regularizao

Vimos que no caso particular de sistemas lineares indeterminados (D<M) a soluo
proposta apresenta um termo adicional: m
T
m - a norma L
2
do vetor de parmetros! Isto
pode ser generalizado: para resolver problemas mal-postos necessrio fornecer
informao adicional! Na dcada de 60 vrios pesquisadores tambm notaram este fato.
Nomes como V.K. Ivanov (1962), D.L. Phillips (1962) e S. Twomey (1963) merecem
destaque, mas foi com o trabalho de Andrei Nikolaevich Tikhonov em 1963, o incio de
uma formulao geral para problemas mal-postos, chamada regularizao ou mtodo de
regularizao. O Prof. Tikhonov foi um matemtico proeminente e trabalhou no
prestigioso Instituto de Matemtica Steklov da Academia Russa de Cincias (matemticos
como A.N. Krylov, D.K. Faddeev, L.S. Pontryagin, S.L. Sobolev, A.N. Kolmogorov, A.A.
Markov, formam uma pequena lista de importantes cientistas do mesmo Instituto), tendo
trabalhos importantes em topologia, anlise funcional, matemtica computacional e fsica-
matemtica.
O mtodo da regularizao consiste na determinao da soluo aproximada mais
suave compatvel com os dados de observao, para certo nvel de rudo. A busca da
soluo mais suave (regular) uma informao adicional, que transforma o problema mal-
posto num problema bem-posto (ver Figura 2).












Figura 2: Idia bsica do mtodo da regularizao.

Na implementao matemtica do mtodo o PI formulado como um problema de
otimizao com restries:

( ) [ ]

u O f u A
U u
a sujeito min
2
2
(14)

onde A(u)=f

representa o modelo direto e [u] o operador de regularizao (Tikhonov e

Arsenin, 1977). A tcnica dos multiplicadores de Lagrange permite colocar na mesma
funo custo os objetivos de fidelidade dos parmetros com o modelo direto e a de
regularidade (suavidade) exigida da quantidade desconhecida:

( ) [ ] { } min
2
2
u f u A
U u

(15)
Problema
mal-posto
Informao
a priori
Problema
bem-posto
Realidade
fsica
+

onde o parmetro de regularizao. Note que para 0 o termo de fidelidade dos
dados na funo objetivo superestimado, enquanto que para toda a informao
contida no modelo matemtico perdida.
Vrios tipos de operadores de regularizao foram sido investigados, desde o
trabalho dos pioneiros na rea. Aqui somente sero comentadas duas classes destes
operadores de regularizao.

Regularizao de Tikhonov: o operador expresso por:


[ ]

p
k
k
k
u u
0
2
2
) (

(16)

onde u
(k)
denota a k-sima derivada (diferena) e
k
>0. Em geral
k
=
kj
(delta de
Kronecker) e o operador torna-se


[ ]
2
2
) (k
u u
.

e a tcnica chamada de regularizao de Tikhonov de ordem-j. O efeito da regularizao
de Tikhonov-0 reduzir oscilaes na funo u (busca por funes suaves). J na
regularizao de 1
a
ordem torna u
(1)
0 u aproximadamente constante.

Regularizao pelo Princpio da Mxima Entropia: De maneira similar tcnica
de Tikhonov, o mtodo da mxima entropia busca regularidade global, produzindo as
reconstrues as mais suaves com os dados disponveis.
O princpio da mxima entropia foi proposto por Jaynes (1957) como um critrio
geral de inferncia, baseado na teoria matemtica da informao de Shannon (Shanon e
Weaver, 1949). A figura 3 mostra diferentes probabilidades num fenmeno em que 8
estados so possveis, a condio de mxima entropia ocorre quando todos os estados so
igualmente provveis, Figura 3a, enquanto que o estado de mnima entropia ilustrado na
Figura 3b: todos os estados tem probabilidade nula de ocorrer, com exceo um nico
estado.
Da mesma forma que a regularizao de Tikhonov, pode ser estabelecida operadores
de entropia de vrias ordens. Uma expresso genrica para regularizao entrpica :

; com , ) ( log ) (
1
) ( ) (
1



N
q
k
q
k
q q
N
q
q q
r r s s s u S (17)

vlida para o caso discreto. Neste contexto as diferentes ordens do operador so (Campos
Velho e Ramos, 1997; Ramos et al., 2000, Campos Velho et al., 2000):

( )
( )

'

+ + +
+ +

+
+
1 para 2 2
1 para
0 para
min max 1 1
min max 1
) (
k u u u u u
k u u u u
k u
r
q q q
q q
q
k
q

(18)

onde r
q
(k)
representa a k-sima diferena (derivada) da quantidade a ser estimada. A funo
de entropia atinge seu valor mximo S
max
= log(N
q
) quando a funo de densidade de
probabilidade uniforme e tem seu valor mnimo S
min
=0 se os valores de r
q
estiverem
distribudos por uma delta de Dirac (Muniz et al., 2000).





Figura 3: (a) estados igualmente provveis, (b) todos estados tem probabilidade nula de
ocorrncia exceto um nico estado com probabilidade de 100% de ocorrncia.

Determinao do Parmetro de Regularizao. Para se ter uma teoria completa
necessrio ter-se mtodos para calcular o parmetro na Eq. (20). O parmetro de
regularizao que vai realizar o balano entre o termo da diferena quadrtica entre os
dados e o modelo termo de fidelidade dos dados - e o termo de regularizao, termo de
suavidade dos dados. A literatura registra vrios mtodos para a determinao do
multiplicador de Langrange (Bertero e Bocaccio, 1998), como o mtodo da curva L e o da
validao cruzada. Outra metodologia empregada est baseada no critrio da discrepncia
de Morozov .
O critrio baseia-se no fato de que a diferena, ou discrepncia, entre os dados
observacionais e os dados do modelo devem ter a mesma magnitude do erro de medida.
Desta maneira, se erro no processo de medida,
*
a raiz da equao

*
) ( f u A . (19)

O critrio da discrepncia foi validado tambm para o caso do Operador de entropia de alta
ordem (Muniz et al., 2000).

Soluo do Problema de Otimizao. A soluo obtida resolvendo o problema de
otimizao (15). H uma grande variedade de mtodos na literatura, divididos em 2 grandes
grupos: mtodos determinsticos e estocsticos:
Deterministas: mxima descida, mtodo de Newton, quase-Newton. Gradiente
Conjugado, Mtodo de Levenberg-Marquadt, Mtodo Simplex.
Estocsticos: Recozimento simulado (SA), Algoritmos genticos (GA), busca Tabu,
otimizao extrema.
Mtodos hbridos: Combinam a estratgia de busca global dos mtodos estocsticos
com busca local dos mtodos deterministas (GAPlex, SAPlex)



4. APLICAES

H hoje um nmero explosivo de aplicaes de problemas inversos usando solues
regularizadas. Aqui veremos somente 3, com o intuito de exemplificar o mtodo.

4.1 Inverso Magnetotelrica (IM)

reas clssicas de problemas inversos so: geofsica, transferncia de calor,
reconstruo de imagens. A rea de geofsica est ligada ao maior negcio do planeta, a
rea do petrleo, em particular em prospeco. H outras aplicaes relevantes em
geofsica, como minerao e busca de gua subterrnea. A metodologia mais empregada
nesta rea o uso de mtodos ssmicos, onde cargas (excitao artificial no sistema) so
detonadas e registros so captados pelo geofones. Inverso magnetotelrica est baseada
em fontes eletromagnticas naturais raios csmicos por exemplo onde magnetmetros
so usados para registrar o campo geomagntico na superfcie da Terra. O problema direto
estabelecido pelas equaes de Maxwell do eletromagnetismo.
Uma idia para resolver o problema a busca de solues regulares, mas com
descontinuidade de forma. Um operador de regularizao com esta propriedade obtido
minimizando a entropia de 1
a
ordem (Campos Velho e Ramos, 1997).


Figura 4: Mapas de condutividade eltrica em IM: (a) modelo verdadeiro, (b) inverso sem
regularizao, (c) regularizao MinEnt-1, (d) regularizao MaxEnt-0.

4.2 - Estimao de Perfis de Temperatura Atmosfricos

Uma das conquistas da tecnologia moderna foi a capacidade de melhorar
significativamente a previso do tempo. Uma das etapas essenciais neste processo foi a
melhoria do sistema de observao da Terra. Assim satlites meteorolgicos fazem parte
deste sistema. Dividindo a atmosfera em vrios nveis de estratificao e usando a
aproximao do corpo negro para cada camada atmosfrica, a energia radiante transferida
de acordo com a equao de Schwarschild:


[ ]
Planck) de (funo
1
2
) (
) ( ) ( ) ( ) (
~
) /( 2
3
) (
) (

KT h
s
e c
h
T B
d B I I I
s

(20)

O problema inverso foi resolvido com um operador entrpico de regularizao de 2
a

ordem (Ramos et al., 1999)



Figura 5: Estimao do perfil vertical de temperatura atmosfrica onde mostrado
a dependncia da estimativa inicial

4.3 Estimao de Propriedades em tica Hidrolgica

O modelo matemtico para representar a intensidade luminosa pode ser expresso pela
equao de Boltzmann linear:


( )
( ) ( ) S d
b a
b
L
d
dL
+
+
+

' , ,
,
0

8 7 6
(21)

onde L a radincia, a espessura tica, a e b so os coeficientes de absoro e
espalhamento, respectivamente (a razo b/(a+b) o albedo), S o termo de fonte ou
sumidouro, a direo do fton. Trs mtodos tem sido usados para resolver o problema
direto: insero invariante (Stephan et al., 1998; 2000), mtodo S
N
analtico (Chalhoub et
al, 2000; Chalhoub e Campos Velho, 2001 e 2002) e LTS
N
(Retamoso et al., 2000 e 2001).
Vrios parmetros (funes) na Eq.(21) tem importncia econmica, ecolgica e
militar. A tabela abaixo ilustra alguns casos resolvidos no grupo de problemas inversos do
INPE, onde CC significa condio de contorno.

Tabela 2: Estimao de propriedades em tica hidrolgica.

Casos Propriedade Mtodo Direto Otimizador Regulariz.
(1) S() Inser. Inv. Q-Newton (Nag)/GA -
(2) S(), a, b Inser. Inv. Q-Newton (Nag) MaxEnt-0
(3) () S
N
padro Q-Newton (Nag) MaxEnt-0
(4) (),
0
S
N
analtico L-M (IMSL) -
(5) C.C. LTS
N
Q-Newton (Nag) MaxEnt-0

5. NOVAS METODOLOGIAS

Praticamente a cada dia surge uma nova metodologia de resoluo de problemas
inversos, por exemplo a aplicao de uma nova funo de regularizao usando a entropia
no-extensiva (Shiguemori et al, 2002). Mas neste texto nos restringimos a comentar duas
tcnicas que emergiram da inteligncia artificial (computacional).

5.1 Algortmo Gentico

A idia de computao evolucionria apareceu na dcada de 60, mas foi com o livro de
Holland (1975) que nasce o algoritmo gentico (AG). Estes algoritmos usam como
modelos a teoria da evoluo de Charles Darwin: elementos computacionais gerando
descendentes para no final sobreviverem os mais aptos. Na verdade AG so algoritmos de
busca estocstica de uma soluo tima para uma funo custo. Desta forma, os elementos
computacionais da populao so elementos do espao de busca, que sero avaliados e
combinados, de tal forma, que processo dever tender (indivduos restantes aps vrias
geraes) ao timo da funo custo (aptido).
Em essncia h 3 fases importantes na tcnica de AG: seleo dos pais, cruzamento
(crossover) e a mutao. Para muitos autores, a mutao a etapa mais importante.
Num pseudocdigo os passos do algoritmo so
(i) Avalia e seleciona a P(t) a partir de P(t-1);
(ii) Altera P(t): cruzamento e mutao;
(iii) Volta ao passo (i) at atingir convergncia.
Embora os AG tenham sido aplicados para problemas de otimizao combinatria, por
ser mais simples combinar uma cadeia de caracteres de 0s e 1s, h hoje algoritmos
usando nmeros reais, que o caso mais comum da comunidade de PIs. Um pseudo-cdigo
para um AG usando nmeros reais descrito abaixo:
(i) Avalie os elementos da populao e faa uma ordenao; aps promover a
seleo (algoritmo tipo roleta ou torneio)
(ii) Faa o cruzamento: h vrias maneiras, uma delas o cruzamento geomtrico:
filho = (pai
1
)

(pai
2
)
1-
, [0, 1], assim pode-se fixar: = 0,5.
(iii) Mutao:

'

1 for aleatrio digito se ) l - , (

0 for aleatrio digito se ) , (
'
inf
sup
i i
i i
i
x t x
x l t x
x

no qual:
( )
[ ]
b
T t
r y t
/ 1
1 ) , (

.

Este procedimento pode ser aplicado no problema inverso da Seo 3, problema direto
representado pela Eq. (4). Na funo objetivo foi usada a regularizao de Tikhonov-0.







Figura 5: Resultados de estimao de condio inicial com AG.

5.2 Redes Neurais

As redes neurais artificiais (RNA) so outro exemplo de ferramenta computacional
inicialmente baseada em modelos naturais: o crebro humano. As RNA so arranjos de
elementos de processamento (neurnios), o modelo de neurnio artificial consiste de uma
combinao linear seguida de uma funo de ativao o componente no linear do
processamento. Os neurnios esto interconectados, com diferentes pesos de conexo.
um sistema de processamento altamente paralelo e de controle distribudo. Vrios arranjos
podem e tem sido pensado para redes neurais. O mais popular deles o perceptron de
multicamadas. Outras redes (Funo de Base Radial e Correlao em Cascata) tambm
foram testadas na estimao de condies de contorno.

Figura 6: Representao de RNA perceptron de multicamada e estimao de fluxo
de calor no contorno, onde o problema direto dado pela Eq. (4).

5. COMENTRIOS FINAIS

fascinante conhecer operadores relativamente simples, mas com a capacidade de
transformar um problema mal-posto em um problema com solues suaves e dependncia
contnua dos dados! O Prof. M. Bertero chama a soluo do tipo da Eq. (15) como o
0 0.1 0. 2 0.3 0. 4 0.5 0. 6 0.7 0. 8 0.9 1
0
0. 1
0. 2
0. 3
0. 4
0. 5
0. 6
0. 7
0. 8
0. 9
1
pontos de malha
valor de tem
peratura
Distribuio de Temperatura - Otimizao por GA - alfa=0.0135, sigma=0.05
CI
CI recuperada
0 0.1 0. 2 0.3 0. 4 0.5 0. 6 0.7 0. 8 0.9 1
0
0. 2
0. 4
0. 6
0. 8
1
1. 2
1. 4
1. 6
1. 8
2
pontos de malha
valor de tem
peratura
Distribuio de Temperatura - Otimizao por GA - alfa=0.00665, sigma=0.05
CI
CI recuperada
0 5 10 15 20 25
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Sada Desejada
Dados no Similares
Dados Similares
mtodo dos mnimos quadrados generalizado. A diferena entre os mtodos est no tipo de
regularizao usada. Nos contexto dos PIs os AGs no constituem um novo mtodo, mas
esto concorrendo com outros otimizadores estocsticos pela preferncia dos usurios. Um
aspecto interessante, foi notar que mesmo com ausncia de rudo nos dados, o otimizador
de AG no foi capaz de encontrar uma boa soluo, j usando o operador de regularizao
bons resultados foram obtidos. Nestes casos no o parmetro de regularizao nulo:
0 . Todavia, obtm-se uma boa inverso com AG com dados contaminados com
rudos usando-se um funcional com regularizao
0
(Figura 5).
A situao j no a mesma com as redes neurais. O uso das RNAs em PIs vem
crescendo e as redes podem ser usadas mesmo quando no se tem idia do modelo direto, o
custo ir recair sobre uma intensa bateria de testes experimentais. Em aplicaes prticas
RNAs podem ser ainda mais rpidas do que os mtodos tradicionais, pois uma vez
treinada (fase de identificao dos pesos das conexes) o processo torna-se muito rpido
(fase de ativao). Alm disso, as RNA permitem a sua implementao totalmente em
hardware: neurocomputadores.
Finalizando, chamo a ateno que muitos conceitos refletem a viso particular do autor
destas notas. Por exemplo, o Prof. McCormick (2001) apresenta uma classificao de
problemas inversos semelhante ao da do item 3 - Seo 2, com agregao de mais 2 tipos
de problema inverso: projeto timo e identificao de equaes para o modelo direto.

REFERNCIAS

Beck, J.V., Blackwell, B. & St. Clair, C. R. Jr., 1985, Inverse Heat Conduction: Ill-Posed
Problems, John Wiley & Sons.
Bertero, M. & Boccacci, P., 1998, Introduction to Inverse Problems in Imaging, Institute of
Physics.
Campos Velho, H. F., Retamoso, M. R. & Vilhena, M. T. (2001): Several experimental
arrays and different radiometric measurements for estimating boundary conditions in
natural waters, International Journal for Numerical Methods in Engineering, 54(9),
1357-1368.
Campos Velho, H. F., Moraes, M. R., Ramos, F. M., Degrazia, G. A. & Anfossi, D., 2000,
An automatic methodology for estimating eddy diffusivity from experimental data, Il
Nuovo Cimento, 23-C(1), 65-84.
Campos Velho, H. F., Silva, J. D. S., Nowosad, A. G. & Rios Neto, A., 2000, Experiences
with neural network in inverse problems, Congresso Brasileiro de Matemtica
Aplicada e Computacional - Minisyposium on Inverse Problems on Medicine,
Engineering, and Geophysics (Edio especial do Boletim da SBMAC), 11-15 de
Setembro, Santos (SP), Brasil.
Campos Velho, H. F., Stephany, S., Chalhub, E. S., Ramos, F. M., Retamoso, M. R. &
Vilhena, M. T., 2000, New approaches on inverse hydrological optics, Congresso
Brasileiro de Matemtica Aplicada e Computacional - Minisyposium on Inverse
Problems on Medicine, Engineering, and Geophysics (Edio especial do Boletim da
SBMAC), 11-15 de Setembro, Santos (SP), Brasil.
Campos Velho, H. F. & Ramos, F. M., 1997, Numerical inversion of two-dimensional
geoelectric conductivity distributions from eletromagnetic ground data, Brazilian
Journal of Geophysics, 15(2), 133-143.
Chalhoub, E. S., Campos Velho, H. F., 2002, Estimation of the optical properties of sea
water from measurements of exit radiance, Journal of Quantitative Spectroscopy &
Radiative Transfer, 72(5), 551-565.
Chalhoub, E. S., Campos Velho, H. F., 2001, Simultaneous estimation of radiation phase
function and albedo in natural waters, Journal of Quantitative Spectroscopy &
Radiative Transfer, 69(2), 137-149.
Chalhoub, E. S., Campos Velho, H. F., Ramos, F.M. & J.C.R. Claeyssen, J. C. R., 2000,
Phase function estimation in natural waters using discrete ordinate method and
maximum entropy principle, Hybrid Methods in Engineering, 2(4) 373-388.
Engl, H. W., Hanke, M. & Neubauer, A., 1996, Regularization of Inverse Problems:
Mathematics and its Applications, Kluwer.
Groetsche, C. W., 1984, The Theory of Tikhonov Regularization for Fredholm Integral
Equation of the 1
st
Kind, Pitman.
Hanisch, R. J. & White, R. L., 1993, The Restoration of HST Images and Spectra II, Space
Telescope Science Institute (http://resources.stsci.edu/), Baltimore (MA), USA,
November 18-19.
Holland, J. H., 1975, Adaptation in Natural and Artificial Systems, MIT Press.
Hu, W., 2000, Ringing in the new cosmology, Nature, 404(6781), 939-940.
zisik, M. N., 1980, Heat Conduction, Wiley Interscience.
McCormick, N. M., 2001, Inverse Problems: Methods and Applications, TEMA:
Tendncias em Matemtica Aplicada e Computacional, SBMAC, vol. 2, 1-12.
Muniz, W. B., Ramos, F. M. & Campos Velho, H. F., 2000, Entropy- and Tikhonov-based
regularization techniques applied to the backwards heat equation, Computers &
Mathematics with Applications, 40(8/9), 1071-1084.
Muniz, W. B., Campos Velho, H. F. & Ramos, F. M., 1999, A Comparison of Some
Inverse Methods for Estimating the Initial Condition of the Heat Equation, Journal of
Computational and Applied Mathematics, 103(1), 145-163.
Press, W. H., Teukolsky, S. A., Vetterling, W. T. & Flannery, B. P., 1992, Numerical
Recipes: The Art of Scientific Computing, Cambridge University Press.
Ramos, F. M., Campos Velho, H. F., Carvalho, J. C. & Ferreira, N. J., 1999, Novel
approaches on entropic regularization, Inverse Problems, 15(5), 1139-1148.
Ramos, F. M. & Giovannini, A., 1995, Rsolution dun problem inverse multidimensional
de diffusion de la chaleur par la mthode des elments analytiques et par l principle de
lentropie maximale, International Journal of Heat and Mass Transfer, 38,(5), 1139-
1148.
Retamoso, M. R., Vilhena, M. T., Campos Velho, H. F. & Ramos, F. M., 2001, Estimation
of boundary condition in hydrologic optics, Applied Numerical Mathematics, 40(1/2),
87-100
Retamoso, M. R., Vilhena, M. T., Campos Velho, H. F. & Ramos, F. M., 2000, An implicit
inversion method for estimating boundary conditions in hydrologic optics, TEMA:
Tendncias em Matemtica Aplicada e Computacional (Trabalhos selecionados do
Congresso Brasileiro de Matemtica Aplicada e Computacional, 1999, 13-17
Setembro, Santos, SP, Brasil), vol. 1, parte 2, 455-462.
Roberti, D. R., Campos Velho, H. F. & Degrazia, G. A. (2002): Identifing counter-gradient
term in atmospheric convective boundary layer, 4th International Conference on
Inverse Problems in Engineering: Theory and Practice (ICIPE-2002), Maio 26-31,
Angra dos Reis (RJ), Brasil Anais in CD-Rom: cdigo do paper 098.
Shiguemori, R. H., Campos Velho, H. F. & Silva, J. D. S., 2002, Estimation of Initial
Condition in Heat Conduction by Neural Network, 4th International Conference on
Inverse Problems in Engineering: Theory and Practice (ICIPE-2002), Maio 26-31,
Angra dos Reis (RJ), Brasil, Anais in CD-Rom: cdigo do paper 093.
Silva Neto, A. J. & Moura Neto, F. D., 2000, Escolha de Modelos Problemas Inversos
em Engenharia Mini-curso, Congresso Nacional de Matemtica Aplicada e
Computacional, SBMAC, Santos (SP), Brasil.
Stephany, S., Campos Velho, H. F., Ramos, F. M. & Mobley, C. D., 2000, Identification of
inherent optical properties and bioluminescence source term in a hydrologic optics
problem, Journal of Quantitative Spectroscopy & Radiative Transfer, 67(2), 113-123.
Stephany, S., Ramos, F. M., Campos Velho, H. F. & Mobley, C. D., 1998, A methodology
for internal light sources estimation, Computer Modeling and Simulation in
Engineering, 3(3), 161-165.
Tarantola, A. 1987, Inverse Problem Theory, Elsevier.
Tikhonov, A. N. & Arsenin, V.Y., 1977, Solution of Ill-posed Problems, John Wiley &
Sons.
What are inverse problem?, http://www.me.ua.edu/inverse/whatis.html, (K.A. Woodburys
web-page, 1995).
Wooddbury, K.A., 2000, Neural Networks and Genetic Algorithms in the Solution of
Inverse Problems, (http://www.sbmac.org.br/a_sbmac/publicacoes/frames.htm)
Boletim da SBMAC, vol. 4.
Wuensche, C. A., Lubin, P. M. & Villela, T, 1994, An alternative algorithm for cosmic
microwave background radiation sky harmonic analysis, Astronomical Data Analysis
Software and Systems III, A.S.P. Conference Series, Vol. 61, 1994, Dennis R. Crabtree,
R.J. Hanisch, and Jeannette Barned (Eds.), pp. 269-272 (tambm disponvel na
internet: http://www.das.inpe.br/~alex/papers.html)






INVERSE PROBLEMS: BASIC CONCEPTS AND APPLICATIONS

Abstract. Short-Course notes presented at V EMC (Meeting on Computational Modeling),
Nova Friburgo (RJ), organized by IPRJ-UERJ, representing a brief introduction on the
subject. Firstly, the concept and classification on inverse problems are outlined, after that
some classical methods for solving these problems are described, with an emphasis on
regularization techniques. In this section several examples are shown and discussed using
the regularization operators. However, new techniques are also commented. Two of these
new techniques are analyzed: neural network and genetic algorithm applied to inverse
problems. The latter schemes are applied to an inverse heat conduction problem.

Key words: Inverse problems, Regularized solutions, Neural network, Genetic Algorithm.