A modified MGGP algorithm for structure selection of NARMAX models

• Ano de defesa: 2021
• Autor(a) principal: Castro, Henrique Carvalho de
• Orientador(a): Barbosa, Bruno Henrique Groenner
• Banca de defesa: Barbosa, Bruno Henrique Groenner, Nepomuceno, Erivelton Geraldo, Ferreira, Danton Diego
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Sistemas e Automação
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Nonlinear system identification; Multi-gene genetic programming; Error reduction ratio; NARMAX models; Identificação de sistemas não lineares; Programação genética multi-gene; Taxa de redução de erro; Modelos NARMAX
• Área do conhecimento CNPq: Engenharia de Software
• Link de acesso: https://repositorio.ufla.br/handle/1/46427

Na área de identificação de sistemas, os modelos de entrada-saída NARMAX (Nonlinear Autoregressive Moving Average with Exogenous Variables) são de grande interesse. A tarefa mais desafiadora quando se trabalha com esses modelos é a seleção da estrutura adequada do modelo que melhor represente o sistema subjacente aos dados. Normalmente, essa seleção de estrutura é feita por meio de algoritmos baseados no critério ERR (Error Reduction Ratio). Esses algoritmos sofrem com a maldição da dimensionalidade quando são requeridos alto grau de não linearidade e dependências de longo prazo. Ademais, algumas não linearidades necessitam de funções ou termos específicos na estrutura do modelo para serem reproduzidas, i.e., o comportamento de histerese. O algoritmo baseado em ERR pode deixar esses termos fundamentais fora da estrutura selecionada. Alternativamente, Algoritmos Evolucionários (AE) podem ser usados para realizar o processo de seleção de estrutura. Eles são métodos que evoluem uma população de indivíduos através das gerações por meio dos fenômenos de seleção, mutação e reprodução. No caso da identificação de sistemas, cada indivíduo seria um candidato a modelo. Essa dissertação propõe a hibridização de um EA chamado MGGP (Multi-Gene Genetic Programming) com um algoritmo baseado em ERR para desempenhar o processo de identificação mesmo naqueles casos em que funções específicas são requeridas. No total, são realizados quatro experimentos. Os dois primeiros analisam os problemas de nível de ruído e entrada suave utilizando sistemas de teste estocásticos para gerar os dados. Como resultado, verificamos que o incremento do nível de ruído na equação não interfere no resultado da seleção de estrutura e que a hibridização MGGP/ERR é benéfica em comparação com o MGGP autônomo para o problema de entrada suave. O MGGP/ERR produz modelos mais parcimoniosos que apresentam melhor desempenho em simulação livre. O terceiro experimento é a identificação de um benchmark de sistema de bombeamento hidráulico. É mostrado que o MGGP/ERR é capaz de explorar um amplo espaço de busca para o qual um método tradicional baseado em ERR requeriria um poder computacional muito alto. E finalmente, o último experimento é a identificação de um atuador piezoelétrico, que se caracteriza pelo comportamento de histerese. São incluídas funções específicas no espaço de busca de tal forma que o MGGP/ERR seja capaz de identificar a histerese. Uma toolbox nova e fácil de usar baseada em Python foi desenvolvida e está disponível sob Licença Pública Geral.