Máquina de aprendizagem extrema com otimização por exame de partículas aplicada à previsão de séries temporais

Detalhes bibliográficos
Ano de defesa: 2013
Autor(a) principal: Grebogi, Rafael Bartnik
Orientador(a): Coelho, Leandro dos Santos, 1968-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado do computador
Particulas
Analise de series temporais - Processamento de dados
Engenharia elétrica
Link de acesso: https://hdl.handle.net/1884/30482
Resumo: Orientador: Prof. Dr. Leandro dos Santos Coelho
id UFPR_e7b2843c7c238065bfc14003d8abe93b
oai_identifier_str oai:acervodigital.ufpr.br:1884/30482
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia ElétricaCoelho, Leandro dos Santos, 1968-Grebogi, Rafael Bartnik2024-04-25T18:55:20Z2024-04-25T18:55:20Z2013https://hdl.handle.net/1884/30482Orientador: Prof. Dr. Leandro dos Santos CoelhoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa: Curitiba, 26/02/2013Bibliografia : fls. 89-96Resumo: Identificação de sistemas é uma área interessada em obter modelos matemáticos de sistemas desconhecidos baseados em dados de leituras sequenciais do sistema. Diversas aplicações do mundo real não tem sua dinâmica completamente compreendida ou são complexas para serem modeladas, para estes casos, a identificação de sistemas é uma ferramenta eficiente para modelagem e previsão. Este trabalho aborda redes neurais artificiais, mais precisamente, redes neurais com uma única camada de neurônios ocultos, em inglês, Single Layer Feedforward Neural Network (SLFN), para previsão de séries temporais. Um algoritmo de aprendizagem proposto recentemente chamado de Máquina de Aprendizagem Extrema, em inglês, Extreme Learning Machine (ELM), é introduzido para a tarefa de aprendizagem da rede neural. O algoritmo ELM é baseado na matriz inversa generalizada de Moore-Penrose, que torna o problema um simples sistema linear. No núcleo do algoritmo ELM, duas funções de ativação diferentes serão testadas, sendo que uma delas é uma função de ativação variável. Para alcançar melhores resultados, um método estocástico de otimização do campo da inteligência de enxame chamado de Otimização por Enxame de Partículas, em inglês, Particle Swarm Optimization (PSO), é validado para otimizar os parâmetros do algoritmo ELM. O PSO consiste em modelar as ações de um bando de pássaros procurando por comida, onde cada pássaro é uma partícula, e cada partícula é uma possível solução para o problema. Neste trabalho é proposta uma nova variação do PSO empregando a função gama invertida. Neste contexto, três conjuntos de dados são usados para testar os algoritmos, um é a leitura de uma fornalha, e dois são obtidos de equações diferenciais com comportamento caótico. Os modelos obtidos através do algoritmo ELM são então validados através de testes de correlação. As previsões realizadas pelo algoritmo ELM são promissoras para todos os conjuntos de dados, revelando que a combinação do algoritmo PSO com o ELM é uma eficiente forma de identificação de sistemas.Abstract: System identification is a subject concerned about obtaining mathematical models of unknown systems based on sequential systems' data readings. Many real-world applications do not have their dynamics well understood yet or are complex for modeling, for these cases, system identification is an efficient tool for modeling and forecasting. This work approaches artificial neural networks, more precisely, the Single Layer Feedforward Neural Network (SLFN) for time series forecasting. A recently proposed learning algorithm called Extreme Learning Machine (ELM) is introduced for the neural network learning task. The ELM algorithm is based on the Moore-Penrose generalized inverse of a matrix, turning the problem into a simple linear system. In the core of ELM algorithm, two different activation functions will be evaluated, where one is a variable activation function. To reach better results, a stochastic optimization method of the swarm intelligence field called Particle Swarm Optimization (PSO) is validated to optimize ELM's parameters. PSO consists of modeling the actions of a flock of birds looking for food, where each bird is a particle and each particle is a possible solution for the problem. This work proposes a modified PSO based on the incomplete gamma function. In this context, three datasets are used for testing, one is from a gas furnace, and two are obtained from differential equations with chaotic behavior. After the optimization, model verification is realized by correlation tests. The ELM's forecasting results are promising for all datasets, revealing that PSO combined with ELM is an efficient way for the task of the system identification.126f. : il., tabs., grafs.application/pdfDisponível em formato digitalAprendizado do computadorParticulasAnalise de series temporais - Processamento de dadosEngenharia elétricaMáquina de aprendizagem extrema com otimização por exame de partículas aplicada à previsão de séries temporaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - RAFAEL BARTNIK GREBOGI.pdfapplication/pdf1057571https://acervodigital.ufpr.br/bitstream/1884/30482/1/R%20-%20D%20-%20RAFAEL%20BARTNIK%20GREBOGI.pdf1fcef5c275fd89825d10d30fe5f23a3eMD51open accessTEXTR - D - RAFAEL BARTNIK GREBOGI.pdf.txtExtracted Texttext/plain183386https://acervodigital.ufpr.br/bitstream/1884/30482/2/R%20-%20D%20-%20RAFAEL%20BARTNIK%20GREBOGI.pdf.txtf54c58e3cb26aea6dee1665b2ac08cb6MD52open accessTHUMBNAILR - D - RAFAEL BARTNIK GREBOGI.pdf.jpgGenerated Thumbnailimage/jpeg1124https://acervodigital.ufpr.br/bitstream/1884/30482/3/R%20-%20D%20-%20RAFAEL%20BARTNIK%20GREBOGI.pdf.jpg700e45a205c8a54f451a424c92e7606aMD53open access1884/304822024-04-25 15:55:20.974open accessoai:acervodigital.ufpr.br:1884/30482Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082024-04-25T18:55:20Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Máquina de aprendizagem extrema com otimização por exame de partículas aplicada à previsão de séries temporais
title Máquina de aprendizagem extrema com otimização por exame de partículas aplicada à previsão de séries temporais
spellingShingle Máquina de aprendizagem extrema com otimização por exame de partículas aplicada à previsão de séries temporais
Grebogi, Rafael Bartnik
Aprendizado do computador
Particulas
Analise de series temporais - Processamento de dados
Engenharia elétrica
title_short Máquina de aprendizagem extrema com otimização por exame de partículas aplicada à previsão de séries temporais
title_full Máquina de aprendizagem extrema com otimização por exame de partículas aplicada à previsão de séries temporais
title_fullStr Máquina de aprendizagem extrema com otimização por exame de partículas aplicada à previsão de séries temporais
title_full_unstemmed Máquina de aprendizagem extrema com otimização por exame de partículas aplicada à previsão de séries temporais
title_sort Máquina de aprendizagem extrema com otimização por exame de partículas aplicada à previsão de séries temporais
author Grebogi, Rafael Bartnik
author_facet Grebogi, Rafael Bartnik
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia Elétrica
dc.contributor.advisor1.fl_str_mv Coelho, Leandro dos Santos, 1968-
dc.contributor.author.fl_str_mv Grebogi, Rafael Bartnik
contributor_str_mv Coelho, Leandro dos Santos, 1968-
dc.subject.por.fl_str_mv Aprendizado do computador
Particulas
Analise de series temporais - Processamento de dados
Engenharia elétrica
topic Aprendizado do computador
Particulas
Analise de series temporais - Processamento de dados
Engenharia elétrica
description Orientador: Prof. Dr. Leandro dos Santos Coelho
publishDate 2013
dc.date.issued.fl_str_mv 2013
dc.date.accessioned.fl_str_mv 2024-04-25T18:55:20Z
dc.date.available.fl_str_mv 2024-04-25T18:55:20Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/30482
url https://hdl.handle.net/1884/30482
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 126f. : il., tabs., grafs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/30482/1/R%20-%20D%20-%20RAFAEL%20BARTNIK%20GREBOGI.pdf
https://acervodigital.ufpr.br/bitstream/1884/30482/2/R%20-%20D%20-%20RAFAEL%20BARTNIK%20GREBOGI.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/30482/3/R%20-%20D%20-%20RAFAEL%20BARTNIK%20GREBOGI.pdf.jpg
bitstream.checksum.fl_str_mv 1fcef5c275fd89825d10d30fe5f23a3e
f54c58e3cb26aea6dee1665b2ac08cb6
700e45a205c8a54f451a424c92e7606a
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526304460570624

Registros relacionados