Metodologia de modelagem empÃrica utilizando integradores neurais aplicada a sistemas dinÃmicos nÃo-lineares.

AUTOR(ES)
DATA DE PUBLICAÇÃO

2008

RESUMO

Este trabalho apresenta e desenvolve uma metodologia empÃrica para modelar e obter as funÃÃes de derivadas instantÃneas para sistemas dinÃmicos nÃo-lineares, utilizando integradores numÃricos neurais de mÃltiplos passos do tipo Adams-Bashforth. A modelagem empÃrica consiste em utilizar as estruturas de integradores numÃricos consideradas, tanto para gerar os valores de entrada/saÃda de treinamento da rede neural, durante a prÃpria fase de treinamento, como tambÃm, na fase de simulaÃÃo, acopladas sempre a uma rede feedforward. As estruturas dos integradores sÃo utilizadas para fornecer uma soluÃÃo discreta para sistemas de equaÃÃes diferenciais ordinÃrias, enquanto a rede neural apenas precisa obter e aprender empiricamente as funÃÃes de derivadas instantÃneas. Esta abordagem permite introduzir um treinamento supervisionado off-line que nÃo necessita trabalhar excessivamente com funÃÃes compostas, e assim evitar significativamente o uso da regra da cadeia. Desta forma, esta metodologia original e alternativa lida com problemas nÃo-lineares mais complexos apenas utilizando combinaÃÃes lineares do algoritmo backpropagation, aqui estendido. A modelagem computacional empÃrica para as funÃÃes de derivadas mÃdias usando apenas o integrador de primeira ordem do tipo Euler à tambÃm implementada. Ambos desenvolvimentos considerados sÃo aplicados e testados em sistemas dinÃmicos nÃo-lineares autÃnomos, sobre dois exemplos distintos, um pÃndulo simples nÃo-linear e outro modelo abstrato envolvendo controle.

ASSUNTO(S)

controle com realimentaÃÃo propagaÃÃo retroativa (inteligÃncia artificial) redes neurais sistemas dinÃmicos algoritmos sistemas nÃo-lineares integraÃÃo numÃrica

ACESSO AO ARTIGO

Documentos Relacionados