Redes neurais recorrentes aplicadas à assimilação de dados em dinâmica não-linear / Recurrent neural networks applayed to data assimilation on non-linear dynamic

AUTOR(ES)
DATA DE PUBLICAÇÃO

2004

RESUMO

Neste trabalho aplica-se as Redes Neurais (RN) Perceptron de Múltiplas Camadas (PMC), Funções de Base Radial (FBR), Elman (RN-E) e Jordan (RN-J) num contexto de Assimilação de Dados em dinâmica não-linear. Avalia-se a eficiência das RN em emular o filtro de Kalman (FK) e a possível aplicabilidade desta técnica a problemas de dimensão maior, como por exemplo, previsão de tempo operacional. A FBR, RN-E, RN-J e a técnica de treinamento conhecida como correlação cruzada até então nunca haviam sido testadas neste tipo de aplicação. Os resultados obtidos com os modelos simples (sistema de Lorenz em regime caótico e o modelo de água Rasa - 1D) mostram que as redes foram eficientes na solução do problema, sendo que o principal resultado foi a redução do espaço de busca durante o treinamento das redes. Pela forma como os exemplos de treinamento são apresentados as RN, estima-se ter reduzido a dimensão do espaço de busca da ordem de 109 para 103 em problemas práticos de previsão de tempo e clima em relação ao trabalho pioneiro de Nowosad et al. (2001). Apresenta-se também, resultados da aplicação da PMC em Assimilação de Dados em Clima Espacial, o que abre uma nova linha de pesquisa em Geofísica Espacial.

ASSUNTO(S)

perceptron de múltiplas camadas recurrence jordan proving radial basis function validação cruzada multilayer perceptron recorrência jordan elman dinâmica não-linear nonlinear nets funções de base radial elman redes neurais data assimilation assimilação de dados

ACESSO AO ARTIGO

Documentos Relacionados