Learning and Nonlinear Models最新文献_第8页

FUZZYFUTURE: Ferramenta de Previsão de Séries Temporais Baseada em Sistema Híbrido Fuzzy-Genético 模糊未来:基于模糊遗传混合系统的时间序列预测工具

Learning and Nonlinear Models Pub Date : 2016-03-16 DOI: 10.21528/LNLM-VOL10-NO2-ART2

Victor Barboza Brito, M. M. Vellasco, R. Tanscheit

引用次数: 2

A neural network based algorithm for complex pattern classification problems 一种基于神经网络的复杂模式分类算法

Learning and Nonlinear Models Pub Date : 1900-01-01 DOI: 10.21528/LNLM-VOL2-NO2-ART4

A. Martins, A. Neto, J. Melo

引用次数: 2

Nova Implementação em Filtro de Kalman Estendido para Assimilação de Dados com Redes Neurais 扩展卡尔曼滤波在神经网络数据同化中的新实现

Learning and Nonlinear Models Pub Date : 1900-01-01 DOI: 10.21528/LNLM-VOL7-NO1-ART4

R. Cintra, H. F. C. Velho, R. Todling

引用次数: 1

O Impacto da Parametrização no Algoritmo Heurístico Baseado em Colônia de Formigas Artificiais ColorAnt3-RT 参数化对基于人工蚁群ColorAnt3-RT的启发式算法的影响

Learning and Nonlinear Models Pub Date : 1900-01-01 DOI: 10.21528/LNLM-VOL11-NO2-ART2

C. N. Lintzmayer, Mauro Henrique Mulati, A. Silva

引用次数: 0

INDEPENDENT COMPONENT ANALYSIS AND BLIND SIGNAL SEPARATION: THEORY, ALGORITHMS AND APPLICATIONS 独立分量分析与盲信号分离:理论、算法与应用

Learning and Nonlinear Models Pub Date : 1900-01-01 DOI: 10.21528/LNLM-VOL10-NO1-ART4

E. Filho, J. Seixas, N. N. D. Moura, D. B. Haddad, Jose Marcio Faier, Maria C. S. Albuquerque

引用次数: 1

Nonlinear System Identification Using Local ARX Models Based On The Self-Organazing Map 基于自组织映射的局部ARX模型非线性系统辨识

Learning and Nonlinear Models Pub Date : 1900-01-01 DOI: 10.21528/LNLM-VOL4-NO2-ART2

L. G. Souza, G. Barreto

引用次数: 9

Índice de Igualdade e Aprendizado em Redes Neurofuzzy Recorrentes em Previsão de Séries Macroeconômicas 宏观经济序列预测中递归神经模糊网络中的平等指数与学习

Learning and Nonlinear Models Pub Date : 1900-01-01 DOI: 10.21528/LNLM-VOL3-NO1-ART2

R. Ballini, F. Gomide

{"title":"Índice de Igualdade e Aprendizado em Redes Neurofuzzy Recorrentes em Previsão de Séries Macroeconômicas","authors":"R. Ballini, F. Gomide","doi":"10.21528/LNLM-VOL3-NO1-ART2","DOIUrl":"https://doi.org/10.21528/LNLM-VOL3-NO1-ART2","url":null,"abstract":"A novel learning algorithm for recurrent fuzzy neural network is introduced in this paper. The core of the learning algorithm uses equality index as the performance measure to be optimized. Equality index is especially important because its properties reflect the fuzzy set-based structure of the neural network and nature of learning. Equality indexes are strongly tied with the properties of the fuzzy set theory and logic-based techniques. The neural network recurrent topology is built with fuzzy neuron units and performs neural processing consistent with fuzzy system methodology. Therefore neural processing and learning are fully embodied within fuzzy set theory. The performance recurrent fuzzy neural network is verified via examples of learning sequences. Computational experiments show that the recurrent fuzzy neural models developed are simpler and that learning is faster than both, static neural and time series models. Palavras Chaves Redes neurais, redes neurofuzzy recorrentes, previsão de séries temporais. 1. Introdução Redes neurais recorrentes são estruturas de processamento capazes de apresentar uma grande variedade de comportamentos dinâmicos. A presença de realimentação de informação permite a criação de conexões internas e dispositivos de memória capazes de processar e armazenar informações temporais e sinais seqüenciais. Em contrapartida à possibilidade de representação de comportamento dinâmico, o processo de adaptação e a análise da capacidade de processamento de informação presente em redes neurais recorrentes são geralmente mais complexos que no caso não recorrente [1]. Como conseqüência, a capacidade de aprendizado desses modelos tem que estar associada com a existência de algoritmos de treinamento eficientes, baseados em informações de segunda ordem e avançados resultados da teoria de sistemas dinâmicos não-lineares [2]. Como é amplamente conhecido, a idéia de incorporar conceitos da teoria de conjuntos fuzzy em redes neurais tem se tornado um importante tópico de pesquisa [3]. Combinações destas duas abordagens, sistemas neurofuzzy, têm tido sucesso em muitas aplicações. A abordagem neurofuzzy une a teoria de conjuntos fuzzy e redes neurais em um sistema integrado para combinar os benefícios de ambas. Entretanto, uma limitação de muitas redes neurofuzzy é sua restrita aplicação em problemas de mapeamentos dinâmicos devido a sua estrutura não recorrente ou à falta de um procedimento de aprendizado para as conexões de realimentação. Sistemas neurofuzzy recorrentes têm sido propostos para identificação de sistemas dinâmicos em [4] , [5], [6]. Neste artigo, um algoritmo de aprendizado para redes neurofuzzy recorrentes é proposto. O algoritmo usa o índice de igualdade como medida de desempenho a ser otimizado. O índice de igualdade, proposto em [7], [8], preserva as propriedades básicas da teoria de conjuntos fuzzy. Como a topologia da rede neural recorrente é constituída por neurônios fuzzy, o processamento neural é consistente a t","PeriodicalId":386768,"journal":{"name":"Learning and Nonlinear Models","volume":"1019 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"1900-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"116252392","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Inferência de Temperatura de Fornos de Redução de Alumínio Primário por Meio de Sensores Virtuais Neurais 利用神经虚拟传感器对原铝还原炉的温度进行推断

Learning and Nonlinear Models Pub Date : 1900-01-01 DOI: 10.21528/LNLM-VOL8-NO1-ART3

Fábio M. Soares, R. C. D. Oliveira

引用次数: 0

ITERATIVE APPLICATION OF THE AINET ALGORITHM IN THE CONSTRUCTION OF A RADIAL BASIS FUNCTION NEURAL NETWORK ainet算法在径向基函数神经网络构造中的迭代应用

Learning and Nonlinear Models Pub Date : 1900-01-01 DOI: 10.21528/LNLM-VOL4-NO1-ART3

Sandro Rautenberg, Luciano Frontino de Medeiros, Wagner Igarashi, F. Gauthier, R. Bastos, J. Todesco

引用次数: 3

Parâmetro de Exatidão para Aproximacão de Funcões Utilizando Multilayer Perceptrons nos Domínios Real, Complexo e de Clifford 在实域、复域和克利福德域中使用多层感知器逼近函数的精度参数

Learning and Nonlinear Models Pub Date : 1900-01-01 DOI: 10.21528/LNLM-vol9-no4-art2

T. S. Torchi, M. Romero, E. Martins

{"title":"Parâmetro de Exatidão para Aproximacão de Funcões Utilizando Multilayer Perceptrons nos Domínios Real, Complexo e de Clifford","authors":"T. S. Torchi, M. Romero, E. Martins","doi":"10.21528/LNLM-vol9-no4-art2","DOIUrl":"https://doi.org/10.21528/LNLM-vol9-no4-art2","url":null,"abstract":"Resumo Na fase de utilização, as Redes Neurais Artificiais (RNA) Multilayer Perceptrons, treinadas com o algoritmo de Backpropagation, não conseguem aproximar a função de interesse para 100% dos dados de entrada. Este trabalho propõe uma metodologia para abordagem de dois pontos de interesse: 1o) estimar um parâmetro de exatidão para as saídas de RNA na fase de utilização, com o objetivo de definir quais saídas podem ser consideradas confiáveis e quais não, definindo como confiáveis as saídas que se aproximam do comportamento da função de interesse; e 2o) estabelecer o número de padrões a serem utilizados na fase de treinamento, que permitam a convergência e a generalização da rede na metodologia proposta. A metodologia baseia-se no treino e utilização de duas redes: a RNA Direta (RNAD), utilizada para aproximar a função de interesse, e a RNA Inversa (RNAI), utilizada para aproximar a inversa (FI) da função de interesse. Caso a função a ser aproximada não tenha FI definida, o domínio é restringido para onde exista. Na utilização destas redes será computada a diferença entre a entrada da RNAD e a saída da RNAI. Quando a entrada da RNAD e a saída da RNAI forem computacionalmente iguais, ou seja, sua diferencia muito próxima de zero, tanto quanto à aplicação exigir, será considerado que a saída da rede direta (RNAD), isto é, a aproximação da função de interesse, é confiável. O método é comprovado experimentalmente a partir de dados sintéticos, utilizando a função 2 ) ( x x f = , a fim de permitir o controle entre as entradas e saídas das redes com o intuito de validação do método nos domínios Real, Complexo e de Clifford. Os dados sintéticos e não dados de aplicações reais, se utilizam para demonstrar a viabilidade do algoritmo permitindo comparar os três domínios, pois possíveis erros contidos nos dados reais se mesclariam com possíveis erros no algoritmo dificultando a validação do método proposto. Os resultados mostram que o método é robusto e permite determinar o parâmetro de exatidão para as saídas da RNA, o critério de convergência e a qualidade da generalização das mesmas, permitindo a comparação gráfica dos três domínios.","PeriodicalId":386768,"journal":{"name":"Learning and Nonlinear Models","volume":"9 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"1900-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"130698059","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0