Computação evolucionária e máquinas de comitê na identificaçãode sistemas não-lineares

• Autor(a) principal: Bruno Henrique Barbosa
• Data de Publicação: 2009
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/BUOS-8CDGT6
• topic: Engenharia elétrica; Engenharia elétrica

Nas últimas décadas, devido ao aumento do poder computacional e do consequente crescimento da quantidade de informação disponível aos pesquisadores, a linha de pesquisa conhecida como Aprendizado de Máquina vem ganhando importância. Essa linha de pesquisa tem por objetivo estudar e desenvolver métodos computacionais para obtenção de sistemas capazes de adquirir conhecimento de forma automática. O desafio principal dos algoritmos de aprendizagem é maximizar a capacidade de generalização de seu aprendiz. Nesse contexto, os algoritmos evolucionários e as máquinas de comitê (combinaçãode mais de uma máquina de aprendizado) apresentam-se como alternativas competitivas para a resolução desse desafio. Assim, o estudo de identificação de sistemas não-lineares, cada vez mais requeridos em problemas de controle avançado, pode se beneficiar dessas alternativas. Partindo dessa premissa, este trabalho tem por objetivo aplicar tais técnicas em problemas de identificação. Olhando o problema de identificação sob uma perspectiva de otimização, duas entidades são da maior importância: o erro de predição e o erro de simulação. Com o uso de algoritmos evolucionários, multi-objetivos ou não, o papel dessas entidades na estimação de parâmetros demodelos não-lineares é discutido no trabalho aqui apresentado. Dentre os resultados obtidos, ressalta-se aquele em que se recomenda o usode critérios baseados no erro de predição em problemas de erro na equação e o uso de critérios baseados no erro de simulação em problemas de erro na saída (ou erro de medição), sendo o último geralmente mais robusto. Embora seja do conhecimento que, em problemas de erro na saída, o uso de critério baseado no erro de predição, sem os devidos ajustes (modelo de ruído), encontra estimativas de parâmetros tendenciosas, a novidade é que o uso de erro de simulação também encontra estimativas tendenciosas quando aplicado em problemas de erro na equação. Uma nova abordagem bi-objetivo foi proposta utilizando erro de simulação e erro no ajuste da função estática do modelo em identificação caixa-cinza, mostrandosua eficiência frente à identificação caixa-preta ou mesmo frente às abordagens com erro de predição em um problema real. Sistemas híbridos do tipo PWA (PieceWise Affine), considerados um exemplo de máquina de comitês, também foram estimados por essas entidades (por meio da aplicação dos algoritmos genéticos) em que foi constatado que a definição das regiões de operação de cada submodelo pode ser realizada baseando-se no erro de predição independente do tipo de ruído adicionado. No entanto, a estimação dos parâmetros desses submodelos deve ser realizada pelo algoritmo proposto chamado MQEP(mínimos quadrados estendido e ponderado) em casos de erro na saída, para evitar estimativas tendenciosas. Por fim, algoritmos co-evolucionários e sistemas imunológicos artificiais foram empregados na construção de comitês de redes neurais artificiais em que foi possível obter bons resultados em uma série de problemas de regressão. Ficou constatado que o uso de uma medida de diversidade durante o aprendizado não é aconselhável e que é possível encontrar comitês de tamanho reduzido de forma automática