Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2004 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/5057 |
Resumo: | Neste trabalho, são desenvolvidos novos tipos de Wavelets para análise de sinais, um Algoritmo de Compactação e um Sistema de Classificação de sinais de tensões com distúrbio. A compactação do sinal é realizada eliminando-se os coeficientes wavelets cujos módulos estão abaixo de um determinado limiar de corte. Os resultados para sinais reais obtidos em registradores digitais forneceram altas taxas de compactação, tipicamente em torno de 82%, demonstrando a potencialidade deste método. Na classificação, o sinal de tensão é pré-processado via Wavelets e em seguida submetido a uma redução dimensional por meio da ferramenta estatística, Análises de Componentes Principais, e finalmente é submetido à Rede Neural tipo Multilayer Perceptrons - MLP, que indicará o tipo de distúrbio presente no sinal. Cada rede implementada foi treinada com uma base de conhecimento, cujos atributos foram constituídos dos coeficientes wavelets de aproximação, ou de detalhes, ou de ambos. Na combinação das Redes Neurais, em cada um dos seis nós de saída, aplicou-se a média entre as três saídas das redes individuais. A decisão final do classificador corresponde à saída combinada de maior valor. A técnica de combinação de modelos diferentes na classificação mostra excelentes resultados ao corrigir os casos mal classificados pelas redes individuais. O percentual de acerto da combinação da rede treinada com os coeficientes de detalhes com a aquela treinada com os coeficientes de aproximação para um conjunto de teste formado por 306 padrões foi de 99,3%, enquanto que na rede individual treinada com ambos coeficientes, esse índice foi de 96,4%. Estes resultados demonstram a superioridade do Sistema de Classificação baseado na combinação de redes com arquiteturas diferentes |
id |
UFPE_a74b5b21b81383c85222e2708114b979 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/5057 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
LIRA, Milde Maria da SilvaCARVALHO JÚNIOR, Manoel Afonso de2014-06-12T17:35:41Z2014-06-12T17:35:41Z2004Maria da Silva Lira, Milde; Afonso de Carvalho Júnior, Manoel. Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais. 2004. Tese (Doutorado). Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Pernambuco, Recife, 2004.https://repositorio.ufpe.br/handle/123456789/5057Neste trabalho, são desenvolvidos novos tipos de Wavelets para análise de sinais, um Algoritmo de Compactação e um Sistema de Classificação de sinais de tensões com distúrbio. A compactação do sinal é realizada eliminando-se os coeficientes wavelets cujos módulos estão abaixo de um determinado limiar de corte. Os resultados para sinais reais obtidos em registradores digitais forneceram altas taxas de compactação, tipicamente em torno de 82%, demonstrando a potencialidade deste método. Na classificação, o sinal de tensão é pré-processado via Wavelets e em seguida submetido a uma redução dimensional por meio da ferramenta estatística, Análises de Componentes Principais, e finalmente é submetido à Rede Neural tipo Multilayer Perceptrons - MLP, que indicará o tipo de distúrbio presente no sinal. Cada rede implementada foi treinada com uma base de conhecimento, cujos atributos foram constituídos dos coeficientes wavelets de aproximação, ou de detalhes, ou de ambos. Na combinação das Redes Neurais, em cada um dos seis nós de saída, aplicou-se a média entre as três saídas das redes individuais. A decisão final do classificador corresponde à saída combinada de maior valor. A técnica de combinação de modelos diferentes na classificação mostra excelentes resultados ao corrigir os casos mal classificados pelas redes individuais. O percentual de acerto da combinação da rede treinada com os coeficientes de detalhes com a aquela treinada com os coeficientes de aproximação para um conjunto de teste formado por 306 padrões foi de 99,3%, enquanto que na rede individual treinada com ambos coeficientes, esse índice foi de 96,4%. Estes resultados demonstram a superioridade do Sistema de Classificação baseado na combinação de redes com arquiteturas diferentesporUniversidade Federal de PernambucoAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessTransformadas WaveletsAnálise de Componentes PrincipaisRedes Neurais ArtificiaisClassificaçãoCompactaçãoSinais de DistúrbiosCombinação de ModelosWavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETHUMBNAILarquivo6994_1.pdf.jpgarquivo6994_1.pdf.jpgGenerated Thumbnailimage/jpeg1500https://repositorio.ufpe.br/bitstream/123456789/5057/4/arquivo6994_1.pdf.jpge0b2e5f82dbfc7026b3434b44a3b5927MD54ORIGINALarquivo6994_1.pdfapplication/pdf1435653https://repositorio.ufpe.br/bitstream/123456789/5057/1/arquivo6994_1.pdf4e1bdb7a745c9aaae76de273132b51f9MD51LICENSElicense.txttext/plain1748https://repositorio.ufpe.br/bitstream/123456789/5057/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52TEXTarquivo6994_1.pdf.txtarquivo6994_1.pdf.txtExtracted texttext/plain226390https://repositorio.ufpe.br/bitstream/123456789/5057/3/arquivo6994_1.pdf.txt78b325f5ffee821030266c2d43009b9eMD53123456789/50572019-10-25 14:03:12.749oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-25T17:03:12Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais |
title |
Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais |
spellingShingle |
Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais LIRA, Milde Maria da Silva Transformadas Wavelets Análise de Componentes Principais Redes Neurais Artificiais Classificação Compactação Sinais de Distúrbios Combinação de Modelos |
title_short |
Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais |
title_full |
Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais |
title_fullStr |
Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais |
title_full_unstemmed |
Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais |
title_sort |
Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais |
author |
LIRA, Milde Maria da Silva |
author_facet |
LIRA, Milde Maria da Silva |
author_role |
author |
dc.contributor.author.fl_str_mv |
LIRA, Milde Maria da Silva |
dc.contributor.advisor1.fl_str_mv |
CARVALHO JÚNIOR, Manoel Afonso de |
contributor_str_mv |
CARVALHO JÚNIOR, Manoel Afonso de |
dc.subject.por.fl_str_mv |
Transformadas Wavelets Análise de Componentes Principais Redes Neurais Artificiais Classificação Compactação Sinais de Distúrbios Combinação de Modelos |
topic |
Transformadas Wavelets Análise de Componentes Principais Redes Neurais Artificiais Classificação Compactação Sinais de Distúrbios Combinação de Modelos |
description |
Neste trabalho, são desenvolvidos novos tipos de Wavelets para análise de sinais, um Algoritmo de Compactação e um Sistema de Classificação de sinais de tensões com distúrbio. A compactação do sinal é realizada eliminando-se os coeficientes wavelets cujos módulos estão abaixo de um determinado limiar de corte. Os resultados para sinais reais obtidos em registradores digitais forneceram altas taxas de compactação, tipicamente em torno de 82%, demonstrando a potencialidade deste método. Na classificação, o sinal de tensão é pré-processado via Wavelets e em seguida submetido a uma redução dimensional por meio da ferramenta estatística, Análises de Componentes Principais, e finalmente é submetido à Rede Neural tipo Multilayer Perceptrons - MLP, que indicará o tipo de distúrbio presente no sinal. Cada rede implementada foi treinada com uma base de conhecimento, cujos atributos foram constituídos dos coeficientes wavelets de aproximação, ou de detalhes, ou de ambos. Na combinação das Redes Neurais, em cada um dos seis nós de saída, aplicou-se a média entre as três saídas das redes individuais. A decisão final do classificador corresponde à saída combinada de maior valor. A técnica de combinação de modelos diferentes na classificação mostra excelentes resultados ao corrigir os casos mal classificados pelas redes individuais. O percentual de acerto da combinação da rede treinada com os coeficientes de detalhes com a aquela treinada com os coeficientes de aproximação para um conjunto de teste formado por 306 padrões foi de 99,3%, enquanto que na rede individual treinada com ambos coeficientes, esse índice foi de 96,4%. Estes resultados demonstram a superioridade do Sistema de Classificação baseado na combinação de redes com arquiteturas diferentes |
publishDate |
2004 |
dc.date.issued.fl_str_mv |
2004 |
dc.date.accessioned.fl_str_mv |
2014-06-12T17:35:41Z |
dc.date.available.fl_str_mv |
2014-06-12T17:35:41Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
Maria da Silva Lira, Milde; Afonso de Carvalho Júnior, Manoel. Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais. 2004. Tese (Doutorado). Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Pernambuco, Recife, 2004. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/5057 |
identifier_str_mv |
Maria da Silva Lira, Milde; Afonso de Carvalho Júnior, Manoel. Wavelets na compactação e processamento de sinais de distúrbios em sistemas de potência para classificação via redes neurais artificiais. 2004. Tese (Doutorado). Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Pernambuco, Recife, 2004. |
url |
https://repositorio.ufpe.br/handle/123456789/5057 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/5057/4/arquivo6994_1.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/5057/1/arquivo6994_1.pdf https://repositorio.ufpe.br/bitstream/123456789/5057/2/license.txt https://repositorio.ufpe.br/bitstream/123456789/5057/3/arquivo6994_1.pdf.txt |
bitstream.checksum.fl_str_mv |
e0b2e5f82dbfc7026b3434b44a3b5927 4e1bdb7a745c9aaae76de273132b51f9 8a4605be74aa9ea9d79846c1fba20a33 78b325f5ffee821030266c2d43009b9e |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310598690603008 |