Redes neurais aplicadas à previsão de manchas solares
Autor(a) principal: | |
---|---|
Data de Publicação: | 2001 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRJ |
Texto Completo: | http://hdl.handle.net/11422/18964 |
Resumo: | Este projeto final de curso faz um estudo introdutório sobre Redes Neurais Artificiais (RNA) como uma ferramenta de previsão de séries temporais aplicada a Astronomia, onde se analisa o estudo da série temporal Números de Manchas Solares. O trabalho é dividido em seis capítulos principais: o capítulo um introduz e dá uma ideia geral do trabalho, o capítulo dois analisa conceitualmente as redes neurais, o capítulo três analisa os fundamentos básicos sobre séries temporais, o capítulo quatro estuda a atividade solar, e os dois capítulos seguintes, cinco e seis, desenvolvem os procedimentos práticos estatísticos e sobre redes neurais artificiais. No estudo sobre RNA analisa-se as partes mais importantes, tais como: função de ativação, arquitetura, treinamento, etc. Para o treinamento das redes optou-se pelo modelo de retropropagação do erro, pois demonstrou resultados satisfatórios. Para o estudo de séries temporais faz-se um levantamento preliminar sobre a suas componentes principais, os modelos de previsão e alguns conceitos básicos. Em relação a atividade solar estuda-se as características básicas do Sol e Manchas Solares. Para os procedimentos práticos estatísticos e sobre redes neurais artificiais estuda-se passo a passo todas as etapas estatísticas e retira-se todas as informações lineares da série para deixar a série residual adequada para o treinamento da rede. Para os procedimentos práticos sobre RNA analisa-se os grupos de treinamento, validação e teste, a função erro — RMS (Root Mean Square) e MSE (Mean Square Error) e determina - se o número ótimo de neurônios na camada intermediária. Para a avaliação de desempenho da rede foram utilizados os métodos do cálculo da potência e do erro RMS. |
id |
UFRJ_59918615a9da68f9e5279e5ab1cdd21e |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/18964 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Almeida, Marco Antônio Ribeiro dehttp://lattes.cnpq.br/3238659802153968http://lattes.cnpq.br/8571850806775126Gonzalez, Encarnación Amélia Martinezhttp://lattes.cnpq.br/7647690648114159Rabaça, Carlos Robertohttp://lattes.cnpq.br/6675453037966106Calôba, Luiz Pereira2022-10-25T21:00:21Z2023-11-30T03:05:17Z2001-10-18ALMEIDA, Marco Antônio Ribeiro de. Redes neurais aplicadas à previsão de manchas solares. 2001. 65 f. Trabalho de conclusão de curso (Bacharelado em Astronomia) - Observatório do Valongo, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2001.http://hdl.handle.net/11422/18964Submitted by Willians Roberto (willians@ov.ufrj.br) on 2022-09-29T19:06:16Z No. of bitstreams: 1 MARAlmeida.pdf: 8600949 bytes, checksum: 8a16844e1fbe6d9caaff183e97d7fa3f (MD5)Approved for entry into archive by Regina Moura (regina@ov.ufrj.br) on 2022-10-25T21:00:21Z (GMT) No. of bitstreams: 1 MARAlmeida.pdf: 8600949 bytes, checksum: 8a16844e1fbe6d9caaff183e97d7fa3f (MD5)Made available in DSpace on 2022-10-25T21:00:21Z (GMT). No. of bitstreams: 1 MARAlmeida.pdf: 8600949 bytes, checksum: 8a16844e1fbe6d9caaff183e97d7fa3f (MD5) Previous issue date: 2001-10-18Este projeto final de curso faz um estudo introdutório sobre Redes Neurais Artificiais (RNA) como uma ferramenta de previsão de séries temporais aplicada a Astronomia, onde se analisa o estudo da série temporal Números de Manchas Solares. O trabalho é dividido em seis capítulos principais: o capítulo um introduz e dá uma ideia geral do trabalho, o capítulo dois analisa conceitualmente as redes neurais, o capítulo três analisa os fundamentos básicos sobre séries temporais, o capítulo quatro estuda a atividade solar, e os dois capítulos seguintes, cinco e seis, desenvolvem os procedimentos práticos estatísticos e sobre redes neurais artificiais. No estudo sobre RNA analisa-se as partes mais importantes, tais como: função de ativação, arquitetura, treinamento, etc. Para o treinamento das redes optou-se pelo modelo de retropropagação do erro, pois demonstrou resultados satisfatórios. Para o estudo de séries temporais faz-se um levantamento preliminar sobre a suas componentes principais, os modelos de previsão e alguns conceitos básicos. Em relação a atividade solar estuda-se as características básicas do Sol e Manchas Solares. Para os procedimentos práticos estatísticos e sobre redes neurais artificiais estuda-se passo a passo todas as etapas estatísticas e retira-se todas as informações lineares da série para deixar a série residual adequada para o treinamento da rede. Para os procedimentos práticos sobre RNA analisa-se os grupos de treinamento, validação e teste, a função erro — RMS (Root Mean Square) e MSE (Mean Square Error) e determina - se o número ótimo de neurônios na camada intermediária. Para a avaliação de desempenho da rede foram utilizados os métodos do cálculo da potência e do erro RMS.porUniversidade Federal do Rio de JaneiroUFRJBrasilObservatório do ValongoCNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIASéries temporaisRedes neurais artificiaisManchas solaresTime seriesArtificial neural networksSunspotsRedes neurais aplicadas à previsão de manchas solaresinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJLICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/18964/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD52ORIGINALMARAlmeida.pdfMARAlmeida.pdfapplication/pdf8600949http://pantheon.ufrj.br:80/bitstream/11422/18964/1/MARAlmeida.pdf8a16844e1fbe6d9caaff183e97d7fa3fMD5111422/189642023-11-30 00:05:17.891oai:pantheon.ufrj.br:11422/18964TElDRU7Dh0EgTsODTy1FWENMVVNJVkEgREUgRElTVFJJQlVJw4fDg08KCkFvIGFzc2luYXIgZSBlbnRyZWdhciBlc3RhIGxpY2Vuw6dhLCB2b2PDqihzKSBvKHMpIGF1dG9yKGVzKSBvdSBwcm9wcmlldMOhcmlvKHMpIGRvcyBkaXJlaXRvcyBhdXRvcmFpcyBjb25jZWRlKG0pIGFvIFJlcG9zaXTDs3JpbyBQYW50aGVvbiBkYSBVbml2ZXJzaWRhZGUgRmVkZXJhbCBkbyBSaW8gZGUgSmFuZWlybyAoVUZSSikgbyBkaXJlaXRvIG7Do28gLSBleGNsdXNpdm8gZGUgcmVwcm9kdXppciwgY29udmVydGVyIChjb21vIGRlZmluaWRvIGFiYWl4byksIGUvb3UgZGlzdHJpYnVpciBvIGRvY3VtZW50byBlbnRyZWd1ZSAoaW5jbHVpbmRvIG8gcmVzdW1vKSBlbSB0b2RvIG8gbXVuZG8sIGVtIGZvcm1hdG8gZWxldHLDtG5pY28gZSBlbSBxdWFscXVlciBtZWlvLCBpbmNsdWluZG8sIG1hcyBuw6NvIGxpbWl0YWRvIGEgw6F1ZGlvIGUvb3UgdsOtZGVvLgoKVm9jw6ogY29uY29yZGEgcXVlIGEgVUZSSiBwb2RlLCBzZW0gYWx0ZXJhciBvIGNvbnRlw7pkbywgdHJhZHV6aXIgYSBhcHJlc2VudGHDp8OjbyBkZSBxdWFscXVlciBtZWlvIG91IGZvcm1hdG8gY29tIGEgZmluYWxpZGFkZSBkZSBwcmVzZXJ2YcOnw6NvLgoKVm9jw6ogdGFtYsOpbSBjb25jb3JkYSBxdWUgYSBVRlJKIHBvZGUgbWFudGVyIG1haXMgZGUgdW1hIGPDs3BpYSBkZXNzYSBzdWJtaXNzw6NvIHBhcmEgZmlucyBkZSBzZWd1cmFuw6dhLCBiYWNrLXVwIGUgcHJlc2VydmHDp8OjbyBkaWdpdGFsLgoKRGVjbGFyYSBxdWUgbyBkb2N1bWVudG8gZW50cmVndWUgw6kgc2V1IHRyYWJhbGhvIG9yaWdpbmFsLCBlIHF1ZSB2b2PDqiB0ZW0gbyBkaXJlaXRvIGRlIGNvbmNlZGVyIG9zIGRpcmVpdG9zIGNvbnRpZG9zIG5lc3RhIGxpY2Vuw6dhLiBWb2PDqiB0YW1iw6ltIGRlY2xhcmEgcXVlIGEgc3VhIGFwcmVzZW50YcOnw6NvLCBjb20gbyBtZWxob3IgZGUgc2V1cyBjb25oZWNpbWVudG9zLCBuw6NvIGluZnJpbmdpIGRpcmVpdG9zIGF1dG9yYWlzIGRlIHRlcmNlaXJvcy4KClNlIG8gZG9jdW1lbnRvIGVudHJlZ3VlIGNvbnTDqW0gbWF0ZXJpYWwgZG8gcXVhbCB2b2PDqiBuw6NvIHRlbSBkaXJlaXRvcyBkZSBhdXRvciwgZGVjbGFyYSBxdWUgb2J0ZXZlIGEgcGVybWlzc8OjbyBpcnJlc3RyaXRhIGRvIGRldGVudG9yIGRvcyBkaXJlaXRvcyBhdXRvcmFpcyBlIGNvbmNlZGUgYSBVRlJKIG9zIGRpcmVpdG9zIHJlcXVlcmlkb3MgcG9yIGVzdGEgbGljZW7Dp2EsIGUgcXVlIGVzc2UgbWF0ZXJpYWwgZGUgcHJvcHJpZWRhZGUgZGUgdGVyY2Vpcm9zIGVzdMOhIGNsYXJhbWVudGUgaWRlbnRpZmljYWRvIGUgcmVjb25oZWNpZG8gbm8gdGV4dG8gb3UgY29udGXDumRvIGRhIHN1Ym1pc3PDo28uCgpTZSBvIGRvY3VtZW50byBlbnRyZWd1ZSDDqSBiYXNlYWRvIGVtIHRyYWJhbGhvIHF1ZSBmb2ksIG91IHRlbSBzaWRvIHBhdHJvY2luYWRvIG91IGFwb2lhZG8gcG9yIHVtYSBhZ8OqbmNpYSBvdSBvdXRybyhzKSBvcmdhbmlzbW8ocykgcXVlIG7Do28gYSBVRlJKLCB2b2PDqiBkZWNsYXJhIHF1ZSBjdW1wcml1IHF1YWxxdWVyIGRpcmVpdG8gZGUgUkVWSVPDg08gb3UgZGUgb3V0cmFzIG9icmlnYcOnw7VlcyByZXF1ZXJpZGFzIHBvciBjb250cmF0byBvdSBhY29yZG8uCgpBIFVGUkogaXLDoSBpZGVudGlmaWNhciBjbGFyYW1lbnRlIG8ocykgc2V1KHMpIG5vbWUocykgY29tbyBhdXRvcihlcykgb3UgcHJvcHJpZXTDoXJpbyhzKSBkYSBzdWJtaXNzw6NvLCBlIG7Do28gZmFyw6EgcXVhbHF1ZXIgYWx0ZXJhw6fDo28sIHBhcmEgYWzDqW0gZGFzIHBlcm1pdGlkYXMgcG9yIGVzdGEgbGljZW7Dp2EsIG5vIGF0byBkZSBzdWJtaXNzw6NvLgo=Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2023-11-30T03:05:17Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.pt_BR.fl_str_mv |
Redes neurais aplicadas à previsão de manchas solares |
title |
Redes neurais aplicadas à previsão de manchas solares |
spellingShingle |
Redes neurais aplicadas à previsão de manchas solares Almeida, Marco Antônio Ribeiro de CNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIA Séries temporais Redes neurais artificiais Manchas solares Time series Artificial neural networks Sunspots |
title_short |
Redes neurais aplicadas à previsão de manchas solares |
title_full |
Redes neurais aplicadas à previsão de manchas solares |
title_fullStr |
Redes neurais aplicadas à previsão de manchas solares |
title_full_unstemmed |
Redes neurais aplicadas à previsão de manchas solares |
title_sort |
Redes neurais aplicadas à previsão de manchas solares |
author |
Almeida, Marco Antônio Ribeiro de |
author_facet |
Almeida, Marco Antônio Ribeiro de |
author_role |
author |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3238659802153968 |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/8571850806775126 |
dc.contributor.author.fl_str_mv |
Almeida, Marco Antônio Ribeiro de |
dc.contributor.referee1.fl_str_mv |
Gonzalez, Encarnación Amélia Martinez |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/7647690648114159 |
dc.contributor.referee2.fl_str_mv |
Rabaça, Carlos Roberto |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/6675453037966106 |
dc.contributor.advisor1.fl_str_mv |
Calôba, Luiz Pereira |
contributor_str_mv |
Gonzalez, Encarnación Amélia Martinez Rabaça, Carlos Roberto Calôba, Luiz Pereira |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIA |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIA Séries temporais Redes neurais artificiais Manchas solares Time series Artificial neural networks Sunspots |
dc.subject.por.fl_str_mv |
Séries temporais Redes neurais artificiais Manchas solares Time series Artificial neural networks Sunspots |
description |
Este projeto final de curso faz um estudo introdutório sobre Redes Neurais Artificiais (RNA) como uma ferramenta de previsão de séries temporais aplicada a Astronomia, onde se analisa o estudo da série temporal Números de Manchas Solares. O trabalho é dividido em seis capítulos principais: o capítulo um introduz e dá uma ideia geral do trabalho, o capítulo dois analisa conceitualmente as redes neurais, o capítulo três analisa os fundamentos básicos sobre séries temporais, o capítulo quatro estuda a atividade solar, e os dois capítulos seguintes, cinco e seis, desenvolvem os procedimentos práticos estatísticos e sobre redes neurais artificiais. No estudo sobre RNA analisa-se as partes mais importantes, tais como: função de ativação, arquitetura, treinamento, etc. Para o treinamento das redes optou-se pelo modelo de retropropagação do erro, pois demonstrou resultados satisfatórios. Para o estudo de séries temporais faz-se um levantamento preliminar sobre a suas componentes principais, os modelos de previsão e alguns conceitos básicos. Em relação a atividade solar estuda-se as características básicas do Sol e Manchas Solares. Para os procedimentos práticos estatísticos e sobre redes neurais artificiais estuda-se passo a passo todas as etapas estatísticas e retira-se todas as informações lineares da série para deixar a série residual adequada para o treinamento da rede. Para os procedimentos práticos sobre RNA analisa-se os grupos de treinamento, validação e teste, a função erro — RMS (Root Mean Square) e MSE (Mean Square Error) e determina - se o número ótimo de neurônios na camada intermediária. Para a avaliação de desempenho da rede foram utilizados os métodos do cálculo da potência e do erro RMS. |
publishDate |
2001 |
dc.date.issued.fl_str_mv |
2001-10-18 |
dc.date.accessioned.fl_str_mv |
2022-10-25T21:00:21Z |
dc.date.available.fl_str_mv |
2023-11-30T03:05:17Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
ALMEIDA, Marco Antônio Ribeiro de. Redes neurais aplicadas à previsão de manchas solares. 2001. 65 f. Trabalho de conclusão de curso (Bacharelado em Astronomia) - Observatório do Valongo, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2001. |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11422/18964 |
identifier_str_mv |
ALMEIDA, Marco Antônio Ribeiro de. Redes neurais aplicadas à previsão de manchas solares. 2001. 65 f. Trabalho de conclusão de curso (Bacharelado em Astronomia) - Observatório do Valongo, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2001. |
url |
http://hdl.handle.net/11422/18964 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Observatório do Valongo |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/18964/2/license.txt http://pantheon.ufrj.br:80/bitstream/11422/18964/1/MARAlmeida.pdf |
bitstream.checksum.fl_str_mv |
dd32849f2bfb22da963c3aac6e26e255 8a16844e1fbe6d9caaff183e97d7fa3f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1784097266207817728 |