Critério de correntropia no treinamento de redes fuzzy wavelet neural networks para identificação de sistemas dinâmicos não lineares

• Autor(a) principal: Linhares, Leandro Luttiane da Silva
• Data de Publicação: 2015
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/jspui/handle/123456789/20677
• topic: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA E DE COMPUTAÇÃO; Correntropia; Fuzzy Wavelet Neural Network; Identificação de sistemas dinâmicos; Outliers; Algoritmo da retropropagação do erro

O grande interesse pela identificação não linear de sistemas dinâmicos deve-se, principalmente, ao fato de que uma grande quantidade dos sistemas reais são complexos e precisam ter suas não linearidades consideradas para que seus modelos possam ser utilizados com sucesso em aplicações, por exemplo, de controle, predição, inferência, entre outros. O presente trabalho analisa a aplicação das redes Fuzzy Wavelet Neural Network (FWNN) na identificação de sistemas não lineares sujeitos a ruídos e outliers. Esses elementos, geralmente, influenciam no procedimento de identificação, ocasionando interpretações errôneas em relação ao comportamento dinâmico do sistema. A FWNN combina, em uma única estrutura, a capacidade de tratar incertezas da lógica fuzzy, as características de multirresolução da teoria wavelet e as habilidades de aprendizado e generalização das redes neurais artificiais. Normalmente, o aprendizado dessas redes é realizado por algum método baseado em gradiente, tendo o erro médio quadrático como função de custo. Este trabalho avalia a substituição dessa tradicional função por uma medida de similaridade da Teoria da Informação, denominada correntropia. Esta medida de similaridade permite que momentos estatísticos de ordem superior possam ser considerados durante o processo de treinamento. Por esta razão, ela se torna mais apropriada para distribuições de erro não gaussianas e faz com que o treinamento apresente menor sensibilidade à presença de outliers. Para avaliar esta substituição, modelos FWNN são obtidos na identificação de dois estudos de caso: um sistema real não linear, consistindo em um tanque de múltiplas seções, e um sistema simulado baseado em um modelo biomecânico da articulação do joelho humano. Os resultados obtidos demonstram que a utilização da correntropia, como função custo no algoritmo de retropropagação do erro, torna o procedimento de identificação utilizando redes FWNN mais robusto aos outliers. Entretanto, isto somente pode ser alcançado a partir do ajuste adequado da largura do kernel gaussiano da correntropia.