Identificação de sistemas não lineares utilizando aprendizagem profunda e modelagem orientada a blocos.

• Ano de defesa: 2022
• Autor(a) principal: SILVA, Matheus Ferreira da.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA; UFCG
• Palavras-chave em Português: Identificação de sistemas; Aprendizagem profunda; Modelos de Hammerstein; Modelos de Wiener; System identification; Deep learning; Hammerstein models; Wiener models; Identificación de sistemas; Aprendizaje profundo; Modelos de salchicha; Identification des systèmes; L'apprentissage en profondeur; Modèles Hammerstein; Modèles Wiener; Engenharia Elétrica
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/26535

Nesta dissertação de mestrado são exploradas conexões entre as áreas de identificação de sistemas e aprendizagem profunda. Neste contexto, é proposto um método de identificação de sistemas não lineares baseado em redes neurais profundas e em modelos não lineares orientados a blocos. A abordagem proposta é formulada a partir da separação das partes linear e não linear de modelos de Hammerstein e Wiener. Nesse sentido, é utilizada uma estrutura de rede neural que reflete essa estratégia de separação e o procedimento de identificação é realizado a partir do treinamento da rede neural profunda com dados de entrada e saída dos sistemas de interesse. Para testar o método proposto foram simulados seis diferentes sistemas de Hammerstein e seis sistemas de Wiener de diferentes complexidades a fim de gerar dados de entrada e saída de cada um dos casos. Como referência foi adotado outro método de identificação que, embora também seja baseado na separação das partes linear e não linear de modelos orientados a blocos, emprega funções de base ortonormais e radiais para a tarefa de identificação. A comparação dos resultados obtidos revela que o método proposto, de maneira geral, fornece modelos mais precisos.