Modelos Markovianos para sistemas dinâmicos empregando aprendizado de máquina e teoria de autômatos

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: SANTOS, Higor Ítalo dos
Orientador(a): CHAVES, Daniel Pedro Bezerra
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
Programa de Pós-Graduação: Programa de Pos Graduacao em Engenharia Eletrica
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Link de acesso: https://repositorio.ufpe.br/handle/123456789/42448
Resumo: Uma abordagem difundida para a análise e modelagem de sistemas dinâmicos parte de um processo de discretização seguido por uma quantização do sinal, gerando uma série temporal discreta. Entre as vantagens propiciadas por esse método estão a redução na complexidade computacional no processamento do sinal e maior imunidade ao ruído. A dinâmica discreta da série resultante pode ser representada através de um Autômato Probabilístico de Estados Finitos (PFSA, Probabilistic Finite State Automata), comumente empregado em algoritmos de controle e técnicas de detecção de falha. Este trabalho apresenta um novo algoritmo para determinar um PFSA associado a um sistema dinâmico a partir de uma realização suficientemente longa da dinâmica. Por meio da análise da sequência discreta gerada, empregam-se métodos estatísticos, aprendizado de máquina e minimização de grafos para obter modelos PFSA compactos e fidedignos à dinâmica discreta oriunda do sistema de origem. Por fim, o método proposto é aplicado a sistemas dinâmicos com características distintas, demonstrando-se sua capacidade de gerar modelos com número reduzido de estados sem degradação de sua qualidade.