Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE DISCIPLINA: REDES NEURAIS –DCA 0454 1ª LISTA DE EXERCÍCIO E TRABALHO - 2014.1 1-) A representação de uma determinada mensagem digital ternária, isto é formada por três bits, forma um cubo centrado na origem de um sistema de eixos ortogonais. Os cujos vér- tices do cubo correspondem à representações binárias do sinal formada por três bits. Su- pondo que ao transmitirmos esta mensagem a mesma seja contaminada por ruído formando em torno de cada vértice uma nuvem esférica de valores aleatórios.. Especifique e treine uma rede de perceptrons de Rosemblat para atuar como classificador/decodificador digital. Após treinada, avalie o desempenho da rede para classificar padrões ruidosos, calculando a taxa de erros em função da razão energia do sinal e densidade de potencia do ruído em dB, isto é, probabilidade de erro a medida que o ruído branco e aditivo diminui e com isto a razão energia do sinal e densidade de potencia do ruído aumenta . Observando que o au- mento no nível do ruído corresponde ao aumento do raio de cada esfera formada pelos pontos aleatórios. O desvio padrão do sinal de ruído corresponde ao raio de cada esfera. tendo como centros os vértices do cubo. 2-) Dada uma planta cuja função transferência é dada por 9.09.0 1)( 2 +− = zz zH , deter- mine o modelo inverso usando um filtro FIR (Finite Impulse Reponse) com oito atrasos e os ganhos determinados pelo algoritmo LMS. Considere que o sinal erro seja dado por )()4()( kykuk −−=ε onde )(ku é o sinal degrau aplicado na entrada e )(ky é à saída do filtro. 3-) Considere o problema de identificação de plantas desconhecidas utilizando o algoritmo LMS. A planta tem a seguinte função transferência no domínio da transformada Z, 26.36.2)( 12 +−= −− zzzH . A entrada da planta é um sinal aleatório gerado pela equação 50005.0.)1()( ≤≤−= kRANDOMkx , obtido através de um gerador de números alea- tórios. O sinal desejado consiste do sinal de saída da planta mais um ruído brando aditivo com média zero e variância igual a 0.0033. Considere o coeficiente de aprendizagem max2.0 ηη = . A função transferência do modelo linear é dada por 3)( 0 ==∑ = − LzwzH L l l lF . Utilizando o algoritmo LMS, determine os pesos e esboce a curva do erro médio quadrado (curva de aprendizado). Pesquise como são gerados números aleatórios 4-) Considere as funções apresentadas nos itens abaixo. Utilizando uma rede neural perce- tron de múltiplas camadas aproxime as referidas funções. Para tanto defina inicialmente o conjunto de treinamento, selecione um algoritmos de treinamento, treine para cada função a rede neural que aproxime a mesma, valide a redes treinada. Apresente nos resultados a curva da função aproximada pela rede e a curva exata. Apresente também acurva do erro em função do número de iteiraçõe. a) a função lógica 321321 ),,( xxxxxxf ⊕⊕= b) pipipipi pi pipi pi 4040/)()4(1 )2cos(/)()4(1 )2cos(),( 21222 2 2 112 2 1 21 ≤≤≤≤ − − = xxxxsen x x xxsen x x xxf c) 5.032)(2)( 2121212221 −+++−−= xxxxsenxxxxf pix , ,51 ≤x 52 ≤x 5-) Considere o problema de classificação de padrões constituído neste caso de oito pa- drões. A distribuição dos padrões forma um círculo centrado na origem de raio unitário e contido no círculo um losango também centrado na origem e com lados iguais a raiz de 2. Os dados das classe C1, C2, C3, C4 corresponde aos quatro setores do losango e as outras quatro classes correspondem aos setores delimitados pelo circulo e os lados do losango. Após gerar aleatoriamente dados que venham formar estas distribuições de dados, selecione um conjunto de treinamento e um conjunto de validação. Treine uma rede perceptron para classificar os padrões associados a cada uma das classes. Verifique o desempenho do classi- ficador usando o conjunto de validação e calculando a matriz de confusão. . 6-) Considere o problema de predição de uma série temporal definida como )2()1()()( −−+= nvnvnvnx β , com média zero e variância dada por 2222 vvx σβσσ += onde )(nv é um ruído branco gaussiano, como variância unitária e 5.0=β . Utilizando uma rede perceptrons de múltiplas camadas estime ))6(),5(),4(),3(),2(),1(()(ˆ −−−−−−= nxnxnxnxnxnxfnx usando como entradas os seis últimos valores da série. Com sugestão utilize uma rede com a seguinte a seguinte ar- quitetura 6:16:1 e o algoritmo backpropagation com 9.0,001.0 == αη , 1000 amostras por época e 100 épocas. Esboce a curva da série e curva de predição em função em função de n. Esboce também o erro de predição. Calcule a variância da predição e compare com a variância da série temporal. Repita este problema considerando o LMS. Trabalho: Considere os problemas relacionados abaixo. Fundamente o problema através de uma pesquisa bibliográfica e apresente uma solução dos mesmo usando redes neurais do tipo perceptron. Problema 1: Considere a planta de nível mostra na figura abaixo integrada a uma rede in- dustrial do tipo fondation fieldbus. Proceda a identificação da referida planta e utilizando outra rede neural detecte falhas a partir de um vetor de resíduos comparando a saída da planta como o modelo obtido. Problema 2: Considere o controle da planta Ball and Beam usando PID e o controle neural usando uma rede percetpron de múltiplas camadas. Análise com base nos resultados obtidos o desempenho dos controladores. Planta Ball and Beam A entrega e apresentação da lista e do trabalho corresponde a primeira avaliação, portanto a presença é obrigatória. A lista e o trabalho podem ser feitos em grupo de até três componentes. Na apresentação os componentes serão submetidos a questionamentos sobre a solução da lista e o desenvolvimento dos trabalhos. Data de entrega: 13/03/14
Compartilhar