Aplicação de evolução estrutural e paramétrica de redes neurais dinâmicas na melhoria de desempenho de métodos de assimilação de dados
Resumen
O uso de modelos de previsão numéricos são essenciais para a sociedade moderna. A assimilação de dados é uma técnica que tem por objetivo aumentar a eficiência de previsão destes modelos, combinando dados de modelo com dados oriundos de observações, obtendo um estado que mais se aproxima do real estado da natureza. Combinar estas duas fontes de informação, dados observacionais e de modelo, tem se mostrado um desafio, mesmo para supercomputadores presentes neste tipo de aplicação. Assim, redes neurais vêm sendo propostas como uma alternativa, objetivando uma assimilação de alta qualidade a um menor custo computacional. Esse trabalho propõe investigar o modelo neuroevolucionista NEAT em assimilação de dados. NEAT é capaz de adaptar, usando princípios de computação evolutiva, os pesos das conexões, bem como a topologia da rede neural buscando uma topologia mínima e obtendo melhor desempenho. Dessa forma, foi desenvolvido um software para testes que possibilitou a avaliação da abordagem proposta. Através do experimento no Atractor de Lorenz verificou-se que o modelo NEAT foi capaz de emular a tarefa de assimilação de dados com um menor erro quando comparado com a rede neural treinada por backpropagation e a partir do experimento com o modelo de Água Rasa observou-se que o modelo NEAT sempre obtém uma topologia com um numero significativo menor operações e com estados suficientemente grandes também opera a um menor custo computacional.
Colecciones
El ítem tiene asociados los siguientes ficheros de licencia: