dc.contributor.advisor | Vizzotto, Juliana Kaizer | |
dc.contributor.advisor | Petry, Adriano | |
dc.creator | Pereira, André Grahl | |
dc.date.accessioned | 2022-07-18T14:14:09Z | |
dc.date.available | 2022-07-18T14:14:09Z | |
dc.date.issued | 2011-12-16 | |
dc.date.submitted | 2011 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/25384 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa
Maria, Centro de Tecnologia, Curso de Ciência da Computação, RS, 2011. | por |
dc.description.abstract | The use of numerical prediction models are essential to modern society. Data assimilation is a technique that aims to increase the efficiency of prediction of these models by combining model data with data from observations, obtaining a state that is closer to the true state of nature. Combining these two sources of information, observational and model data, has been a challenge, even for supercomputers present in this type of application. Thus neural networks have been proposed as an alternative to perform the assimilation of high quality at a lower computational cost. This paper proposes to investigate the neuroevolucionist model NEAT in data assimilation. NEAT is able to adapt, using principles of evolutionary computation, the weights of the connections and the topology of the neural network in a search for a minimum topology and getting better performance. So, it was developed a software that enabled the test and evaluation of the proposed approach. Through the experiment on the Lorenz Attractor was found that the model NEAT was able to emulate the task of data assimilation with a smaller error when compared with the neural network trained by backpropagation from the experiment on the Shallow Water model was observed that NEAT model always gets a topology with significantly fewer operations and states with large enough also operates at a lower computational cost. | eng |
dc.language | por | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Neat | eng |
dc.subject | Redes neurais | por |
dc.subject | Assimilação de dados | por |
dc.title | Aplicação de evolução estrutural e paramétrica de redes neurais dinâmicas na melhoria de desempenho de métodos de assimilação de dados | por |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.description.resumo | 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. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.publisher.unidade | Centro de Tecnologia | por |