COMPARAES ENTRE REDES NEURAIS ARTIFICIAIS E REDES NEUROFUZZY NA MODELAGEM CHUVA-VAZO MENSAL Apresentado por: Andrs A.

Ziga ESPOL Miriam Rita Moro Mine UFPR Fernando Weigert Machado UFPR

Objetivo.
O objetivo deste trabalho realizar comparaes entre metodologias de Redes Neurais Artificiais RNAs e Redes Neurais Nebulosas na modelagem do processo chuva-vazo em base mensal. Sero comparadas a Rede Neural MLP (Multilayer Perceptron) e a Rede Neural Nebulosa ANFIS (Adaptive Network-based Fuzzy Inference System), na modelagem chuva-vazo para bacia hidrogrfica do rio Jaganda, que j foi estudada na Dissertao de Mestrado do Eng. Fernando Weigert Machado da UFPR. Segundo os resultados do trabalho de Machado [1], quando a Rede MLP foi comparada com o modelo IPHMEN, a MLP apresentou melhor desempenho, obtendo maiores coeficientes de correlao e menores erros. Alguns trabalhos tm apresentado comparaes entre Redes Neurais e Redes Neurais Nebulosas, como foi o trabalho de Ballini et al. [2], onde feita uma previso de vazes medias mensais utilizando modelos de series temporais autoregresivas peridicas, redes MLP e redes neurais nebulosas. Segundo os resultados desse trabalho, os modelos de redes neurais nebulosas apresentaram menores erros de previso, especialmente quando se fazem previses vrios passos frente. Em [7], utilizou-se a rede ANFIS para previso de vazes medias mensais da bacia do rio Paute no Equador, sendo que o ANFIS apresentou melhores resultados do que um modelo de series temporal autoregresiva.

Resultados obtidos em previso de series temporais e outras aplicaes do ANFIS fazem pensar na hiptese de que o ANFIS pode obter melhores resultados na modelagem chuva-vazo do que os modelos de Redes Neurais Artificiais.

Metodologia de trabalho.
Para o desenvolvimento do projeto vai ser usado o modelo de Rede Adaptativa baseada em Sistemas de Inferncia Nebulosos ANFIS. O modelo ANFIS foi proposto por Jyh-Shing Roger Jang [3,4], e consiste de uma rede adaptvel (rede com mecanismo de ajuste automtico dos parmetros) que funcionalmente equivalente ao mecanismo de inferncia nebuloso do tipo Takagi-Sugeno T-S (sada do sistema de inferncia igual a uma funo das variveis de sada da inferncia). O sistema de inferncia nebuloso T-S representa lingisticamente as caractersticas das variveis que compem o sistema modelado, e atravs de regras de inferncia do tipo se x ento y, onde as variveis de entrada x so representadas por conjuntos difusos e a sada do sistema de inferncia uma funo das variveis de entrada, visa aprender o comportamento do sistema, produzindo um mapeamento no linear entre as variveis de entrada e sada da rede. O aprendizado da rede ANFIS considera uma regra de aprendizado hbrida que combina o mtodo de gradiente descendente (SD) e o mtodo de mnimos quadrados (LSE) para atualizar os parmetros das funes de pertinncia que representam cada entrada. Uma poca de treinamento do ANFIS esta composta por dois passos: um passo forward e um passo backward. No passo forward, os parmetros das funes de pertinncia so inicializados e um vetor de entrada-sada apresentado, calculam-se as sadas do n para cada camada da rede, ento os parmetros so calculados usando o mtodo de mnimos quadrados. Depois de identificar os parmetros , o erro calculado como a diferena entre a sada da rede e a sada desejada apresentada nos pares de treinamento. No passo backward, os sinais do erro so propagados desde a sada na direo das entradas; o vetor gradiente acumulado para cada dado de treinamento. No final do passo backward para todos os dados de treinamento, os parmetros das funes de pertinncia so atualizados pelo mtodo descendente considerando uma taxa de aprendizagem varivel que se ajusta automticamente. O modelo ANFIS tem sido utilizado com sucesso em problemas de identificao de sistemas, controle e previso de series temporais [5,6].

Estratgia para determinao da melhor configurao do ANFIS O modelo ANFIS utiliza funes de pertinncia para representar as variveis de entrada na rede; cada entrada pode ser representada por vrias funes de pertinncia e o tipo de funo pode mudar para cada entrada. Segundo Jang [4], pode-se usar uma regra heurstica que faa as combinaes entre diferente quantidade de funes de pertinncia nMF e tipos de funes de pertinncia tMF, treinando a rede com poucas pocas e selecionando as melhores configuraes para um treinamento completo; esse procedimento j foi utilizado por Ziga para previso de vazes medias mensais [7]. Para treinar as redes ANFIS, sero utilizadas as configuraes entrada sada definidas em [1]. Todas as simulaes sero feitas no programa Matlab, utilizando o modelo ANFIS contido na Fuzzy Logic Toolbox.

Atividades e cronograma
As atividades planejadas para o projeto e o cronograma apresentam-se na tabela 1:
No. 1 2 3 4 5 Atividade Reviso do modelo chuva-vazo desenvolvido na Dissertao de Mestrado do Fernando Machado Preparao das informaes a ser utilizada no modelo ANFIS Treinamento dos modelos ANFIS Testes finais, anlise de resutados e comparao com as redes MLP e o IPHMEN Elaborao do relatrio final e redao de publicaes. Ms 1 Ms 2 Ms 3 Ms 4

Tabela 1. Cronograma de atividades.

Requerimentos do projeto.
As atividades deste projeto no consideram financiamento para sua execuo, porm os autores solicitam o apoio da ESPOL e a UFPR nos seguintes pontos:

Aval acadmico formal para o desenvolvimento do projeto. Apoio para publicar os resultados do trabalho.

Referencias bibliogrficas. [1] [2]

Machado, F. W., Modelagem chuva-vazo mensal utilizando redes neurais artificiais, Dissertao de Mestrado, Universidade Federal do Paran, 2005. Ballini, R., Soares, S., Gomes de Andrade, M., Redes Neurais Nebulosas para Previso de vazes mdias mensais, XVI Seminrio Nacional de Produo e Transmisso de Energia Eltrica, Campinas, SP, Brasil, outubro de 2001. Jang, J-S. R., ANFIS: Adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man, and Cybernetics, No.23, pp. 665-685, 1993. Jang, J-S. R., Input Selection for ANFIS Learning, Proceedings of the IEEE International Conference on Fuzzy Systems, New Orleans, 1996. Jang, J-S. R., Neurofuzzy Modeling: Architecture, Analyses and Applications, Tese de Doutorado, University of California, Berkeley, CA, Estados Unidos, julio de 1992. Jang, J-S. R., Sun, C-T., Neurofuzzy Modeling and Control, Proceedings of the IEEE 83(3), pp. 378 406 , maio de 1995. Ziga, A., Jordn, C., Pronstico de caudales medios mensuales aplicando Sistemas Neurofuzzy, Revista Tecnolgica ESPOL, No. 18, Vol. 1, pp. 17 23, Outubro de 2005. Correa Pedrollo, O., Previso em Tempo Atual de Cheias com uso de Sistema Especialista Difuso, Tese de Doutorado, Universidade Federal do Rio Grande do Sul, Porto Alegre, RS, Brasil, dezembro de 2000. Maceira, M. E. P., Kelman, J., Damzio, J. M., Utilizao de modelos PAR para simulao e previso de sries hidrolgicas mensais, Anais do VII Simpsio Brasileiro de Hidrologia e Recursos Hdricos, pp. 511-521, Salvador da Bahia, BA, Brasil, novembro 1987. Neurais, XVI Seminrio Nacional de Produo e Transmisso de Energia Eltrica, Campinas, SP, Brasil, outubro de 2001.

[3] [4] [5]

[6] [7] [8]

[9]

[10] Valena, M., Ludermir, T. B., Guilhon, L. G., Previso de vazes de longo prazo utilizando Redes