Académique Documents
Professionnel Documents
Culture Documents
DE DADOS DE PADROES
MINERAC
AO
CLIMATICOS
INPE
Sao Jose dos Campos
2009
PUBLICADO POR:
Instituto Nacional de Pesquisas Espaciais - INPE
Gabinete do Diretor (GB)
Servico de Informacao e Documentacao (SID)
Caixa Postal 515 - CEP 12.245-970
Sao Jose dos Campos - SP - Brasil
Tel.:(012) 3945-6911/6923
Fax: (012) 3945-6919
E-mail: pubtc@sid.inpe.br
CONSELHO DE EDITORAC
AO:
Presidente:
Dr. Gerald Jean Francis Banon - Coordenacao Observacao da Terra (OBT)
Membros:
Dra Maria do Carmo de Andrade Nono - Conselho de Pos-Graduacao
Dr. Haroldo Fraga de Campos Velho - Centro de Tecnologias Especiais (CTE)
Dra Inez Staciarini Batista - Coordenacao Ciencias Espaciais e Atmosfericas (CEA)
Marciana Leite Ribeiro - Servico de Informacao e Documentacao (SID)
Dr. Ralf Gielow - Centro de Previsao de Tempo e Estudos Climaticos (CPT)
Dr. Wilson Yamaguti - Coordenacao Engenharia e Tecnologia Espacial (ETE)
BIBLIOTECA DIGITAL:
Dr. Gerald Jean Francis Banon - Coordenacao de Observacao da Terra (OBT)
Marciana Leite Ribeiro - Servico de Informacao e Documentacao (SID)
Jefferson Andrade Ancelmo - Servico de Informacao e Documentacao (SID)
Simone A. Del-Ducca Barbedo - Servico de Informacao e Documentacao (SID)
E NORMALIZAC
DOCUMENTARIA:
REVISAO
AO
Marciana Leite Ribeiro - Servico de Informacao e Documentacao (SID)
Maril
ucia Santos Melo Cid - Servico de Informacao e Documentacao (SID)
Yolanda Ribeiro da Silva Souza - Servico de Informacao e Documentacao (SID)
ELETRONICA:
EDITORAC
AO
Viveca SantAna Lemos - Servico de Informacao e Documentacao (SID)
INPE-16207-TDI/1539
DE DADOS DE PADROES
MINERAC
AO
CLIMATICOS
INPE
Sao Jose dos Campos
2009
So89m
c 2009 do MCT/INPE. Nenhuma parte desta publicacao pode ser reproduzida, armaCopyright
zenada em um sistema de recuperac
ao, ou transmitida sob qualquer forma ou por qualquer meio,
eletronico, mec
anico, fotogr
afico, reprografico, de microfilmagem ou outros, sem a permissao escrita do INPE, com excec
ao de qualquer material fornecido especificamente com o proposito de ser
entrado e executado num sistema computacional, para o uso exclusivo do leitor da obra.
c 2009 by MCT/INPE. No part of this publication may be reproduced, stored in a
Copyright
retrieval system, or transmitted in any form or by any means, electronic, mechanical, photocopying,
recording, microfilming, or otherwise, without written permission from INPE, with the exception
of any material supplied specifically for the purpose of being entered and executed on a computer
system, for exclusive use of the reader of the work.
ii
A existncia, porque humana, no pode ser muda, silenciosa, nem to pouco pode
nutrir-se de falsas palavras, mas de palavras verdadeiras, com que os homens
transformam o mundo. Existir, humanamente, pronunciar o mundo, modific-lo. O
mundo pronunciado, por sua vez, se volta problematizado aos sujeitos pronunciantes, a
exigir deles novo pronunciar. No no silncio que os homens se fazem, mas na
palavra, no trabalho, na ao-reflexo.
Paulo Freire
Livro: Pedagogia do Oprimido
AGRADECIMENTOS
Agradecer sempre faz sentido, pois o momento de valorizar os atos e aes recebidas
por pessoas que acreditam em ns, independentemente do meio em que estamos
envolvidos, assim, agradeo:
aos amigos de longa data e aos que conheci durante o processo para alcanar o ttulo de
mestre;
no posso deixar de agradecer ao meu orientador professor Dr. Jos Demisio Simes da
Silva, pela oportunidade, fora e compreenso que me direcionou no andamento deste
trabalho;
por fim, aos envolvidos indiretamente, mas com decises importantes ao andamento e
finalizao desta dissertao de mestrado que tambm tm a minha gratido.
RESUMO
Esta dissertao apresenta uma tcnica no-paramtrica que utiliza a Lgica
Paraconsistente na Minerao de Dados Meteorolgicos de reanlise dos histricos de
informaes de cinco regies da Amrica do Sul, de um perodo de 21 anos dos ciclos
sazonais ocorridos entre os anos de 1980-2000. Esses dados so as entradas de uma
Rede Neural Artificial baseada na Lgica Paraconsistente, que tem como objetivo gerar
um conjunto reduzido de dados para ser submetido a uma Rede de Funes de Base
Radial na elaborao de um modelo de previso sazonal de clima. O processamento da
rede neural paraconsistente contribui na identificao de padres, por ciclos sazonais
nos dados histricos do perodo 1980-1997. Para a validao da tcnica de reduo
desenvolvida, o modelo de previso obtido foi submetido aos dados extrados do
perodo de 1998-2000, para as mesmas reas geogrficas. Os resultados da previso
com modelo estabelecido apresentaram erros inferiores que as previses obtidas pelo
modelo proposto no trabalho de Pessoa (2004), que utilizou a Teoria dos Conjuntos
Aproximativos sobre os mesmos dados para diminuir a complexidade dos dados e
compor um modelo de previso baseado em uma rede neural do tipo Perceptron de
Mltiplas Camadas.
SUMRIO
Pg.
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE EQUAES
LISTA DE SIGLAS E ABREVIATURAS
1. INTRODUO .................................................................................................
2. BASES TERICAS............................................................................................
2.1 Minerao de Dados .........................................................................................
2.1.1 O Processo de descoberta de conhecimento...................................................
2.1.2 Categorizao da Minerao de Dados .........................................................
2.1.3 Tarefas da Minerao de Dados ....................................................................
2.1.4 Tcnicas de Minerao de Dados ..................................................................
2.2 Lgica Paraconsistente .....................................................................................
2.2.1 As lgicas no-clssicas ................................................................................
2.2.2 Aspectos histricos da Lgica Paraconsistente .............................................
2.2.3 Teorias inconsistentes e teorias triviais .........................................................
2.2.4 Princpios conceituais da Lgica Paraconsistente .........................................
2.3 A Lgica Paraconsistente anotada de anotao com dois valores (LPAV2v) ..
2.4 Modelo matemtico de neurnios artificial .....................................................
2.4.1 Rede Neural de Funes de Base Radial ......................................................
2.4.2 Rede Neural Artificiais Paraconsistentes ......................................................
3. METODOLOGIA ..............................................................................................
4. METEOROLOGIA E SELEO DA REA DE ESTUDO ............................
5. ABORDAGEM PARA A PREVISO DE DADOS METEOROLGICOS ...
6. RESULTADOS ..................................................................................................
6.1 Previso de Precipitao ..................................................................................
6.2 Previso de Temperatura ..................................................................................
7. CONCLUSO ...................................................................................................
REFERNCIAS BIBLIOGRFICAS ...................................................................
APNDICE A - REDES NEURAIS ARTIFICIAIS PARACONSISTENTES
23
27
27
28
29
30
31
31
31
32
33
34
35
40
43
46
51
55
61
65
67
74
81
83
87
LISTA DE FIGURAS
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.1
4.1
4.2
4.3
5.1
6.1
6.2
6.3
6.4
6.5
6.6
6.7
6.8
6.9
6.10
6.11
6.12
6.13
6.14
6.15
6.16
6.17
6.18
6.19
6.20
6.21
6.22
6.23
6.24
6.25
6.26
6.27
6.28
A.1
A.2
A.3
Pg.
28
36
39
41
42
43
44
46
48
52
56
56
59
62
70
70
71
71
71
71
72
72
72
72
73
73
73
73
77
77
77
77
78
78
78
78
79
79
79
79
80
80
91
92
93
A.4
A.5
A.6
A.7
A.8
A.9
A.10
A.11
A.12
Representa a CNAPCo
Representa a CNAPp
Representa a CNAPAdm
Representa a CNAPApm
Representa a CNAPRp
Representa a SNAPDeEv
Representa a UNAPMax
Representa a UNAPMin
Representa a UNAPMax
94
95
96
98
99
102
103
104
105
LISTA DE TABELAS
4.1
6.1
6.2
6.3
6.4
6.5
6.6
6.7
6.8
6.9
6.10
6.11
6.12
6.13
PG.
58
65
68
68
68
69
69
69
74
75
75
76
76
76
LISTA DE EQUAES
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.1
6.1
6.2
6.3
Soma Ponderada
Sada do Neurnio
Centros da RBF
Sadas da RBF
Equao Estrutural Base
Valor Superior de Controle a Certeza
Valor Inferior de Controle a Certeza
Valor Superior de Controle a Contradio
Valor Inferior de Controle a Contradio
Clculo do grau de descrena
Erro Quadrtico Mdio
Erro Mdio Absoluto
Ganho ou Perda
Pg.
43
43
44
44
46
48
48
48
48
51
66
66
67
Lgica Paraconsistente
Lgica Paraconsistente Anotada de Anotao de dois valores
Rede Neural Artificial
Rede de Funes de Base Radial
Rede Neural Artificial Paraconsistente
Precipitao
Temperatura
Clula Neural Artificial Paraconsistente
Unidade Neural Artificial Paraconsistente
Sistema Neural Artificial Paraconsistente
Dezembro, Janeiro e Fevereiro
Maro, Abril, Maio
Junho, Julho e Agosto
Setembro, Outubro e Novembro
Fator de Tolerncia Certeza
Fator de Tolerncia Contradio
Fator de Tolerncia de Reconhecimento de Padro
Fator de Aprendizagem
Evidncia Favorvel
Evidncia Contrria
Clula Neural Artificial Paraconsistente de Conexo Analtica
1. INTRODUO
Em meteorologia, a previso climtica uma estimativa do comportamento mdio
atmosfrico para mdio e longo prazo. Um dos objetivos da previso climtica estimar
o volume de precipitao, em relao mdia histrica, nos meses de chuva em uma
determinada rea, em um determinado ciclo sazonal. (CENTRO DE PREVISO DO
TEMPO E ESTUDOS CLIMTICOS, 2003). Este tipo de previso importante para
diversos segmentos da sociedade, como por exemplo, para o setor de agronegcios no
Brasil. Este segmento da sociedade tem como demanda a excelncia das safras. Para
isso, faz-se necessrio aliar estudos de variedades de sementes, enriquecimento do solo,
mquinas modernas, estudo do escoamento das safras, com o estudo sistemtico que
procura entender o comportamento climtico, de forma a empreender aes que possam
minimizar os problemas devido s anomalias do clima.
O estudo do comportamento climtico pode ser feito atravs da anlise de informaes
disponveis, oriundas de modelos meteorolgicos e/ou de observaes coletadas atravs
de redes sensores terrestres, martimos ou de satlites. Esta abordagem, entretanto,
complexa devido quantidade de informaes disponveis adquiridas dos diversos tipos
de sensores j disponveis e, com o aumento do nmero de sensores, a complexidade
pode aumentar ainda mais.
Esta disponibilidade de dados requer muito poder de processamento dos computadores
tanto para o tratamento dos dados quanto para a execuo dos modelos climticos para
gerar prognsticos do estado futuro da atmosfera, como feito em vrios centros
meteorolgicos no mundo.
A quantidade de dados e a complexidade dos modelos so dois fatores complicadores
para o estudo do comportamento do clima, que tm fomentado a busca pelo
desenvolvimento de novas abordagens de anlise dos dados, que os minimizem.
Entretanto, em uma escala de previso sinptica do clima, pode se perguntar se os dados
provenientes de vrias fontes so necessrios. Ou seja, a indagao pode ser colocada
pensando na possibilidade de uso de um subconjunto dos dados, ao invs de todos os
dados disponveis, para a obteno dos modelos.
23
25
26
2. BASES TERICAS
Neste captulo so descritos alguns princpios das teorias que embasam o trabalho
desenvolvido nesta dissertao.
2.1 Mineraes de Dados
Minerao de Dados um conjunto de tcnicas computacionais para a extrao de
informaes desconhecidas e potencialmente teis em grandes volumes de dados
atravs de um resumo compacto dos mesmos. O termo Minerao de Dados
somente um de vrios termos, incluindo extrao de conhecimento, arqueologia de
dados, colheita de informaes ou descoberta de conhecimento em banco de dados
(KDD - Knowledge Discovery in Databases) Chen (2001), (FAYYAD, 1996).
As caractersticas principais do processo de Minerao de Dados so:
Os termos KDD e minerao de dados algumas vezes so usados com o mesmo sentido.
Isto ocorre quando em funo da aplicao, o acrnimo KDD est diretamente
relacionado extrao de conhecimento residente em uma base de dados, que utilizam
sistemas gerenciadores de banco de dados. Entretanto, a Minerao de Dados, no
pressupe a especificao do tipo da fonte de dados, nem do formato dos mesmos
(FAYYAD, 1996).
A pesquisa em KDD cresce com base na disseminao da tecnologia de bancos de dados
e na premissa de que as grandes colees de dados hoje existentes podem ser fontes de
conhecimento til, que est implicitamente representado e pode ser extrado.
No sentido, a KDD se vale de vrias tcnicas, dentre elas algumas de inteligncia
artificial e de estatstica, para lidar com a incerteza relacionada s descobertas.
27
2.1.1
U su rio
In terpretao e
A p re n d iza g e m d e M q u in a
P ad r es
(v e to r)
M ine ra o d o s D a d o s
T ransform a o
dos D ad os
S e leo e Integrao
D a ta/Text
M in in g
D ata
W a reh ou se
B a se D a do s
(n )
P r-P rocessam en to
E xtra o de Inform ao
28
para determinar e selecionar alguns atributos que podem ser descartados, bem como
a necessidade de converso dos dados para outro formato. Essa a etapa mais lenta
do processo, demandando cerca de 50-80% do tempo total de desenvolvimento de
um processo de preparao de dados para minerao de dados.
Transformao dos dados: Esse passo realizado em funo da necessidade,
para auxiliar as demais etapas de KDD. A transformao pode incluir, por exemplo,
a reduo e a compresso de dados; a transformao de atributos no-categricos
em atributos categricos; discretizao de atributos contnuos; etc.
Minerao de Dados: Esse passo consiste da aplicao dos algoritmos para
descoberta de padres nos dados. Esta etapa pode envolver a seleo de mtodos,
tcnicas e modelos que sejam mais adequados para realizar a anlise desejada,
podendo demandar grande poder computacional em funo da quantidade de dados
disponvel.
Interpretao: Consiste na visualizao dos resultados obtidos pelo processo de
Minerao de Dados, para utilizao como suporte tomada de deciso pelo
usurio. Este dever avaliar a adequao dos padres identificados pelo processo no
tocante extrao de conhecimento desejado.
Vale ressaltar que aps a obteno do conhecimento, caso os resultados no sejam
considerados satisfatrios o processo pode ser retomado a partir do ponto considerado
mais oportuno para tal anlise.
2.1.2
29
2.1.3
30
Lgica Paraconsistente;
Induo de regras;
rvores de deciso;
Dentre as tcnicas citadas acima, duas delas, a lgica paraconsistente e as redes neurais
artificiais (especificamente uma rede de funes de base radial RBF) sero utilizadas
para a minerao de dados no-similares sobre os atributos de entrada (precipitao e
temperatura).
2.2 Lgica Paraconsistente
A lgica paraconsistente considerada uma lgica no-clssica capaz de desafiar as leis
bsicas da lgica clssica de valores binrios, verdadeiro ou falso. A cincia lgica a
base e o fundamento da matemtica. Ao que tudo indica, foi com os trabalhos do
filsofo Aristteles (384-322 a.C.) que houve o incio dos estudos da lgica. A idia era
estabelecer um conjunto de regras rgidas, para que as concluses pudessem ser aceitas
como logicamente vlidas. Trata-se de uma linha de raciocnio lgico baseado em
premissas e concluses, do tipo: Todo ser vivo mortal (premissa 1), e em seguida
constatado que O leo um ser vivo (premissa 2), tem-se que O leo mortal
(concluso) (DA SILVA FILHO, 2008).
31
Dentro desse raciocnio a lgica clssica binria; portanto, uma declarao falsa ou
verdadeira, no admitindo ser ao mesmo tempo parcialmente verdadeira e falsa.
2.2.1
As lgicas no-clssicas
32
A mais importante razo da considerao da lgica paraconsistente foi obter teorias nas
quais inconsistncias sejam permitidas sem o perigo da trivializao. Em lgicas que
no distingam convenientemente da lgica clssica, por exemplo, com respeito ao
conceito de negao, em geral vlido o esquema A(AB) (em que A e B so
frmulas, A a negao de A e o smbolo de implicao: de uma
contradio, toda frmula pode ser deduzida ou seja, toda frmula passa a ser
verdadeira.
Admitindo como premissas frmulas contraditrias A e A.
Assim, se A (A B) constitui um esquema vlido. Levando-se em conta as
premissas apresentadas pela regra de deduo Modus Ponens ( de A e de A B deduz
B) tem-se AB arbitrria. Aplicando novamente a regra de Modus Ponens a essa
ltima frmula obtemos B. Porm, a frmula B arbitrria. Assim, de frmulas
contraditrias pode-se deduzir qualquer afirmao. Esse o fenmeno da trivializao
(DA SILVA FILHO, 2008).
2.2.4
34
Seja T uma teoria fundada sobre uma lgica L, e suponha-se que a linguagem de T e de
L contenha um smbolo para a negao se houver mais de uma negao, uma delas
deve ser escolhida, pelas suas caractersticas lgicas formais. A teoria T inconsistente
se ela possuir teoremas contraditrios; isto , um a negao do outro; caso contrrio, T
consistente. A teoria T trivial se todas as frmulas da lgica L ou todas as frmulas
fechadas de L forem teoremas de T; em hiptese contrria, T no-trivial.
Analogamente, a mesma definio aplica-se a sistemas de proposies, conjunto de
informaes, etc. (levando-se em conta, naturalmente, o conjunto de suas
conseqncias). Na lgica clssica e em muitas categorias de lgica, a consistncia
desempenha papel importante. Com efeito, na maioria dos sistemas lgicos usuais, se
uma teoria T trivial, ento T inconsistente e reciprocamente. Em outras palavras,
lgicas como essas no separam os conceitos de inconsistncias e de trivialidade.
Uma lgica L chama-se Paraconsistente se puder servir de base para teorias
inconsistentes, mas no-triviais, ou como diz, uma Lgica Paraconsistente tem a
capacidade de manipular sistemas inconsistentes de informaes sem torna-se trivial.
Uma lgica L chama-se Paracompleta se ela puder ser a lgica subjacente as teorias nas
quais se infringe a lei do terceiro excludo na seguinte forma: de duas proposies
contraditrias uma delas verdadeira.
Chama-se uma lgica No-Altica quando esta for Paracompleta e Paraconsistente
simultaneamente.
2.3 A Lgica Paraconsistente anotada de anotao com dois valores (LPA2v)
A anotao pode ser composta por 1,2..n valores. Portanto, pode-se obter maior poder
de representao sobre as anotaes, ou evidncias, expressam o conhecimento sobre a
proposio p se a representao da anotao, em vez de ser feita por um nico smbolo,
for formada por dois smbolos que so representados por dois valores. Sendo o
conjunto de pares ordenados de valores de grau de crena e grau de descrena que
podem ser atribudos a uma mesma proposio (Figura 2.2). Desse modo, pode-se
utilizar um reticulado formado por pares ordenados, tal que = {(1, 2)| 1, 2 [0,1]}
35
L-se: H um conjunto que possui os valores dos graus de crena e descrena, tal que,
os graus de crena e descrena pertenam ao intervalo fechado [0,1] contido no
conjunto dos nmeros reais.
Nesse caso, tambm fixado uma operao ~:|| || em que o operador (~) constitui o
smbolo lgico de negao do sistema considerado. Os outros valores do reticulado
so:
= Inconsistente = p (1,1)
F = Falso = p (0,1)
V = Verdadeiro = p (1,0)
= Indeterminado = p (0,0)
36
O primeiro elemento do par ordenado p(1, 2), (1) representa o grau de crena em
que sustenta a proposio p, e o segundo elemento (2) representa o grau de descrena
que nega ou rejeita a proposio p. Nos limites tem-se:
37
Pela condio acima se tem que VI (p) = 1 se e somente se I(p) >= , ou seja, p
verdadeira, segundo a interpretao I se a interpretao dada a p, I(p), for maior ou igual
ao valor de crena com respeito proposio p. Ela falsa, caso contrrio.
Se puder demonstrar que h interpretaes I e proposies p, tais que VI (p) =1 e VI
(p) =1, ou seja, tem contradies verdadeiras nesta lgica. Isto intuitivo se
considerar proposies do tipo p (0,5; 0,5). Sua negao p (0,5; 0,5) equivale a p~(0,5;
0,5) que tambm p (0,5; 0,5). Ora, se p (0,5; 0,5) for verdadeira, ento claro que sua
negao tambm verdadeira. Se ela for falsa, sua negao tambm falsa.
b) Representao grfica no plano cartesiano do reticulado de 12 posies da
Lgica Paraconsistente anotada de anotao com dois valores (LPAv2)
A representao dada na Figura 2.2, contm informaes do desenvolvimento de um
algoritmo bsico para a utilizao da Lgica Paraconsistente (DA COSTA, 1999), pois a
partir desse possvel a criao de novos algoritmos, cujo, sua finalidade analisar e
retornar os valores de certeza e contradio (Evidncia Favorvel e Contrria). Sua base
descrever a Lgica Paraconsistente definindo assim, a Clula Neural Artificial
Paraconsistente, como base para descrever todas as clulas criadas para a formao da
Rede Neural Artificial Paraconsistente (DA SILVA FILHO, 2001).
A Figura 2.3, apresenta um grfico com as vrias subdivises e interpretaes para o
reticulado 12 da Lgica Paraconsistente, no Quadrado Unitrio do Plano Cartesiano
(QUPC).
38
39
Qf
Qv
Qv
40
Assim como nos sistemas biolgicos, as redes neurais artificiais, tambm tm como
unidade principal o neurnio, que so conectados por ligaes denominadas conexes
sinpticos. Cada conexo age de maneira ponderada sobre sua entrada, formando um
peso sinptico.
As RNAs apresentam como principais vantagens, suas caractersticas de adaptabilidade,
generalizao e tolerncia a rudos (HAYKIN, 1994). Essas caractersticas so de
extrema importncia na aplicao das redes neurais em diferentes tipos de problemas.
41
Existe uma grande diversidade de modelos de redes neurais, entretanto qualquer modelo
de RNA pode ser descrito pela especificao dos seguintes componentes bsicos:
Modelo do neurnio;
Estrutura da rede;
Algoritmo de Aprendizado.
Na Figura 2.5 mostrado um modelo de neurnio que possui, alm dos elementos
acima, um limiar bk, que tem o efeito de subtrair a entrada uk da funo de ativao.
42
(2.1)
f(.) = y k = (vk )
(2.2)
j =1
em que x1, x2,, xp so sinais de entrada; wk1, wk2,, wkp so pesos sinpticos do
neurnio k; vk a diferena entre a combinao linear dos sinais de entrada ponderadas
pelos sinpticos e bk o limiar do neurnio; f (.) a funo de ativao e yk o sinal de
sada do neurnio.
Existem diversas funes de ativao que podem ser aplicadas nas redes neurais
artificiais, as mais comuns esto representadas na Figura 2.6.
Funo Linear
f ( x ) = x
Funo Sigmoidal
f ( x) =
1
1 + e x
Funo tangente
hiperblica
f ( x) =
1 e x
1 + e x
A construo de uma Rede Neural de Funes de Base Radial - RBF em sua forma mais
bsica envolve duas camadas, conforme mostra a Figura 2.7. Os ns da camada de sada
calculam a combinao linear das funes de base radial. As funes de base radial na
camada escondida produzem uma resposta localizada para o estmulo (padro) de
entrada, isto , eles produzem uma resposta significativamente diferente de zero,
somente quando o padro de entrada est dentro de uma regio pequena localizada no
espao de entrada. Por esta razo, tal rede neural algumas vezes referenciada na
literatura como redes de campos receptivos localizados (HAYKIN, 2001). Para o
funcionamento da RBF so necessrios os centrides e uma funo de ativao
relacionada com uma funo de distribuio probabilstica, por exemplo, gaussiana.
43
(2.3)
em que c1, c2, ..., ck representam o k centros, dos k vetores encontrados com centros. A
camada de sada realiza a soma ponderada das sadas da camada escondida. Quando
apresentando um vetor de entrada para a rede dado por:
y = W. f ( X C
(2.4)
44
Uma RBF (na sua forma mais bsica) tem apenas uma camada intermediria,
enquanto uma MLP pode ter uma ou mais camadas intermedirias;
Foram utilizadas duas RBFs, a primeira (RBF1) descrita na Figura 2.7 que possui vrios
vetores de sadas, a segunda (RBF2) possui como entradas o treinamento da RBF1 e os
dados dos vetores ao qual se deseja efetuar a previso, esta ltima considerada como
45
centros, com apenas um vetor de sada que so os valores preditos, como descrita na
Figura 2.8.
No contexto deste trabalho, a RBF foi escolhida por apresentar a possibilidade de usar
os vetores encontrados pela rede neural paraconsistente, como centros de clusters
associados aos padres presentes nos dados analisados.
2.4.2 Rede Neural Artificial Paraconsistente
r =
1 2 + 1
(2.5)
46
47
1 + ftC
2
1 ftC
vicc =
2
1 + ftCt
vscct =
2
1 ftCt
vicct =
2
(2.6)
vscc =
(2.7)
(2.8)
(2.9)
b) Fatores de Tolerncias
Na RNAP existem alguns fatores importantes para a faixa de atuao da Rede Neural,
que se definem como:
48
49
50
3. METODOLOGIA
Para a realizao dos experimentos os dados dos anos de 1980-1997 foram selecionados
para a criao dos perfis meteorolgicos, enquanto que os dados dos anos de 1998-2000
foram utilizados para validar os modelos de previso obtidos.
Para seguir com a abordagem de minerao de dados, os dados foram transformados
para um espao adimensional, ou seja, cada varivel foi mapeada para o intervalo [0,1].
Os valores que correspondem posio geogrfica dos dados foram mantidos com seus
valores originais.
O algoritmo aplicado na transformao dos dados considera a necessidade do algoritmo
baseado na lgica paraconsistente para a determinao dos padres.
A tcnica utilizada caracteriza-se por ter a possibilidade de utilizar dois valores. O
primeiro valor o grau de crena e o segundo grau de descrena calculado pela
Equao 3.1. Estes valores so caractersticas da tcnica baseada na lgica
paraconsistente.
2 = 1 1
(3.1)
51
52
As entradas da RBF so comparadas com os centros das funes de base radial pelo
clculo da distncia euclidiana que submetida, em seguida, funo de base radial.
Nos experimentos conduzidos optou-se pela funo Gaussiana com desvio padro igual
a 1.
O incio da previso ocorre no ms de Maro, Abril e Maio de 1998 e sucessivamente
para cada ciclo sazonal, assim, faz-se necessrio o deslocamento dos dados para que
sejam submetidos RNAP na etapa de aprendizado e desta forma posso gerar novos
centros.
Aps o treinamento, foi realizada a validao dos modelos obtidos com os dados
existentes no histrico dos anos 1998-2000. As sadas da rede RBF, tomada como
previses so comparadas com os valores reais existentes nos dados.
Para ser possvel a previso de forma eficaz foram estabelecidas duas regras dadas por:
53
54
55
(x1,y1)
Para previso do clima e tempo existem os modelos numricos, que o nome dado
tcnica que simula o estado da atmosfera, por meio de modelos fsico-matemticos
resolvidos numericamente, atravs de tcnicas computacionais. O prazo de previso est
diretamente relacionado com a resoluo temporal (amostragem das variveis de
entrada, podendo ser em: minutos, horas, meses, etc.) e espacial (distncia entre os
pontos de grade) das variveis. Em geral, modelos que trabalham com alta resoluo
(exemplo: 1 km) requerem um passo de integrao menor, limitando o alcance de
previso em poucos dias. J os modelos que operam com baixas resolues (250 km,
ver Figura 4.2), o alcance operacional da previso pode chegar a ser mensal ou anual
(GUTIRREZ, 2003).
56
b) Previso Climtica
1
2
3
4
5
ms
ciclo
lon
lat
temp
u850
7
8
9
u500
u300
v850
10 v500
Ms
Ciclo Sazonal
Longitude
Latitude
Temperatura Temperatura da Superfcie do Solo e a
para as faixas continentais a interpolao com a
Temperatura de Superfcie do Mar.
Vento Zonal (850 hPa) Componente do vento
horizontal superfcie do planeta representado por u,
positivo no sentido de oeste para leste com direo
(graus) vertical perpendicular a superfcie no nvel de
presso 850 hectoPascal, neste caso.
Vento Zonal (500 hPa)
Vento Zonal (300 hPa)
Vento Meridional (850 hPa) - positivo no sentido de
sul para norte.
Vento Meridional (500 hPa)
57
Unidades
de medida
Inteiro
inteiro
C
C
C
m/s
m/s
m/s
m/s
m/s
continua
11 v300
12 shum
13 spres
14 div
15 prec
m/s
kg/kg
mb
1/s
mm/dia
58
Dos 21 anos de dados armazenados na base de dados, 72% foram reservados para
treinamento, enquanto os outros 28% foram utilizados para validao, ou seja, para
testar a abordagem de previso climtica desenvolvida neste estudo e verificar sua
generalizao.
As temperaturas da superfcie do solo so interpolados com os dados de temperatura da
superfcie do mar (TSM ou do ingls SST) somente para as faixas continentais
(longitudes que avanam ao mar), de modo a formar um s atributo denominado
temperatura.
Foram incorporadas para as anlises as componentes espaciais e temporais (longitude,
latitude e tempo) mais os atributos de deciso (temperatura e precipitao),
adicionalmente s variveis mostradas na Tabela 4.1.
59
60
A soma de cada valor dos atributos reconhecidos por similaridades no pode ser
maior que a soma dos valores dos atributos reconhecidos por no similaridades
com exceo dos atributos de deciso;
61
Cada atributo reconhecido por similaridade marcado por um nico valor, que
somado em um contador, o total dessa soma refere-se quantidade de atributos
que foram encontrados por similaridades de cada registro, esse valor no pode
ser maior que o total de atributos que foram reconhecidos por no similaridade;
O modelo de RNAP apresentado na Figura 5.1 como uma nova tcnica de minerao e
dados no apresenta a necessidade de uma rede diferente para anlise de cada rea.
A ftA denominado Fator de Aprendizagem,
62
63
64
6. RESULTADOS
A Rede Neural Paraconsistente foi treinada para todos os trimestres. A apresentao dos
resultados grficos foi limitada para efeito de comparao com os resultados do trabalho
de Pessoa (2004).
A previso foi realizada para dois perodos: para um ciclo sazonal, por exemplo, com os
dados do trimestre MAM98 (Outono de 1998) foi feita a previso para o trimestre de
JJA98 (Inverno de 1998); e para trs ciclos sazonais frente.
Para a obteno dos resultados de previso necessrio estabelecer alguns parmetros
bsicos que so utilizados no controle da CNAP:
O Fator de Tolerncia Certeza ajustado com valor alto (prximo de 1). Nessa
condio a CNAP tem alta tolerncia aos valores dos graus de crena resultantes
e, portanto admite, como sada, valores de resultantes baixos. Caso contrrio
admite sadas com valores resultantes altos e rejeita os valores baixos;
ftC
0.65
0.65
0.85
ftCt
0.15
0.55
0.60
ftR
0,35
0,35
0,35
ftA
0,92
0,92
0,92
65
A1
553
757
861
A2
550
625
890
A3
498
632
875
A4
452
741
913
A5
524
697
976
(6.1)
1 Q
( t (k ) y(k )) 2
Q k =1
(6.2)
1 Q
t ( k ) y( k )
Q k =1
66
(6.3)
67
Rede1-Na
1,37
1,70
1,18
1,22
1,36
Rede2-Na
1.42
1.78
1.62
1.20
1.30
Rede3-Na
1.39
1.90
1.46
1.17
1.17
RNAP
1,37
1,37
1,17
1,20
0,92
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
0,54
0,00
0,59
19,00
0,50
1,00
0,62
-3,00
0,57
21,00
Rede1-Na
1,37
1,70
1,18
1,22
1,36
Rede2-Na
1.42
1.78
1.62
1.20
1.30
Rede3-Na
1.39
1.90
1.46
1.17
1.17
RNAP
1,18
0,77
0,89
1,21
1,42
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
0,52
14,00
0,50
55,00
0,46
25,00
0,57
-3,00
0,62
-21,00
Rede1-Na
1,37
1,70
1,18
1,22
1,36
Rede2-Na
1.42
1.78
1.62
1.20
1.30
Rede3-Na
1.39
1.90
1.46
1.17
1.17
RNAP
1,31
1,66
0,93
1,15
1,53
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
0,55
4,00
0,60
2,00
0,48
21,00
0,62
2,00
0,58
-31,00
68
uma diferena significativa, como pode ser visto pelos valores de erros menores
produzidos pela RNAP.
Na Tabela 6.7, para a tolerncia do tipo 3, nota-se que a RNAP apresentou valores de
erros superiores queles encontrados por Pessoa (2004) em 4 das reas analisadas.
Tabela 6.5 Erros quadrticos mdios
(Tolerncia tipo 1, Prec, =3)
=3
reas
1
2
3
4
5
Rede1-Na
1,46
2,00
1,09
1,25
1,11
Rede2-Na
1,36
1,86
1,27
1,23
1,04
Rede3-Na
1,33
2,01
1,01
1,24
1,09
RNAP
1,10
0,72
0,94
0,96
0,74
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
0,43
17,00
0,47
61,00
0,40
7,00
0,50
22,00
0,46
29,00
Rede1-Na
1,46
2,00
1,09
1,25
1,11
Rede2-Na
1,36
1,86
1,27
1,23
1,04
Rede3-Na
1,33
2,01
1,01
1,24
1,09
RNAP
0,95
0,70
0,71
1,00
1,18
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
0,41
29,00
0,45
62,00
0,37
30,00
0,50
19,00
0,44
-13,00
Rede1-Na
1,46
2,00
1,09
1,25
1,11
Rede2-Na
1,36
1,86
1,27
1,23
1,04
Rede3-Na
1,33
2,01
1,01
1,24
1,09
69
RNAP
1,55
1,94
1,02
1,02
1,70
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
0,48
-17,00
0,57
-4,00
0,48
-1,00
0,66
17,00
0,59
-63,00
Figura 6.1
Imagem real A3
Figura 6.2
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1 A3
Na Figura 6.4 os padres estimados esto muito prximos do real apresentado na Figura
6.3. A figura apresenta as mdias dos valores das precipitaes ocorridas na rea 1 nos
meses de JJA98 para previso de um ciclo sazonal adiante.
Nota-se uma superestimao dos valores na precipitao no intervalo de [10, 12]
mm/dia nos padres apresentados utilizando as tolerncias 2, 3. Para essa previso,
utilizando todas as tolerncias apresenta uma normalidade em suas distribuies quando
comparada Figura 6.3, que possui os dados reais.
70
Figura 6.3
Imagem real A1
Figura 6.4
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1 A1
A Figura 6.6 apresenta as mdias dos valores das precipitaes ocorridas na rea 1 nos
meses de SON98 para previso de um ciclo sazonal adiante. Para o tipo de tolerncia 1,
a RNAP apresenta semelhana de suas distribuies de precipitao quando comparada
Figura 6.5 que possui os dados reais. Para o tipo de tolerncia 2, a RNAP apresenta
uma superestimao no intervalo [4,6] mm/dia no maior caso e variaes no intervalo
[6,10] mm/dia. Para o tipo de tolerncia 3, houve uma superestimao do intervalo
[4,10] mm/dia e uma minimizao da estimao no intervalo [0,4]mm/dia, a RNAP no
apresenta uma semelhana entre suas distribuies e as da Figura 6.5.
Imagens da rea 1 SON98 Precipitao (mm/dia)
Figura 6.5
Imagem real A1
Figura 6.6
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1 A1
A Figura 6.8 apresenta as mdias dos valores das precipitaes ocorridas na rea 2 nos
meses de DJF98/99 para previso de um ciclo sazonal adiante. Para as tolerncias 1 e 3
a RNAP apresenta uma semelhana de suas distribuies de precipitao quando
comparada Figura 6.7 com os dados reais. Para o tipo de tolerncia 2, houve uma
superestimao do intervalo [10,12] mm/dia e uma minimizao da estimao dos
71
Figura 6.7
Imagem real A2
Figura 6.8
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1 A2
A Figura 6.10 apresenta as mdias dos valores das precipitaes ocorridas na rea 4 nos
meses de SON98 para previso de um ciclo sazonal adiante. Para o tipo de tolerncia 1 a
RNAP apresenta uma minimizao no intervalo [6,8] mm/dia e uma semelhana de suas
distribuies de precipitao quando comparada Figura 6.9, com os dados reais. Para
os tipos de tolerncias 2 e 3 a RNAP apresenta uma superestimao do intervalo [0,4]
mm/dia, uma minimizao da estimao dos valores no intervalo [6,8] mm/dia, mas
ainda mostra uma semelhana com as distribuies da precipitao real.
Imagens da rea 4 SON98 Precipitao (mm/dia)
Figura 6.1.9
Imagem Real A4
Figura 6.1.10
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1 A4
A Figura 6.12 apresenta as mdias dos valores das precipitaes ocorridas na rea 5 nos
meses de DJF99/00 para previso de um ciclo sazonal adiante. Para o tipo de tolerncia
1 a RNAP no apresenta semelhana de suas distribuies de precipitao quando
comparada Figura 6.11 com os dados reais. Para os tipos de tolerncias 2 e 3 houve
72
uma minimizao da estimao dos valores no intervalo [10,12] mm/dia, mas a RNAP
apresenta semelhana de suas distribuies de precipitao.
Imagens da rea 5 DJF99/00 Precipitao (mm/dia)
Figura 6.11
Imagem Real A5
Figura 6.12
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1 A5
A Figura 6.14 apresenta as mdias dos valores das precipitaes ocorridas na rea 2 nos
meses de MAM00 para previso de um ciclo sazonal adiante.
Para os tipos de
Figura 6.13
Imagem real A2
Figura 6.14
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1 A2
73
Rede1-Na
0,48
0,52
1,58
0,60
1,00
Rede2-Na
0,48
0,50
1,44
0,62
0,93
Rede3-Na
0,50
0,50
1,95
0,54
0,96
74
RNAP
0,42
0,50
0,50
0,49
0,56
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
13,00
0,54
0,00
0,49
65,00
0,56
9,00
0,51
40,00
0,59
Rede1-Na
0,48
0,52
1,58
0,60
1,00
Rede2-Na
0,48
0,50
1,44
0,62
0,93
Rede3-Na
0,50
0,50
1,95
0,54
0,96
RNAP
0,40
0,59
0,98
0,52
1,03
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
17,00
0,55
18,00
0,56
32,00
0,53
4,00
0,57
11,00
0,55
Rede1-Na
0,48
0,52
1,58
0,60
1,00
Rede2-Na
0,48
0,50
1,44
0,62
0,93
Rede3-Na
0,50
0,50
1,95
0,54
0,96
RNAP
0,64
0,48
1,50
0,54
0,96
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
0,57
-33,00
0,59
4,00
0,56
-4,00
0,60
0,00
0,59
-3,00
75
Rede1-Na
0,42
0,51
1,61
0,73
1,06
Rede2-Na
0,42
0,52
1,35
0,73
0,96
Rede3-Na
0,46
0,47
1,65
0,77
0,98
RNAP
0,39
0,38
0,94
0,64
0,83
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
0,56
7,00
0,58
19,00
0,55
30,00
0,60
12,00
0,58
14,00
Rede1-Na
0,42
0,51
1,61
0,73
1,06
Rede2-Na
0,42
0,52
1,35
0,73
0,96
Rede3-Na
0,46
0,47
1,65
0,77
0,98
RNAP
0,39
0,47
1,11
0,62
1,11
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
0,52
7,00
0,54
0,00
0,51
18,00
0,55
15,00
0,53
-16,00
Rede1-Na
0,42
0,51
1,61
0,73
1,06
Rede2-Na
0,42
0,52
1,35
0,73
0,96
Rede3-Na
0,46
0,47
1,65
0,77
0,98
RNAP
0,49
0,48
1,31
1,25
1,20
Ganho/
Erro
Perda
Mdio
Absoluto
(%)
0,56
-17,00
0,52
-2,00
0,65
3,00
0,59
-71,00
0,53
-25,00
76
Figura 6.15
Imagem real A3
Figura 6.16
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1 A3
Figura 6.17
Imagem real A5
Figura 6.18
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1 A5
A Figura 6.20 apresenta as mdias dos valores das temperaturas ocorridas na rea 4 nos
meses de JJA98 para previso de um ciclo sazonal adiante. Para os tipos de tolerncia 1
e 3 a RNAP apresenta distribuies de temperatura semelhantes s distribuies dos
dados reais como visto na Figura 6.19. Para o tipo de tolerncia 2, houve uma
77
Figura 6.19
Imagem real A4
Figura 6.20
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1
Figura 6.21
Imagem real A3
Figura 6.22
Imagens RNAP - Tipo tolerncias 1,2,3 - = 3 A3
Na Figura 6.24 esto mostradas as mdias dos valores das temperaturas ocorridas na
rea 1 nos meses de MAM98 para previso de um ciclo sazonal adiante. Para os tipos de
tolerncias 2 e 3, a RNAP apresenta semelhana com as distribuies de temperaturas
reais da Figura 6.23. Para o tipo de tolerncia 1, houve uma superestimao do intervalo
78
Figura 6.23
Imagem real
Figura 6.24
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1
Figura 6.25
Imagem real
Figura 6.26
Imagens RNAP - Tipo tolerncias 1,2,3 - = 1
A Figura 6.28 apresenta as mdias dos valores das temperaturas ocorridas na rea 3 nos
meses de JJA00 para previso de trs ciclos sazonais adiante. Para os tipos de
tolerncias 1,2 e 3, a RNAP apresenta semelhana das distribuies de temperaturas
quando comparada Figura 6.27 com os dados reais.
79
Figura 6.27
Imagem real
Figura 6.28
Imagens RNAP - Tipo tolerncias 1,2,3 - = 3
80
7. CONCLUSO
81
Apesar dos resultados satisfatrios do mtodo proposto, preciso observar que ainda se
faz necessrio sintonizar melhor o mtodo, utilizando uma base de dados de reanlise
maior do que a utilizada neste trabalho. Isso certamente fornecer mais subsdios para o
estabelecimento de conjuntos de padres mais eficientes para a tarefa de estabelecer o
modelo de previso. Inclusive isso pode ser uma explicao das diferenas de
desempenho a menor, apresentada pelo mtodo, quando comparado ao trabalho de
Pessoa (2004).
Tambm a hibridizao proposta nesta dissertao considerou o uso de uma rede neural
do tipo Rede de Funes de Base Radial, para as quais necessrio especificar alguns
parmetros para caracterizar a abrangncia das funes de base radial.
Para buscar melhor o desempenho do mtodo proposto, sugerem-se alguns trabalhos
futuros na mesma linha desta dissertao:
82
REFERNCIAS BIBLIOGRFICAS
83
84
85
86
T = Inconsistente
F = Falso
= Indeterminado
V = Verdadeiro
87
vscc C1
vscc = (1+ftC)/2
vicc C2
vicc = (1-ftC)/2
vscct C3
vscct = (1+ftCt)/2
vicct C4
vicct = (1-ftCt)/2
Descrio do algoritmo
Varivel de ENTRADA
1 {Grau de crena}
2 {Grau de descrena}
Varivel de SADA
Expresses matemticas
Se Gc >= C1 ento S1 = V
Se Gc <= C2 ento S1 = F
Se Gc >= C3 ento S1 = T
Se Gc <= C4 ento S1 =
Fim
Fim
Se C2 < Gc <= C1 e C4 < Gct <= 0 ento
Se |Gc| >= Gct ento
S1 = Qf
Seno
S1 =
89
Fim
Fim
Se C2 < Gc <= 0 e 0 <= Gct < C3 ento
Se |Gc| >= Gct ento
S1 = Qf T
Seno
S1 = T V
Fim
Fim
Variveis de retorno
Fv = Gc
(Evidncia Favorvel)
Ct = Gct
(Evidncia Contrria)
90
A Figura A.1 descreve de forma visual o algoritmo citado abaixo, de forma que se possa
compreender mais facilmente sua atuao.
Entradas:
1- 1;
2- 2;
Entradas dos Fatores Externos:
1- ftC;
2- ftCt.
Clculos:
1- 2 = 1Co = 1 1;
2- Gc = 1 - 2;
3- Gct = 1 + 2 1;
4- EEB = (Gc +1)/2;
Sadas:
91
CNAPCLs
Max
A Figura A.2 descreve de forma visual o algoritmo citado abaixo, de forma que se possa
compreender mais facilmente sua atuao.
Entradas:
1- 1;
2- 2.
Clculos: Nenhum.
Sadas:
1- Se 1 > 2 ento
2-
r = 1
3- Seno
4-
r = 2.
5- Fim
Fim
d) Clula Neural Artificial Paraconsistente de Conexo Lgica Simples de
Minimizao
92
A Figura A.3 descreve de forma visual o algoritmo citado abaixo, de forma que se possa
compreender mais facilmente sua atuao.
Entradas:
1- 1;
2- 2.
Clculos: Nenhum.
Sadas:
Se 1 > 2 ento
r = 2;
Seno
r = 1.
Fim
Fim.
e) Clula Neural Artificial Paraconsistente de Complementao
93
A Figura A.4 descreve de forma visual o algoritmo citado abaixo, de forma que se possa
compreender mais facilmente sua atuao.
Entradas:
1- 1;
Entrada do Fator Externo:
1- ftC.
Clculos:
1- 2 = 1;
2- 1 = 2Co = 1 2;
3- Gc = 1 - 2;
4- EEB = (Gc + 1) /2
Sada:
r = EEB;
3- Seno
4-
r = .
5- Fim
94
Fim
f) Clula Neural Artificial Paraconsistente de Passagem
A Figura A.5 descreve de forma visual o algoritmo citado abaixo, de forma que se possa
compreender mais facilmente sua atuao.
Entradas:
1- 1;
2- 2.
Entrada do Fator Externo:
1- ftC.
Clculos:
1- 2= 1Co = 1 - 1;
2- Gc = 1 - 2;
3- EEB = (Gc + 1) /2.
Sada:
r = EEB;
3- Seno
4-
r =
95
5- Fim
Fim
g) Clula Neural Artificial Paraconsistente de Aprendizagem, Desaprendizagem e
Memorizao.
1
C
ftA
CNAPAdm
ftDa
A Figura A.6 descreve de forma visual o algoritmo citado abaixo, de forma que se possa
compreender mais facilmente sua atuao.
Entradas:
1- 1;
Entrada do Fator Externo:
1- ftA;
2- ftDa;
Clculos:
1- Se ftA = 0 ento
2-
96
3-
2 = 1Co = 1 - 1
4-
r = (1 - 2) - (Gc -1/2)*ftDa
5-
Se ( r = 1/2)
6-
Desaprendeu
7-
8-
Seno
910-
11- Fim
10- Seno
11- 2 = 1 - 1
12- r = (1 - 2) - ( r - 1)*ftA
13- Se ( r = 1)
14-
Aprendeu
15-
ftA = 0
16- Seno
17-
18- Fim
19- Fim
Sada:
1- r
Fim.
h) Clula Neural Artificial Paraconsistente de Aprendizagem e Padro
Memorizado
97
A Figura A.7 descreve de forma visual o algoritmo citado abaixo, de forma que se possa
compreender mais facilmente sua atuao.
Entradas:
1- 1;
Entrada do Fator Externo:
1- ftM;
Clculos: Nenhum.
Sada:
98
A Figura A.8 descreve de forma visual o algoritmo citado abaixo, de forma que se possa
compreender mais facilmente sua atuao.
Entradas:
1- 1;
2- 2;
Entrada do Fator Externo:
1- ftR;
Clculos:
99
1- 1;
2- 2;
100
Objetos:
2- 2;
Objetos:
101
UNAPMax
1- 1;
2- 2;
Objetos:
102
A Figura A.10 descreve visualmente em detalhes as aes de cada CNAP utilizada com
o objetivo de obter no processamento os valores resultantes maximizados dos valores
no aprendidos e aprendidos pela CNAPAdm, com o objetivo de serem utilizados nos
clculos das descobertas das possveis contradies.
d) UNAPMin
1- 1;
2- 2;
Objetos:
103
Sadas:
A figura B.3 descreve visualmente em detalhes as aes de cada CNAP utilizada com o
objetivo de obter no processamento os valores resultantes minimizados dos valores no
aprendidos e aprendidos pela CNAPAdm, com o objetivo de serem utilizados nos
clculos para as descobertas das possveis contradies.
e)
UNAPCt
1- 1;
2- 2;
104
Objetos:
Quantidade de CNAPs igual a 7 (sete), onde se tem uma CNAPRp, duas CNAPCo,
uma CNAPp, uma CNAPCa, , uma CNAPApm e uma CNAPCLs.
Sadas:
1- Grau de Contradio;
2- Grau Resultante;
105