Navegando por Assunto "Neural networks"
Agora exibindo 1 - 2 de 2
- Resultados por página
- Opções de Ordenação
Artigo de Periódico Acesso aberto (Open Access) Estimation of above-ground forest biomass in Amazonia with neural networks and remote sensing(Universidade Federal do Pará, 2009-03) ALMEIDA, Arthur da Costa; BARROS, Paulo Luiz Contente; MONTEIRO, José Humberto Araujo; ROCHA, Brigida Ramati Pereira daTese Acesso aberto (Open Access) Método de mapa auto-organizável probabilístico para classificação de descargas parciais(Universidade Federal do Pará, 2025-10-29) FERNANDES, Filipe Cavalcanti; OLIVEIRA, Rodrigo Melo e Silva de; http://lattes.cnpq.br/4768904697900863; BARROS, Fabrício José Brito; http://lattes.cnpq.br/9758585938727609; BARROS, Fabrício José Brito; OLIVEIRA, Rodrigo Melo e Silva de; http://lattes.cnpq.br/9758585938727609; http://lattes.cnpq.br/4768904697900863Neste trabalho, é proposta uma metodologia denominada Mapa Auto-Organizável Probabilístico (SOPM) para a classificação automática de múltiplas fontes de descargas parciais (DPs), com ênfase em padrões dúbios, em enrolamentos estatóricos de hidrogeradores, combinando Mapas Auto-Organizáveis (SOM) com análise estatística. A base de dados é composta de mapas PRPD (Phase-Resolved Partial Discharges) provenientes de medições de DP online de hidrogeradores operando em ambiente real nas Usinas Hidrelétricas de Tucuruí e Coaracy Nunes. As principais contribuições deste trabalho são: (i) o desenvolvimento de um classificador com saída probabilística, capaz de quantificar a incerteza e classificar padrões com características de múltiplas classes simultaneamente; a aplicação de uma metodologia semi-supervisionada, que utiliza um treinamento não supervisionado para a organização topológica dos dados e um conjunto reduzido de amostras rotuladas para a otimização, tornando o método robusto para cenários com poucos dados rotulados; a validação do método em um banco de dados real contendo classes de dúvida, que representam a sobreposição de diferentes tipos de falhas. A tarefa de classificação é realizada em duas etapas: primeiramente, um SOM organiza os dados de entrada em um mapa de baixa dimensionalidade; em seguida, o SOPM calcula as probabilidades de uma amostra pertencer a cada classe com base na distância média entre os neurônios e as amostras no espaço de características. Taxas de acerto globais superiores a 90% foram obtidas, com destaque para a classificação das classes de dúvida, que alcançaram até 100% de acerto no conjunto de teste. Por fim, a metodologia foi validada com a base de dados de medições reais, demonstrando sua eficácia para o diagnóstico em condições operacionais