Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/366
Files in This Item:
File Description SizeFormat 
wanderantunesgasparvalente.pdf4.1 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Oliveira, Edimar José de-
dc.contributor.advisor1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4707772U9pt_BR
dc.contributor.advisor-co1Honório, Leonardo de Mello-
dc.contributor.advisor-co1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4707900U4pt_BR
dc.contributor.referee1Resende, Leônidas Chaves de-
dc.contributor.referee1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4775822Z6pt_BR
dc.contributor.referee2Martinez, Manuel Luiz Barreira-
dc.contributor.referee2Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4721791Y4pt_BR
dc.contributor.referee3Silva Júnior, Ivo Chaves da-
dc.contributor.referee3Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4771513T6pt_BR
dc.contributor.referee4Oliveira, Leonardo Willer de-
dc.contributor.referee4Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4711128E4pt_BR
dc.creatorValente, Wander Antunes Gaspar-
dc.creator.Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4734362U1pt_BR
dc.date.accessioned2016-01-25T16:56:26Z-
dc.date.available2016-01-08-
dc.date.available2016-01-25T16:56:26Z-
dc.date.issued2015-02-09-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/366-
dc.description.abstractThis work is based on the method of successive geometric segmentations (SGSM) for the construction of an artificial neural network capable of generating both the network topology as the weight of neurons without specifying initial parameters. The MSGS allows to identify a set of hyperplanes in the Rn space that when properly combined, can separate two or more data classes. Specifically in this work is used an improvement to SGSM based on kernel density estimates (KDE). Using KDE, it is possible to find new hyperplanes of separation more consistently and, from there, lead to data classification with accuracy rates higher than originally technique. In this paper, the improved SGSM is first used satisfactorily to identify patterns in electrical power systems. The method has been adjusted to the classification of incipient faults in power transformers and the results have achieved rates above related work. The improved SGSM has also been adapted to classify and locate inter-circuit faults on double circuit overhead transmission lines with positive results compared with the scientific literature.pt_BR
dc.description.resumoO presente trabalho fundamenta-se no método das segmentações geométricas sucessivas (MSGS) para a construção de uma rede neural artificial capaz de gerar tanto a topologia da rede quanto o peso dos neurônios sem a especificação de parâmetros iniciais. O MSGS permite identificar um conjunto de hiperplanos no espaço Rn que, quando combinados adequadamente, podem separar duas ou mais classes de dados. Especificamente neste trabalho é empregado um aprimoramento ao MSGS com base em estimativas de densidade por kernel. Utilizando-se KDE, é possível encontrar novos hiperplanos de separação de forma mais consistente e, a partir daí, conduzir à classificação de dados com taxas de acerto superiores à técnica originalmente empregada. Neste trabalho, o MSGS aprimorado é empregado satisfatoriamente pela primeira vez para a identificação de padrões em sistemas de energia elétrica. O método foi ajustado para a classificação de faltas incipientes em transformadores de potência e os resultados apresentam índices de acerto superiores a trabalhos correlatos. O MSGS aprimorado também foi adaptado para classificar e localizar faltas inter-circuitos em linhas áreas de transmissão em circuito duplo, obtendo resultados positivos em comparação com a literatura científica.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Forapt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICH – Instituto de Ciências Humanaspt_BR
dc.publisher.programPrograma de Pós-graduação em Históriapt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectClassificação de dadospt_BR
dc.subjectEstimativa de densidade por kernelpt_BR
dc.subjectLinhas de transmissão em circuito duplopt_BR
dc.subjectMétodo das segmentações geométricas sucessivaspt_BR
dc.subjectReconhecimento de padrõespt_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectTransformadores de potênciapt_BR
dc.subjectArtificial neural networkspt_BR
dc.subjectData classificationpt_BR
dc.subjectDouble circuit transmission linespt_BR
dc.subjectKernel density estimationpt_BR
dc.subjectMethod of successive geometric segmentationspt_BR
dc.subjectPattern recognitionpt_BR
dc.subjectPower transformerspt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.titleReconhecimento de padrões em sistemas de energia elétrica através de uma abordagem geométrica aprimorada para a construção de redes neurais artificiaispt_BR
dc.typeTesept_BR
Appears in Collections:Doutorado em Engenharia Elétrica (Teses)



Items in DSpace are protected by Creative Commons licenses, with all rights reserved, unless otherwise indicated.