No abstract

This work is the second part of a series of two articles and applies a proposed method of parallel combination of models in the context of arithmetic computation. The combination is performed from known submodels obtained through an interval system identification procedure that uses interval arithmetic in the least squares estimator to find a set of models that best fits the data. The interpolated model was compared with a model obtained from a classic identification procedure and with the average model of the interval identification procedure obtaining a decrease of about 11 % in the RMSE index. The model was also compared to the submodels used to obtain it, reaching in this case a decrease of about 79 % in the RMSE and 22 % in the energy of the autocorrelation of the waste vector. Resumo: Este trabalhoé a segunda parte de uma série de dois artigos e aplica um método proposto de combinação paralela de modelos no contexto da computação aritmética. A combinaçãoé realizada a partir de submodelos conhecidos obtidos por meio de um procedimento de identificação intervalar de sistemas que usa aritmética intervalar no estimador de mínimos quadrados para encontrar um conjunto de modelos que melhor se ajusta aos dados. O modelo interpolado foi comparado com um modelo obtido a partir de um procedimento clássico de identificação e com o modelo médio do procedimento de identificação intervalar obtendo uma diminuição de cerca de 11% noíndice RMSE. O modelo também foi comparado com os submodelos utilizados em sua obtenção obtendo neste caso uma diminuição de cerca de 79% no RMSE e de 22% na energia da autocorrelação do vetor de resíduos.

This work is an part of a series of two articles and proposes a combinatorial network of nonlinear models. The method proposes an analytical form of parallel model combining and an algorithm for calculating weights for each model is provided. The method is applied from submodels pertaining to the Pareto-Set obtained through a multiobjective procedure for selecting nonlinear structures. The composite model obtained better performance than the submodels used in the validation indexes analyzed, reaching a reduction of 65% in the NRMSE index, 95% in the MSE index of the static curve, 87% in the energy of the vector of residues and a reduction of 21% in the autocorrelation energy of the vector of residues. Resumo: Este trabalhoé parte integrante de uma série de dois artigos e propõe uma rede combinatória de modelos não lineares. O método traz uma forma analítica de combinar modelos paralelamente e um algoritmo para o cálculo dos pesos que ponderam os modelosé fornecido. A técnicaé aplicada a partir de submodelos pertencentes ao conjunto Pareto-Ótimo obtidos através de um procedimento multiobjetivo de seleção de estruturas de modelos não lineares. O modelo composto obteve melhor desempenho que os submodelos utilizados em sua obtenção noś ındices de validação analisados, obtendo uma redução de 65% noíndice NRMSE, 95% noíndice MSE da curva estática, 87% na energia do vetor de resíduos e uma redução de 21% na energia da autocorrelação do vetor de resíduos.

No abstract