Fuzzy Granular Neural Network for incremental modeling of nonlinear chaotic systems

Leite, Daniel; Santana, Márcio Wladimir; Borges, Ana Raquel; Gomide, Fernando

doi:10.1109/fuzz-ieee.2016.7737669

Cited by 9 publications

(4 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Similarly, some of the most important neuro-fuzzy-based methods are: EFuNN [94,93], DENFIS [95], eGNN [116,118], GANFIS [30], SOFNN [123], SAFIS [162], SCFNN [128], NFCN [127], D-FNN [191], GD-FNN [192], SONFIN [89],…”

Section: Evolving Systems In Clustering Regression and Identificationmentioning

confidence: 99%

See 1 more Smart Citation

Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification, and classification: A Survey

Škrjanc

Iglesias

Sanchís

et al. 2019

Information Sciences

259

117

View full text Add to dashboard Cite

Section: Evolving Systems In Clustering Regression and Identificationmentioning

confidence: 99%

“…Granular evolving methods, IBeM [115,108], FBeM [117,114] and eGNN [116,118], consider a maximum expansion region (a hyper-rectangle) around information granules. Granules and expansion regions are time-varying.…”

Section: Adding Clustersmentioning

confidence: 99%

Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification, and classification: A Survey

Škrjanc

Iglesias

Sanchís

et al. 2019

Information Sciences

259

117

View full text Add to dashboard Cite

“…Portanto, rotinas de classificação de distúrbios devem ser projetadas para tratar novidades nos padrões dos dados. Estas novidades precisam ser detectadas e armazenadas em sistemas autoajustáveis em modo on-line (GARCIA et al, 2019;SILVA et al, 2018;SOARES et al, 2019;LEITE et al, 2016).…”

Section: Introductionunclassified

Reconhecimento de padrões e classificação não supervisionada baseada em sistemas conexionistas evolutivos

Santana

Dornelas

Fortunato

et al. 2023

REVTEC

View full text Add to dashboard Cite

Reconhecimento de padrões e classificação não supervisionada baseada em sistemas conexionistas evolutivos Pattern recognition and unsupervised classification based on evolving connectionist systems Reconocimiento de critérios y clasificación no supervisada basada en sistemas conectistas evolutivosResumo O reconhecimento de padrões é uma área da ciência cujo objetivo é a classificação de objetos em um número de categorias ou classes. Estes objetos podem ser imagens, formas de onda de sinais ou qualquer tipo de medição que necessita ser distinguida.Na área de sistemas elétricos de potência, com foco em qualidade de energia, o reconhecimento de padrões tem sido cada vez mais usado para detectar e classificar distúrbios que ocorrem nos sinais de tensão e corrente. Estes eventos são chamados de distúrbios de qualidade de energia elétrica e causam prejuízos financeiros tanto às concessionárias de energia quanto aos consumidores. Portanto, a detecção e classificação destes distúrbios são de fundamental importância. Este trabalho apresenta o sistema conexionista evolutivo eCF (evolving Classifier Function) para a classificação não supervisionada de distúrbios de qualidade da energia elétrica em sinais de tensão elétrica. Para extração de características indicadoras de presença de distúrbios é considerado um método híbrido composto pelas seguintes técnicas de análise de sinais: filtro Hodrick e Prescott, raiz do valor quadrático médio e transformada rápida de Fourier. Os resultados mostram uma comparação entre o desempenho do eCF e outros classificadores. O modelo eCF obteve acurácia média de 100%.

show abstract

“…A motivação em se adotar um método de filtragem e decomposição para extração de variáveis, em combinação com modelo fuzzy munido de algoritmos incrementais online é devido ao fato que essas abordagens têm se mostrado eficientes para tratar problemas de detecção e classificação de anomalias em diferentes contextos. Por exemplo, elas têm sido consideradas para detecção e classificação de novidades em séries temporais econométricas e climáticas; detecção de faltas em máquinas elétricas; detecção de mudanças abruptas e graduais em aplicações biomédicas, entre outras (GARCIA et al, 2019;LEITE;GOMIDE, 2012;LEITE et al, 2016;LEITE;ŠKRJANC, 2019;ŠKRJANC et al, 2019) Algoritmos de detecção e classificação de distúrbios devem ser aptos a lidar com a ocorrência de novidades nos padrões dos dados. Novidades devem ser detectadas e armazenadas em modelos auto ajustáveis em modo online (GARCIA et al, 2019;SILVA et al, 2018;LEITE et al, 2009;SOARES et al, 2019).…”

Section: Introductionunclassified

Aprendizado de Máquina Fuzzy Incremental para Classificação de Faltas em Sistemas de Potência

Santana

Leite

2020

Abakos

View full text Add to dashboard Cite

O conceito de Qualidade da Energia está relacionado a um conjunto de alterações que podem ocorrer no sistema elétrico. Tais alterações (distúrbios/faltas) podem ocorrer em várias partes do sistema de energia, sejam nas instalações elétricas dos consumidores ou no sistema supridor da concessionária, causando prejuízos financeiros a ambas as partes. Por isso, é de fundamental importância a detecção e classificação em tempo real desses distúrbios de modo automático. Para reconhecimento e classificação de padrões, são considerados modelos inteligentes evolutivos, ou seja, modelos equipados com algoritmos de aprendizado incrementais online capazes de alterar seus parâmetros e estrutura, conforme novas informações surgem em um fluxo de dados. Em particular, é considerada a modelagem evolutiva baseada em conjuntos fuzzy (FBeM). Para o pré-processamento dos dados mensurados, e extração de variáveis indicadoras da presença de distúrbios, é considerado o filtro Hodrick-Prescott, a técnica de transformada rápida de Fourier e o valor eficaz da tensão. O modelo desenvolvido neste trabalho tem alcançado um desempenho comparável àqueles de modelos estado da arte na área de qualidade de energia. Detecção e classificação de distúrbios tais como elevação de tensão, sub-harmônico, transitório oscilatório, spikes e notching, ocorrendo de forma simultânea ou não, são alcançadas com acurácia de, aproximadamente, 99%.

show abstract

Fuzzy Granular Neural Network for incremental modeling of nonlinear chaotic systems

Cited by 9 publications

References 25 publications

Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification, and classification: A Survey

Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification, and classification: A Survey

Reconhecimento de padrões e classificação não supervisionada baseada em sistemas conexionistas evolutivos

Aprendizado de Máquina Fuzzy Incremental para Classificação de Faltas em Sistemas de Potência

Contact Info

Product

Resources

About