A modified MGGP algorithm for structure selection of NARMAX models
Na área de identificação de sistemas, os modelos de entrada-saída NARMAX (Nonlinear Autoregressive Moving Average with Exogenous Variables) são de grande interesse. A tarefa mais desafiadora quando se trabalha com esses modelos é a seleção da estrutura adequada do modelo que melhor represente o sist...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2021 |
| País: | Brasil |
| Institución: | Universidade Federal de Lavras (UFLA) |
| Repositorio: | Repositório Institucional da UFLA |
| Idioma: | inglés |
| OAI Identifier: | oai:repositorio.ufla.br:1/46427 |
| Acceso en línea: | https://repositorio.ufla.br/handle/1/46427 |
| Access Level: | acceso abierto |
| Palabra clave: | Engenharia de Software Nonlinear system identification Multi-gene genetic programming Error reduction ratio NARMAX models Identificação de sistemas não lineares Programação genética multi-gene Taxa de redução de erro Modelos NARMAX |
| Sumario: | Na área de identificação de sistemas, os modelos de entrada-saída NARMAX (Nonlinear Autoregressive Moving Average with Exogenous Variables) são de grande interesse. A tarefa mais desafiadora quando se trabalha com esses modelos é a seleção da estrutura adequada do modelo que melhor represente o sistema subjacente aos dados. Normalmente, essa seleção de estrutura é feita por meio de algoritmos baseados no critério ERR (Error Reduction Ratio). Esses algoritmos sofrem com a maldição da dimensionalidade quando são requeridos alto grau de não linearidade e dependências de longo prazo. Ademais, algumas não linearidades necessitam de funções ou termos específicos na estrutura do modelo para serem reproduzidas, i.e., o comportamento de histerese. O algoritmo baseado em ERR pode deixar esses termos fundamentais fora da estrutura selecionada. Alternativamente, Algoritmos Evolucionários (AE) podem ser usados para realizar o processo de seleção de estrutura. Eles são métodos que evoluem uma população de indivíduos através das gerações por meio dos fenômenos de seleção, mutação e reprodução. No caso da identificação de sistemas, cada indivíduo seria um candidato a modelo. Essa dissertação propõe a hibridização de um EA chamado MGGP (Multi-Gene Genetic Programming) com um algoritmo baseado em ERR para desempenhar o processo de identificação mesmo naqueles casos em que funções específicas são requeridas. No total, são realizados quatro experimentos. Os dois primeiros analisam os problemas de nível de ruído e entrada suave utilizando sistemas de teste estocásticos para gerar os dados. Como resultado, verificamos que o incremento do nível de ruído na equação não interfere no resultado da seleção de estrutura e que a hibridização MGGP/ERR é benéfica em comparação com o MGGP autônomo para o problema de entrada suave. O MGGP/ERR produz modelos mais parcimoniosos que apresentam melhor desempenho em simulação livre. O terceiro experimento é a identificação de um benchmark de sistema de bombeamento hidráulico. É mostrado que o MGGP/ERR é capaz de explorar um amplo espaço de busca para o qual um método tradicional baseado em ERR requeriria um poder computacional muito alto. E finalmente, o último experimento é a identificação de um atuador piezoelétrico, que se caracteriza pelo comportamento de histerese. São incluídas funções específicas no espaço de busca de tal forma que o MGGP/ERR seja capaz de identificar a histerese. Uma toolbox nova e fácil de usar baseada em Python foi desenvolvida e está disponível sob Licença Pública Geral. |
|---|