Professional Documents
Culture Documents
HORIZONTAL E ILUMINNCIA
UTILIZANDO REDES NEURAIS
ARTIFICIAIS
Universidade de Pernambuco
Escola Politcnica de Pernambuco
Graduao em Engenharia de Computao
ii
iii
iv
Agradecimentos
Agradeo a Deus por me dar cada segundo da minha vida.
Agradeo todo o apoio e dedicao incondicional que recebi, em toda minha
vida, dos meus pais. Que sempre me incentivaram a seguir minha carreira
acadmica e desejam que eu siga em frente para atingir degraus ainda mais altos. E
eles, sem dvidas, foram fundamentais para que eu conseguisse ingressar em duas
Universidades pblicas. S tenho que agradecer aos meus pais e nunca esquecer
dos ensinamentos que eles me deram.
Apesar de ter estudado grande parte da minha vida escolar para as cincias
humanas, decidi no ano do vestibular fazer Engenharia. Para mim uma grande
felicidade poder estar concluindo a minha graduao, no curso de Engenharia da
Computao.
Tenho muito que agradecer tambm aos meus amigos de Universidade, sem
os quais estes 6 anos de graduao, com certeza, no seriam to bem aproveitados
academicamente, profissionalmente e pessoalmente.
Em particular agradeo tambm aos meus irmos que servem de exemplos
para que eu trilhe o meu caminho to bem quanto os deles. Ao meu padrinho que
me incentivou desde a infncia a estudar informtica, me oferecendo cursos e
inclusive sendo meu professor em um deles.
Agradeo a todos que de alguma forma me ajudaram a seguir em frente para
que eu no desistisse dos meus objetivos, e principalmente no deixasse de sonhar
e acreditar na minha capacidade em torn-los realidade.
Resumo
Devido ao crescimento industrial, a obteno de recursos energticos se
tornou um dos grandes problemas econmicos e ambientais. Para aliar o
desenvolvimento a preservao, necessrio o incentivo a fontes de energia
renovveis que causem o menor impacto ambiental. O Brasil possui um grande
potencial para a obteno da energia solar ainda pouco explorado, principalmente
na regio Nordeste. At o ano de 2013, a energia solar no pas no possua preo
de referncia, j que o seu uso se restringe ainda, pesquisa e a sistemas
residenciais isolados. Como incentivo aos produtores de energia, o estado de
Pernambuco realizou o primeiro leilo de energia solar em dezembro de 2013. O
prprio estado
consumido pelo governo. O uso de RNAs (Redes Neurais Artificiais) para prever as
variveis radiomtricas e meteorolgicas
aproveitamento dessa fonte de energia. Sendo assim este trabalho tem como
objetivo utilizar RNAs para prever a radiao global horizontal e a iluminncia na
estao solarimtica e anemomtica da rede SONDA (Sistema de Organizaao
Nacional de Dados Ambientais) em Petrolina, Pernambuco. As RNAs utilizadas so
a Radial Basis Function Network (RBFN) e a Multi-Layer Perceptron (MLP), as quais
iro prever a radiao global horizontal e a iluminncia futura a partir dos valores
anteriores. Os resultados obtidos sero comparados com o modelo de Persistncia
para analisar qual das redes apresentou o melhor desempenho.
Palavras-Chave: Previso da radiao global horizontal e iluminncia, RBFN, MLP,
energia solar
vi
Abstract
Due to the industrial growth, to obtain energy resources has become a major
economic and environmental problems. To ally the development with the
preservation is necessary to encourage renewable energy sources that cause the
least environmental impact. Brazil has a large solar potential still unexplored,
especially in the Northeast. By the year 2013 the solar energy in the country did not
have a reference price, since its use is restricted to research and isolated residential
systems. As an incentive for energy producers, the state of Pernambuco held the first
auction of solar power on December 2013. Pernambuco bought an amount of energy
that corresponds 18% of the total consumed by the government. The use of ANNs
(Artificial Neural Networks) to provide radiometric and meteorological variables can
help to achieve a better use of this energy source. Thus, this work aims to use ANN
to predict the global horizontal radiation and the illuminance in the solarimetric and
anemometer station of SONDA network (National Organization System of
Environmental Data - Sistema de Organizao Nacional de Dados Ambientais in
portuguese) in Petrolina, Pernambuco. The ANNs used are Radial Basis Function
Network (RBFN) and Multilayer Perceptron (MLP) and both will predict the future
global horizontal radiation and illumiance from previous values. The results will be
compared with the Persistence model to analyze which of the networks has the best
performance.
Keywords: Prediction of global horizontal radiation and illuminance, RBFN, MLP,
solar energy
vii
Sumrio
Captulo 1 Introduo
1.1
Motivao
1.2
Objetivos
1.3
Estrutura da monografia
4
4
2.1.1 Iluminncia
2.2
Redes Neurais
11
14
15
17
18
2.2.4.1
19
2.2.4.2
20
20
Captulo 3 Metodolgia
22
22
24
viii
26
27
29
31
32
3.4.2 Teste F
32
33
34
Captulo 4 Resultados
35
35
37
37
40
42
5.1 Concluses
42
43
Bibliografia
44
Apndice A
46
Estudo da Quantidade
de Neurnios na Camada Escondida e
Topologias MLP Para Dados de Iluminncia
46
ix
ndice de Figuras
Figura 1.
onda. 6
Figura 2.
Figura 4.
Figura 5.
Figura 6.
Figura 7.
Figura 8.
Figura 9.
. ............................................................................................. 28
Figura 10.
. ......... 28
Figura 11.
. ............................................................................................. 46
Figura 14.
Figura 15.
. ......... 47
. ............................................................................................. 47
Figura 16.
Figura 17.
Figura 18.
. ......... 47
. ............................................................................................. 47
. ......... 47
x
ndice de Tabelas
Tabela 1.
Tabela 2.
Tabela 4.
de radiao.......................................................................................................... 37
Tabela 6.
iluminncia .......................................................................................................... 38
Tabela 8.
de iluminncia ..................................................................................................... 39
Tabela 9.
e RBFN utilizando os
xi
xii
Captulo 1 Introduo
Captulo 1
Introduo
Este captulo aborda a motivao e os objetivos deste trabalho, alm da
estrutura organizacional dos contedos a serem discutidos.
1.1 Motivao
Cada vez mais a conscincia ecolgica e a preocupao com o meio
ambiente vem aumentando, sendo um dos temas mais recorrentes da sociedade
moderna. Nesse sentido, a busca por fontes energticas renovveis e que causem o
menor impacto no meio ambiente tem sido essencial para a garantia de um futuro
melhor.
A disponibilidade e o uso da energia se relaciona diretamente com o
desenvolvimento da sociedade e da nao [1]. Dessa forma, para que haja
desenvolvimento econmico necessrio um maior consumo de energia e para aliar
o desenvolvimento a preservao do meio ambiente necessrio recorrer a fontes
que no sejam combustveis fsseis ou no renovveis de forma geral.
O Brasil hoje possui como matriz energtica a energia proveniente de usinas
hidroeltricas, alm de parques elicos e estaes de energia solar. Porm essas
ltimas fontes de energia ainda so pontuais e no representam uma parcela
significativa da produo energtica do pas. O incentivo pesquisa nas reas de
previso
de
recursos
energticos
elicos
solar
tem
sido
aliados
no
Captulo 1 Introduo
1.2 Objetivos
1.1.1 Objetivo geral
Este trabalho tem como objetivo geral realizar a configurao de RNAs
(Redes Neurais Artificiais) com arquiteturas MLP (Multi-Layer Perceprton) e RBFN
(Radial Basis Neural Network) para prever a radiao global horizontal e a
iluminncia na estao solarimtica e anemomtica da cidade de Petrolina,
Pernambuco.
Captulo 1 Introduo
Captulo 2
Fundamentao Terica
Este captulo apresenta uma breve explicao dos assuntos necessrios para
o entendimento do trabalho proposto.
para os cones.
Iluminncia (lux)
TIPO DE AMBIENTE/ATIVIDADE
20 30 50
50 75 100
em geral)
visuais minuciosas)
registrada no litoral norte de Santa Catarina, regio que possui chuvas bem
distribudas ao longo do ano. Os valores de radiao solar global incidente em
qualquer regio do territrio brasileiro so superiores aos da maioria dos pases da
Unio Europia, como Alemanha, Frana e Espanha, onde projetos de
aproveitamento de recursos solares so amplamente disseminados. [6]
Rafael Lopes Mendona
).
Mapa com a mdia anual do total dirio de radiao solar global incidente no
Brasil
[Fonte: Atlas Brasileiro de Energia Solar [1] ]
11
12
, expressa pela
Equao 1.
Sendo
A sada calculada da rede neural depende dos valores dos pesos de cada
neurnio, uma vez que a sada obtida pela multiplicao dos valores de entrada e
o seu peso associado. Dessa forma fundamental para o sucesso da RNA a correta
escolha dos pesos que a constitui [15] e eles devem ser ajustados atravs de
algoritmos de aprendizagem. Este aprendizado pode ser supervisionado (quando a
resposta do problema conhecida pela rede), no supervisionado (quando a rede
no conhece a resposta do problema), ou por reforo (quando um supervisor externo
avalia a resposta fornecida pela rede) podendo esse algoritmo ser executado ao fim
de cada iterao do treinamento da rede, ou em lote, ao fim do treinamento inteiro
da rede [4].
A partir da unio de neurnios artificiais em uma ou mais camadas, possvel
a construo das RNAs. As primeiras arquiteturas destas redes foram a Perceptron
e a Adaline, sendo os dois modelos capazes de solucionar apenas problemas
linearmente separveis, onde o primeiro modelo lida apenas com sadas discretas,
enquanto o segundo permite respostas no universo contnuo. Tal diferena se deve
Rafael Lopes Mendona
13
funo de ativao escolhida pelos modelos propostos, uma funo linear para a
arquitetura Perceptron e uma funo sigmide para a Adaline.
Essas duas arquiteturas foram fundamentais para o estudo das Redes
Neurais Artificiais (RNAs) futuras, como o Multi-Layer Perceprton (MLP) e Radial
Basis Neural Network (RBFN), que sero abordados na sequncia.
2.2.1 Multi-Layer Perceptron
uma das redes neurais mais encontradas na literatura. A MLP uma rede
de propagao unidirecional baseada na rede Perceptron, porm apresenta pelo
menos uma camada de neurnios intermediria ou escondida. As camadas so
conjuntos de neurnios que executam no mesmo nvel de hierarquia. Sendo assim,
a MLP apresenta no mnimo trs camadas, a camada de entrada onde os neurnios
representam as variveis de entrada do problema, a camada intermediria ou
escondida que responsvel pela soluo de problemas no linearmente
separveis, sendo possvel a aproximao de qualquer funo matemtica [3] e a
camada de sada que representa a resposta da rede e onde se encontra a varivel
desejada.
Os neurnios da camada escondida possuem geralmente uma funo de
ativao sigmoidal que pode ser a logstica ou a tangente hiperblica. J a camada
de sada, alm da funo de ativao sigmoidal, tambm podem apresentar a
funo de ativao linear.
A rede MLP do tipo feedforward, ou seja, as informaes das camadas so
transmitidas em uma nica direo. Sempre da camada de entrada para a camada
escondida e, posteriormente, da camada escondida para a camada de sada.
Os neurnios da rede MLP so conectados atravs de ligaes com pesos,
que so inicialmente aleatrios, e que ao longo do treinamento so otimizados.
Desta forma, a MLP, assim como outras arquiteturas de rede neural, precisa de um
algoritmo de treinamento para calcular os seus pesos timos. Por apresentarem uma
ou mais camadas escondidas, a complexidade do treinamento das redes MLP
diretamente proporcional quantidade de camadas escondidas.
14
15
Onde
no instante , e
mede a
Onde
rede e
a sada desejada,
16
Onde
imediatamente frente,
o peso
do neurnio
o nmero de neurnios
na camada de sada.
2.2.3 Critrio de parada
Durante o treinamento de uma rede neural artificial (RNA) dois problemas
podem ocorrer, problemas ocasionados pela quantidade de pocas de treinamento.
So eles o overfitting e o underfitting. O primeiro se deve ao treinamento excessivo
da rede, fazendo com que esta decore os padres e perca a sua capacidade de
generalizao. O segundo problema se deve ao treinamento insuficiente da rede,
fazendo com que a rede no aprenda com os padres fornecidos e assim no possa
generalizar. O nmero de pocas
17
18
Onde
2.2.4.1
19
Onde
so o centro e a disperso
Onde
calculado de
20
21
Captulo 3 Metodologia
Captulo 3
Metodolgia
Neste captulo sero apresentadas as etapas de desenvolvimento deste
trabalho, aquisio e tratamento dos dados, alm da definio dos parmetros das
arquiteturas MLP e RBFN.
22
Captulo 3 Metodologia
representa
. Os valores negativos
.
Para que os dados fiquem compreendidos em um intervalo menor
necessrio utilizar uma funo de normalizao dos dados, representada pela
Equao 14.
Onde
para
para
de iluminncia.
Aps a normalizao dos dados foi realizada a transformao da srie
temporal para um srie que apresenta valores a cada 30 min, ao invs de dados a
cada um minuto como foram obtidos do projeto SONDA. Para tanto, foi feita a mdia
a cada conjunto de 30 valores da srie. Dessa forma a quantidade de linhas nas
planilhas de dados foi reduzida evitando problemas de uso excessivo da mmoria.
Em seguida foi realizada a defasagem dos dados em 48 colunas, para que
seja feito o estudo de correlao linear dos valores das colunas em relao a
Rafael Lopes Mendona
23
Captulo 3 Metodologia
primeira coluna, que contm o dados que serviram de base para a defasagem. A
partir dos valores obtidos pela correlao ser definida a quantidade de colunas de
entrada para a RNA. De acordo com a correlao realizada as 12 primeiras colunas
possuem uma correlao relevante para a radiao, e as 14 primeiras para a
iluminncia, sendo essas as quantidades mximas de variveis selecionadas para o
arquivo de entrada. A Tabela 2 apresenta o resultado obtido com o estudo da
correlao linear realizado.
30min
1h
1h30min
2h
2h30min
3h
3h30min
4h
4h30
5h
5h30min
6h
6h30
0,36
0,28
0,20
0,13
0,05
-0,01
0,56
0,47
0,38
0,29
0,20
0,11
0,92
0,84
0,76
0,69
0,61
0,53
0,45
Iluminncia
1
0,99
0,96
0,92
0,86
0,80
0,72
0,64
24
Captulo 3 Metodologia
Critrios de parada;
Onde
instante .
A definio da quantidade de neurnios na camada intermediria foi baseada
na anlise do EMQ obtido pela simulao da rede com valores de neurnios entre 2
e 105, simulados de forma iterativa. Dessa forma foram realizadas simulaes para
diversos valores de neurnios na camada escondida e foi escolhida a rede que
apresentou o menor EMQ.
25
Captulo 3 Metodologia
Tabela 3. EMQs mdios obtidos pela simulao dos dados de radiao na MLP
Valores desnormalizados
Valores normalizados
MLP com = 0,2 e = 0,6 Persistncia MLP com = 0,2 e = 0,6 Persistncia
1,9155E+48
2,7854E+10
0,111726
0,06471
26
Captulo 3 Metodologia
stricto
sensu
em
Engenhraria
de
Computao
(PPG-EC)
da
Universidade de Pernambuco.
Os resultados obtidos nesse simulador foram similares aos obtidos no
MatLab, sendo utilizados apenas os valores normalizados para a anlise dos
resultados obitdos. Os dados de radiao global horizontal foram simulados no
projeto desenvolvido em JAVA em 48 configuraes diferentes para a MLP, e no
foram feitas simulaes na rede RBFN. Estas configuraes alm de variarem a taxa
de aprendizado e o momento , tambm apresentam diferentes valores para a
quantidade de neurnios na camada de entrada e na camada escondida.
3.2.1 Simulaes com a MLP para iluminncia
Foram definidas quatro configuraes diferentes para simular os dados de
iluminncia com a MLP. Estas configuraes possuem variaes na taxa de
aprendizado e o momento , e para cada uma foi feito o estudo da melhor
quantidade de neurnios na camada escondida. Porm todas as configuraes
apresentam 12 neurnios na camada de entrada e 2 na camada de sada, o que
representa 12 valores de entrada para a previso de 1 hora frente.
As configuraes utilizadas foram:
.
Rafael Lopes Mendona
27
Captulo 3 Metodologia
.
[Fonte : elaborao prpria]
[Fonte : MatLab]
Foram realizados os mesmos estudos para as outras trs configuraes. Os
resultados obtidos para as outras configuraes foram:
28
Captulo 3 Metodologia
Critrios de parada;
Onde
Esta funo tem o seu valor mximo no centro e este valor decresce a medida
que se afasta do centro. possvel ajustar os resultados alterando o valor de
disperso da funo. Valores de disperso maiores fazem com que a aproximao
da funo seja mais suave. Um valor de disperso baixo far com que uma
quantidade menor de neurnios seja necessria para aproximar a funo que varia
29
Captulo 3 Metodologia
rapidamente, porm para uma funo de curva suave ser necessria uma
quantidade maior de neurrios, o que acarretar problemas de generalizao.
Para definir o valor de disperso foi realizado um estudo a partir da simulao
da rede RBFN de forma iterativa. Atravs da ferramenta Neural Toolbox da IDE do
software Matlab possvel executar um algoritmo no qual o valor do spread
testado iterativamente para diferentes quantidades de neurnios, at que um critrio
de parada seja atingido. Atravs desse estudo escolhida a melhor taxa de
disperso e a quantidade de neurnios na camada escondida. As simulaes
realizadas pele estudo variou a taxa de disperso de
e
a , para
30
Captulo 3 Metodologia
para o spread e 25
Onde:
o valor desnormalizado;
o valor mnimo de
o valor mximo de
no conjunto original;
no conjunto original;
31
Captulo 3 Metodologia
valor de 0,05.
As prximas sees descrevem cada teste realizado, quais os objetivos de
cada um e como cada um analisa os resultados encontrados.
3.4.1 Teste Shapiro-Wilk
O objetivo do Teste Shapiro-Wilk verificar se os dados esto normalmente
distribudos. Para que se possa avaliar as premissas supracitadas, necessria a
formulao das hipteses nula e alternativa da seguinte forma:
32
Captulo 3 Metodologia
Hiptese
alternativa:
as
amostras
no
possuem
varincias
estatisticamente iguais.
Para cada conjunto de teste executado deve-se verificar o p-value calculado,
e caso este seja menor que o nvel de significncia
Hiptese
nula:
as
mdias
das
amostras
analisadas
so
estatisticamente iguais;
33
Captulo 3 Metodologia
, a
Hiptese
nula:
as
medianas
das
amostras
analisadas
so
estatisticamente iguais;
34
Captulo 4 Resultados
Captulo 4
Resultados
Neste captulo, sero apresentados os resultados obtidos nas simules das
Redes Neurais Artificiais para as variveis de radiao global horizontal e
iluminncia, e a comparao com o modelo de persistncia. Alm disso, ser feita
uma anlise estatstica, realizada com os valores dos erros mdios quadrticos de
cada configurao utilizada para as arquiteturas escolhidas, isto , Multi-Layer
Perceptron (MLP) e Radial Basis Function Network (RBFN).
35
Captulo 4 Resultados
MLP_E4_A04_B08_N12
3,362E-08
Sim
MLP_E6_A02_B06_N12
1,586E-08
Sim
MLP_E12_A04_B06_N16
2,354E-08
Sim
36
Captulo 4 Resultados
p-value
MLP_E4_A04_B08_N12
MLP_E6_A02_B06_N12
1.542e-08
MLP_E4_A04_B08_N12
MLP_E12_A04_B06_N16
1.285e-07
MLP_E6_A02_B06_N12
MLP_E12_A04_B06_N16
4.242e-06
. A configurao
, momento
37
Captulo 4 Resultados
MLP_02_06
0,1734
Sim
MLP_02_08
0,3078
Sim
MLP_04_06
0,4388
Sim
MLP_04_08
0,3078
Sim
MLP_02_06
MLP_02_08
0,003219
Sim
MLP_02_06
MLP_04_06
3,26E-06
Sim
MLP_02_06
MLP_04_08
2,17E-09
Sim
MLP_02_08
MLP_04_06
0,05535
No
MLP_02_08
MLP_04_08
0,000482
Sim
MLP_04_06
MLP_04_08
0,09537
No
38
Captulo 4 Resultados
Como pode ser observado na Tabela 7, apenas dois testes com as amostras
apresentaram varincias estatisticamente iguais. So as duas linhas que no
possuem o p-value menor que a taxa de significncia, previamente definida com o
valor de
p-value
MLP_02_06
MLP_02_08
0,000479
MLP_02_06
MLP_04_06
0,001356
MLP_02_06
MLP_04_08
4,253E-11
MLP_02_08
MLP_04_06
0,5165
MLP_02_08
MLP_04_08
2,03E-6
MLP_04_06
MLP_04_08
8,97E-10
e o momento
39
Captulo 4 Resultados
MLP_04_08
0,003483
Sim
RBFN
0,2452
Sim
neurais foi realizada utilizando apenas o teste da Soma dos Postos de Wilcoxon. As
hipteses para este teste foram determinadas da seguinte forma:
Tabela 10. Teste Wilcoxon para as redes neurais MLP e RBFN utilizando os dados
de iluminncia
p-value
RBFN
MLP_04_08
40
Captulo 4 Resultados
O resultado, como pode ser visto na Tabela 10, apresenta um p-value muito
menor do que o nvel de significncia. Desta forma, a Rede com Funo Base Radial
(RBFN) apresentou um melhor desempenho comparado a Multi-Layer Perceptron
(MLP).
41
Captulo 5
Concluso e Trabalhos Futuros
5.1 Concluses
A energia solar uma fonte de energia renovvel ainda pouco explorada,
sendo necessrio o desenvolvimento de projetos e pesquisas que auxiliem no
crescimento do uso desse recurso natural. Essa fonte de energia pode ser
diretamente transformada em energia eltrica atravs de painis solares com clulas
fotovoltaicas, assim como pode auxiliar na reduo do consumo de energia eltrica,
utilizando a iluminao natural como fonte de calor para aquecimento de gua e
ambientes.
Este trabalho de concluso de curso teve como objetivo utilizar duas
arquiteturas de redes neurais artificiais para predizer a radiao global horizontal e a
iluminncia para 1 hora frente, e comparar os resultados obtidos para determinar
qual das arquiteturas obteve o melhor resultado. Tanto a radiao quanto a
iluminncia so variveis que auxiliam no estudo e desenvolvimento de projetos que
utilizam a energia solar como fonte de energia. Desta forma, este trabalho sugere o
incentivo ao desenvolvimento de pesquisas que proporcionem conhecimentos
necessrios para a implantao desses projetos.
A base de dados utilizada foi obtida no projeto SONDA (Sistema de
Organizaao Nacional de Dados Ambientais), e a estao de coleta dos dados
escolhida est localizada na cidade de Petrolina, no estado de Pernambuco.
Os resultados obtidos pelas simulaes das RNAs com os dados de radiao
global horizontal apresentaram valores muitos altos para os dados desnormalizados.
Esse resultado sugere que, para que seja possvel predizer essa varivel,
necessrio o uso de outras variveis em conjunto. Porm, para este trabalho foram
utilizados os valores de radiao normalizados, os quais foram simulados apenas na
42
, momento
43
Bibliografia
Bibliografia
[1]
ATLAS
BRASILEIRO
DE
ENERGIA
SOLAR.
Disponvel
em:
<
[3]
[4]
[5]
[6]
[7]
[8]
[9]
em:
<http://jconline.ne10.uol.com.br/canal/economia/pernambuco/noticia/2014/09/
09/governo-de-pernambuco-compra-energia-solar-144627.php>
Acesso em:
22 de setembro de 2014.
Rafael Lopes Mendona
44
Bibliografia
[10]
LAM, J. C. And LI, D. H., (1999) An analysis of daylighting and solar heat for
cooling dominated office buildings, Solar Energy, Vol. 64, No. 4, pp. 251-262.
[11]
[12]
NEO
SOLAR
ENERGIA.
Energia
solar.
Disponvel
em:
<http://www.neosolar.com.br/aprenda/saiba-mais/energia-solar> Acesso em
11 de outubro de 2014.
[13]
REDE
SONDA.
Sobre
projeto
SONDA.
Disponvel
em:
[15]
[16]
WERBOS J., P. Beyond Regression: New tools for prediction and analysis in
behavioral sciences. Tese (Doutorado) Havard University, 1974.
45
Apndice A
Apndice A
Estudo da Quantidade de
Neurnios na Camada Escondida e
Topologias MLP Para Dados de
Iluminncia
Para a MLP_02_08 o resultado para o teste da quantidade de neurnios na
camada escondida apresentou o seguinte resultado:
.
[Fonte : elaborao prpria]
46
Apndice A
[Fonte : MatLab]
.
[Fonte : elaborao prpria]
47
Apndice A
[Fonte : MatLab]
Para a MLP_04_08 o resultado para o teste da quantidade de neurnios na
camada escondida apresentou o seguinte resultado:
.
[Fonte : elaborao prpria]
48
Apndice A
[Fonte : MatLab]
49