Técnicas Alternativas para Processamento de Sinais
no Contexto da Qualidade da Energia Elétrica
R. A. S. Fernandes, R. A. L. Rabêlo, B. C. da Silva, M. Oleskovicz, A. A. F. M. Carneiro e I. N. da Silva
Departamento de Engenharia Elétrica, Escola de Engenharia de São Carlos – Universidade de São Paulo
Av. Trabalhador São-carlense, 400 – CEP 13566-590, São Carlos - SP
Resumo ⎯ Este trabalho consiste no desenvolvimento de uma
técnica para o pré-processamento de sinais baseada nos cálculos
da dimensão do fractal, entropia e energia que venha a
possibilitar uma classificação dos distúrbios ocorridos em um
determinado sistema elétrico de potência (SEP). Com relação
aos distúrbios, para este relato, serão considerados os
afundamentos, elevações, interrupções e oscilações transitórias.
Com este intuito, uma base de dados representativa foi obtida
por meio de simulações computacionais de um SEP utilizando o
software ATP. Por estas simulações, todos os eventos
anteriormente citados puderam ser caracterizados. Pelo
janelamento e pré-processamento dispondo das técnicas
mencionadas, os dados foram direcionados às redes neurais
artificiais (RNA) empregadas para a tarefa de classificar as
ocorrências. Os resultados mostram que quando aliadas as
técnicas para pré-processamento de dados às RNAs, pode-se
esperar um bom desempenho de toda a metodologia proposta.
Palavras-chaves ⎯ Qualidade da energia elétrica, Classificador
de eventos, Redes neurais artificiais, Técnicas de pré-
processamento.
I. INTRODUÇÃO
A Qualidade da Energia Elétrica (QEE) nos últimos anos
tornou-se alvo de muitas pesquisas realizadas, tanto por
universidades quanto pelas concessionárias de energia
elétrica. Em detrimento a uma desejada QEE, tem-se certos
distúrbios que afetam tanto a freqüência da rede quanto as
formas de onda da tensão e/ou corrente. Os principais
distúrbios que denotam uma má qualidade da energia são:
afundamentos, elevações, sobretensões, subtensões,
interrupções, oscilações, ruídos e distorções harmônicas [1].
Dentre as pesquisas voltadas à detecção e classificação
de distúrbios relacionados à QEE muitas são baseadas em
aplicações de certas ferramentas matemáticas, como as
Transformadas Wavelet (TW) [2]-[3].
Cabe colocar que hoje se encontra na literatura correlata
uma diversidade de métodos que se utilizam da TW junto a
sistemas inteligentes, devido a esta combinação proporcionar
uma classificação automatizada das ocorrências evidenciadas
[4].
_________________________________________________
R. A. S. Fernandes, R. A. L. Rabelo, B. C. da Silva, M. Oleskovicz, A.
A. F. M. Carneiro e I. N. da Silva estão com o Departamento de Engenharia
Elétrica da USP (Campus de São Carlos), CEP 13566-590, São Carlos-SP,
{ricardoasf, ricardor, bcs, olesk, adriano, insilva}@sel.eesc.usp.br.
Este trabalho foi parcialmente financiado pela CAPES, Secretaria da
Fazenda do Piauí e FAPESP.
Dentre os sistemas inteligentes utilizados, as redes
neurais artificiais [5] e sistemas de inferência fuzzy [4] são os
mais empregados. Sistemas inteligentes são utilizados por
possuírem como principais características a possibilidade de
extração da dinâmica do sistema e a generalização da
resposta fornecida pelo sistema, isto por meio das etapas de
treinamento e validação. Os sistemas inteligentes são
normalmente aplicados ao reconhecimento de padrões,
aproximação funcional e otimização de processos [6].
Em [7], realiza-se um estudo comparativo entre a
Transformada de Fourier com diversos tipos de janelas e a
Transformada Wavelet com filtro de Daubechies.
Posteriormente os sinais processados pelas transformadas
foram submetidos a uma RNA do tipo MLP (Multilayer
Perceptron) para que esta viesse a classificar os distúrbios.
Já em [3], uma rede neural wavelet é proposta para a
classificação dos distúrbios. Entretanto, realiza-se uma etapa
de pré-processamento baseada no cálculo da entropia. Os
resultados apresentados revelam a capacidade potencial do
método proposto para a classificação dos distúrbios mesmo
quando da influência de ruídos.
Seguindo o contexto supracitado, neste trabalho é
proposto um método para classificar alguns dos principais
distúrbios associados à má qualidade da energia elétrica
(afundamentos, elevações, oscilações e interrupções). Cabe
adiantar que esta metodologia foi desenvolvida realizando-se
certo janelamento dos sinais que caracterizam os eventos
simulados, sendo que para cada janela, calculou-se a
dimensão do fractal [8], entropia de Shannon [9] e energia
[10]. Após esta etapa de pré-processamento dos dados, redes
neurais artificiais foram parametrizadas, sendo fornecido
como entradas as variáveis calculadas. Desta aplicação, tem-
se então a classificação automatizada dos eventos
supracitados.
II. ASPECTOS DA SIMULAÇÃO COMPUTACIONAL
A simulação computacional foi desenvolvida com o
auxílio do software ATP (Alternative Transients Program)
[11], o qual é devidamente empregado para a modelagem de
SEPs. Desta forma, por meio de dados fornecidos por uma
concessionária de energia elétrica regional, o modelo pôde
ser concebido. O software ATP possibilita configurar todos os
parâmetros necessários para a confecção do modelo, bem
como as variáveis necessárias para se extrair os dados. Para
todas as situações simuladas, a taxa amostral considerada foi
de 7680Hz.
 O sistema elétrico modelado via aplicação do software
ATP pode ser visualizado por meio da Fig. 1.
Figura 1. Sistema elétrico modelado pelo ATP.
Para o sistema elétrico da Fig. 1, afirma-se que o mesmo
foi modelado para que tivesse grande semelhança com o
encontrado em campo. Assim, houve a necessidade de se
adotar diversas considerações práticas do sistema, as quais
foram prontamente disponibilizadas pela concessionária.
Ainda com relação à Fig. 1, observa-se o transformador da
subestação (138/13,8 kV; 25 MVA), os transformadores de
distribuição T3 e T13 (45 kVA) e um transformador
particular TP4 (45 kVA) em destaque, pois, estes foram
modelados de acordo com sua respectiva curva de saturação.
As cargas conectadas a estes transformadores representam
equivalentes que se aproximam às encontradas na prática. Os
transformadores restantes foram modelados sem levar em
consideração suas curvas de saturação.
Cabe comentar que tanto os transformadores de
distribuição quanto os particulares possuem ligações delta-
estrela, com resistência de aterramento de zero ohm. Pode-se
verificar também, que no SEP em questão, há três bancos de
capacitores, sendo dois deles modelados para 600 kVAr e
outro para 1200 kVAr.
Com relação ao cabeamento, pode-se dizer que o
alimentador principal é constituído por um cabo nu CA-477
MCM com estrutura aérea convencional, onde seus trechos
são representados por elementos RL acoplados.
III. AQUISIÇÃO DOS DADOS
Devido ao SEP em questão ter sido simulado, a extração
dos dados é dada por meio do próprio software ATP a uma
freqüência de amostragem de 7680 Hz.
Seguindo esta configuração, 89 casos contendo
afundamentos (34 casos), elevações (28 casos), oscilações
(15 casos) e interrupções (12 casos) foram geradas para que
formassem uma representativa base de dados.
O janelamento dos dados foi necessário para que uma
base de dados homogênea pudesse ser criada, bem como para
melhor preparar os dados à etapa de pré-processamento,
constituída pelos cálculos da dimensão do fractal, entropia e
energia de cada janela de dados. Desta forma, empregou-se
um janelamento sendo constituído por 32 pontos amostrados,
1
o que corresponde a de ciclo do sinal em análise. O
4
deslocamento pertinente desta janela de dados foi
caracterizado a um passo de 8 amostras. Um exemplo deste
janelamento pode ser visualizado por meio da Fig. 2.
Figura 2. Exemplo de um sinal com janelamento.
Somente após a etapa de janelamento, o conjunto de dados
foi considerado devidamente formado para que pudesse ser
pré-processado e assim dividido em um conjunto para o
treinamento e outro para a validação das RNAs associadas.
IV. PRÉ-PROCESSAMENTO DE DADOS
A etapa de pré-processamento de dados é composta pelo
cálculo de três variáveis que são a dimensão do fractal,
entropia de Shannon e a energia do sinal proveniente de cada
uma das janelas que compõem a base de dados.
A. Cálculo da Dimensão do Fractal
A dimensão do fractal foi calculada por meio da
Transformada Wavelet Direta (TWD), sendo aplicada até o
nível máximo do sinal. Portanto, como neste caso utilizaram-
se janelas de 32 pontos, o nível máximo que pode ser
atingido é obtido pela seguinte equação:
log(n)
nívelmax = (1)
log(2)
onde, n é a quantidade de pontos de cada janela em análise.
No entanto, é importante ressaltar que para uma melhor
resposta da dimensão do fractal, geralmente o filtro utilizado
pela TWD deve possuir uma grande quantidade de
coeficientes (acima de 15), pois, isto garante uma resposta ao
impulso mais simétrica [8]. Neste caso, empregou-se o filtro
de Symmlet com suporte 16.
Aplicada a TWD, dois vetores x[.] e y[.] foram gerados,
de forma a conter respectivamente o comprimento dos
detalhes de cada sub-banda wavelet e as energias de cada
uma destas sub-bandas. O procedimento para a criação dos 4
x10
Afundamento
1.5
vetores x[.] e y[.] pode ser visualizado pela Fig. 3. 1

0.5
Sinal

Am pl itud e
0

32pontos -0.5

-1

Aprox. Det. -1.5

0 200 400 600 800 1000 1200 1400 1600 1800 2000
Amostras
16pontos 16pontos
DimensãodoFractal
-4.6
Aprox. Det. -4.7

-4.8
8pontos 8pontos
-4.9

Am pl itud e
-5
Aprox. Det. -5.1

-5.2
4pontos 4pontos -5.3

Aprox. X[.] =comprimentodecadafolha -5.4

Det. 0 200 400 600 800 1000
Amostras
1200 1400 1600 1800 2000

2pontos 2pontos Y[.] =energiadecadafolha

Figura 4. Afundamento de tensão com a sua respectiva dimensão do fractal.
Aprox. Det.
1ponto 1ponto 4
Elevação
x 10
1.5

Figura 3. Transformada Wavelet para o cálculo da dimensão do fractal. 0.5

Amplitude
0

Determinados os vetores, pode-se calcular efetivamente a -0.5

dimensão do fractal conforme a seguinte equação: -1

-1.5
0 200 400 600 800 1000 1200 1400 1600 1800 2000

β −1 Amostras

D = 2− (2) Dimensãodo Fractal

2 -4.7

-4.8

onde, β corresponde ao coeficiente angular da reta média -4.9

-5
Amplitude

que ajusta os pontos dados pelos vetores x[.] (comprimento -5.1

-5.2

de cada folha) e y[.] (energia de cada folha) por meio do -5.3

-5.4

método dos mínimos quadrados. O cálculo de mínimos -5.5

0 200 400 600 800 1000 1200 1400 1600 1800 2000
Amostras
quadrados pode ser realizado conforme a equação a seguir:
Figura 5. Elevação de tensão com a sua respectiva dimensão do fractal.
j ∑ log 2 ( xk ) ⋅ log 2 ( yk ) −∑ log 2 ( yk ) ⋅∑ log 2 ( xk )
β= k k k
(3) 4
Interrupção
⎛ ⎞
x 10

j ∑ log 2 ( xk ) − ⎜ ∑ log 2 ( xk ) 2 ⎟
1.5
2

⎝ k ⎠
1
k
0.5
Amplitude

onde, j é o comprimento do sinal, xk corresponde ao vetor 0

-0.5

x[.] em sua k _ ésima posição e yk corresponde ao vetor -1

y[.] em sua k _ ésima posição. -1.5

0 200 400 600 800 1000 1200 1400 1600 1800 2000
Amostras

Por este cálculo foram obtidos os dados que correspondem Dimensãodo Fractal
a uma das entradas das RNAs. Apenas para ilustrar e verificar -1.5

-2

como o cálculo da dimensão do fractal afeta os sinais -2.5

provenientes dos distúrbios, exemplos da dimensão do fractal -3

Amplitude

-3.5
para afundamentos, elevações, interrupções e oscilações -4

transitórias, encontram-se representados por meio das Fig. 4, -4.5

-5
5, 6 e 7. -5.5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Amostras

Figura 6. Interrupção de tensão com a sua respectiva dimensão do fractal.

 x 10
4
Oscilação
Adianta-se que na intenção de melhorar o processo de
1.5

1
identificação, foi criada uma RNA para a identificação de
0.5
cada distúrbio. Vale comentar que todas as RNAs possuem a
mesma configuração, sendo 15 neurônios na primeira camada
Amplitude

-0.5 escondida, 20 neurônios na segunda camada escondida e

-1 apenas um neurônio na camada de saída. Quanto às funções
-1.5
0 200 400 600 800 1000 1200 1400 1600 1800 2000 de ativação, para as camadas escondidas, utilizou-se a
Amostras
tangente hiperbólica, sendo que para a camada de saída se
Dimensãodo Fractal
-4.7 empregou a função linear com limites em 1 e -1,
-4.8

-4.9
representando assim, se houve ou não um distúrbio na janela
-5 de sinal em análise. As funções de ativação têm como
Amplitude

-5.1

-5.2
finalidade limitar a saída dos neurônios. A arquitetura das
-5.3 RNAs comentadas encontra-se ilustrada pela Fig. 8.
-5.4

-5.5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Amostras Entropia Dimensão
de do
Figura 7. Oscilação transitória com a sua respectiva dimensão do fractal. Shannon Energia Fractal
Entradas X1 X2 X3

B. Cálculo da Entropia de Shannon

Na análise de sinais, a entropia é definida como uma

medida de falta de conhecimento sobre a informação contida
no sinal. Por este motivo, sinais menos ruidosos possuem
também menor entropia [9]. O cálculo da entropia de
1ª - Camada
Shannon pode ser efetuado conforme a seguinte equação: 1 2 3 15

.
.
.
Escondida
N
S = ∑ pi ⋅ log( pi )
i =1
(4)

onde, N corresponde a i_ésima janela do sinal e p 2ª - Camada

1 2 3 20

.
.
.
representa a energia normalizada da janela. Escondida

C. Cálculo da Energia do Sinal

A energia do sinal é calculada para se obter todo o

potencial de um sinal [10]. No entanto, alguns sinais possuem Camada
lados negativos e por isso deve-se realizar uma somatória de 1
Saída
quadrática dos pontos amostrados conforme apresentado na
equação que segue:
N M Fig. 8. Arquitetura das redes neurais artificiais do tipo MLP.
E = ∑∑ sinali,2 j (5)
i =1 j=1
Vale comentar que as RNAs foram desenvolvidas
onde, N corresponde a i_ésima janela e M representa o utilizando-se do software Matlab® juntamente com seu
j_ésimo ponto da janela (32 pontos por janela). ferramental (toolbox) destinado a RNAs [12].
Deve-se ressaltar também que após a etapa de pré-
V. REDES NEURAIS ARTIFICIAIS processamento foi gerada uma base de dados contendo 1160
amostras.
As redes neurais artificiais são modelos computacionais
inspirados no cérebro humano, que por sua vez conseguem A. Etapa de Treinamento
adquirir e manter o conhecimento. Neste trabalho empregou-
se RNAs com arquitetura de múltiplas camadas, denominada Durante a etapa de treinamento, foram avaliados três
MLP (Multilayer Perceptron). Este tipo de arquitetura procedimentos, a saber: Levenberg-Marquardt, Resilient
geralmente é aplicado em tarefas de reconhecimento de Backpropagation e Backpropagtion. Tais testes foram
padrões, aproximação funcional, identificação e controle [6]. realizados com o intuito de se verificar a eficácia da
Assim, considerando o propósito do reconhecimento de metodologia de pré-processamento proposta. A aplicação do
padrões referentes aos distúrbios, verifica-se então que esta algoritmo de Levenberg-Marquardt fez-se necessária em
arquitetura se encaixa a tarefa proposta. virtude da sua capacidade de acelerar o processo de
convergência. Este método consiste de uma aproximação do
método de Newton para sistemas não-lineares [13]. Já o 5
Afundamento
Resilient Backpropagation foi utilizado devido a sua 4.5
Elevação
Interrupção
capacidade em eliminar o efeito prejudicial que as derivadas Oscilação
4
parciais podem causar no treinamento, conforme ocorre
diversas vezes no algoritmo de Backpropagation 3.5

convencional. Assim, utiliza-se apenas o sinal da derivada 3

parcial no processo de atualização dos pesos sinápticos [12].

EQM
2.5

E por fim, o algoritmo de Backpropagation foi empregado 2

por ser mais comumente utilizado no treinamento das redes 1.5

neurais com arquitetura de múltiplas camadas.
1
O conjunto de dados empregado na etapa de treinamento
0.5
das RNAs foi formado por 70% das amostras contidas na
base de dado original, isto é, 812 amostras. 0 500 1000 1500
Épocas
2000 2500 3000

Cabe comentar que todas as RNAs possuíam arquitetura e

quantidade de neurônios iguais. Além do algoritmo de Figura 10. Treinamento das RNAs pelo algoritmo Resilient
treinamento, outro parâmetro avaliado foi a quantidade Backpropagation.
máxima de épocas. Assim, para Levenberg-Marquardt
utilizou-se um máximo de 300 épocas, já para Resilient 5
Afundamento
Backpropagation e Backpropagation convencional, utilizou- 4.5
Elevação
Interrupção

se um máximo de 3000 épocas. 4

Oscilação

3.5
B. Etapa de Validação
3
EQM

Durante a etapa de validação, todas as redes neurais 2.5

receberam como entrada um conjunto contendo os 30% dos 2

dados restantes da base de dados original, isto é, 348 1.5

amostras. A etapa de validação possui como finalidade, 1

verificar a integridade do treinamento anteriormente 0.5

realizado, para que possa ser analisada a capacidade de
aprendizado (generalização) das redes neurais. 0 500 1000 1500
Épocas
2000 2500 3000

Figura 11. Treinamento das RNAs pelo algoritmo Backpropagation

V. RESULTADOS convencional.

Após parametrizadas as RNAs, estas foram submetidas às Os resultados obtidos na etapa de validação foram
etapas de treinamento e validação, conforme definido na analisados e, por conseqüência, os percentuais de acertos de
seção anterior. Assim, por meio das Fig. 9, 10 e 11, podem-se cada distúrbio para cada algoritmo de treinamento empregado
verificar os gráficos de erro quadrático médio pelo número de são apresentados por meio das Tabelas I, II e III.
épocas para cada diferente algoritmo de treinamento
avaliado. TABELA I. RESULTADOS OBTIDOS PELAS REDES NEURAIS PELO
ALGORITMO DE TREINAMENTO LEVENBERG-MARQUARDT
DISTÚRBIOS ACERTOS (%)
1
Afundamento
Afundamento 98,6
0.9
Elevação Elevação 99,5
Interrupção
Oscilação Interrupção 100
0.8 Oscilação 98,5
Valor Médio 99,2
0.7

0.6
TABELA II. RESULTADOS OBTIDOS PELAS REDES NEURAIS PELO
EQM

0.5 ALGORTIMO DE TREINAMENTO RESILIENT BACKPROPAGATION

0.4
DISTÚRBIOS ACERTOS (%)
Afundamento 98,3
0.3 Elevação 98,1
0.2
Interrupção 100
Oscilação 96,8
0.1 Valor Médio 98,3

0 50 100 150 200 250 300 350

Épocas

Figura 9. Treinamento das RNAs pelo algoritmo Levenberg-Marquardt.

 TABELA III. RESULTADOS OBTIDOS PELAS REDES NEURAIS PELO
ALGORTIMO DE TREINAMENTO BACKPROPAGATION CONVENCIONAL
DISTÚRBIOS ACERTOS (%)
Afundamento 94,2
Elevação 92,2
Interrupção 99,9
Oscilação 89,9
Valor Médio 94,1
Pelos resultados observados nas Tabelas I, II e III, pode-se
verificar que o desempenho apresentado pelas RNAs foi
satisfatório. No entanto, como esperado, as RNAs dispondo
do treinamento Levenberg-Marquardt apresentaram melhor
precisão.
Pelo objetivo enunciado para esta pesquisa, a verificação
de uma metodologia de pré-processamento alternativa,
observa-se que esta realmente auxilia na tarefa de
classificação dos distúrbios, visto que até mesmo um
algoritmo de treinamento convencional, como o
Backpropagation, apresentou valores próximos ou superiores
a 90% de eficiência. Assim, pode-se considerar a
metodologia como robusta para a tarefa de identificação de
distúrbios relacionados à qualidade da energia elétrica.
VI. CONCLUSÕES
Este trabalho consistiu no desenvolvimento de uma
técnica alternativa para o pré-processamento de sinais
baseada nos cálculos da dimensão do fractal, entropia e
energia que venha a possibilitar uma classificação dos
distúrbios ocorridos em um determinado sistema elétrico de
potência.
Pelo que foi apresentado, é possível destacar que a
metodologia de pré-processamento proposta, preparou
melhor os dados para a etapa de classificação dos distúrbios,
facilitando a convergência do treinamento das redes neurais
artificiais que, conseqüentemente, forneceu resultados
satisfatórios para a tarefa de identificação dos distúrbios
associados à qualidade da energia elétrica.
Cabe adiantar que esta metodologia foi desenvolvida
realizando-se certo janelamento dos sinais que caracterizaram
os eventos simulados, sendo que para cada janela, calculou-se
a dimensão do fractal, entropia de Shannon e energia. Após
esta etapa de pré-processamento dos dados, redes neurais
artificiais foram parametrizadas, sendo fornecido como
entradas as variáveis calculadas.
Pelos os resultados observados, pôde-se verificar que o
desempenho apresentado pelas RNAs foi satisfatório. No
entanto, como esperado, as RNAs dispondo do treinamento
Levenberg-Marquardt apresentaram melhor precisão.
Desta forma, vislumbra-se para trabalhos posteriores, a
aplicação da mesma metodologia utilizada no pré-
processamento dos dados, em tarefas distintas da
classificação de distúrbios, como, por exemplo, para a
detecção da saturação de transformadores, e outros problemas
relacionados aos sistemas elétricos de potência.
REFERÊNCIAS
[1] R. C. Dugan, M. F. McGranaghan, S. Santoso, H. W. Beaty, Electrical
Power Systems Quality, 2nd ed., New York: McGraw Hill, 2003. 528 p.
[2] L. Hua, Z. Buaqun, Z. Hong, “Recognition and Classification of Power
Qaulity Event in Power System Using Wavelet Transform”,
Proceedings of 27th Chinese Control Conference, pp. 43-46, 2008.
[3] M. Uyar, S. Yildirim, M. T. Gencoglu, “An Effective Wavelet-Based
Feature Extraction Method for Classification of Power Quality
Disturbance Signals”, Electric Power Systems Research, vol. 78, pp.
1747-1755, 2008.
[4] T. X. Zhu, S. K. Tso, L. K. Lo, “Wavelet-Based Fuzzy Reasoning
Approach to Power-Quality Disturbance Recognition”, IEEE
Transactions on Power Delivery, vol. 19, n. 4, pp. 1928-1935, 2004.
[5] P. R. Manke, S. B. Tembhurne, “Artificial Neural Network
Classification of Power Quality Disturbances Using Time-Frequency
Plane in Industries”, Proceedings of 1st International Conference on
Emerging Trends in Engineering and Technology, pp. 564-568, 2008.
[6] S. Haykin, Neural Networks – A Comprehensive Foundation, 2nd ed.,
Ontario: Prentice Hall, 1999.
[7] M. Oleskovicz, D. V. Coury, A. A. F. M. Carneiro, E. F. Arruda, O. D.
Filho e S. A. Souza, “Estudo Comparativo de Ferramentas Modernas
de Análise Aplicadas à Qualidade da Energia Elétrica”, SBA – Revista
Controle & Automação, vol. 17, No. 3, pp. 331-341, 2006.
[8] M. Al-Akaidi, Fractal Speech Processing, 1st ed., New York:
Cambridge University Press, 2004.
[9] C. E. Shannon, “Mathematical Theory of Communication”, Bell Syst.
Tech. J., Vol. 27, pp. 623-656, 1948.
[10] G. Hu, F. Zhu e Y. Zhang, “Power Quality Faint Disturbance Using
Wavelet Packet Energy Entropy and Weighted Support Vector
Machine”, 3rd International Conf. on Natural Computation (ICNC),
2007.
[11] H. K. Hoidalen, ATP Draw version 5 – Users Manual Supplements,
Trondheim – Norway, 2007
[12] H. Demuth, M. Beale e M, Hagan, “Neural Network Toolbox User’s
Guide,” MathWorks, 2007.
[13] M. T. Hagan, M. B. Menhaj, “Training Feedforward Networks with the
Marquardt Algorithm”, IEEE Transactions on Neural Networks, vol. 5,
No. 6, pp. 989-993, 1994.