Академический Документы
Профессиональный Документы
Культура Документы
Guilherme Fonseca1
1
Graduando em Engenharia Elétrica pelo Instituto Federal de Educação, Ciência e Tecnologia de Minas Gerais - IFMG,
35570-000, MG, Brasil, E-mail: guilhermeef@protonmail.com.
ABSTRACT - Even with the evolution of computational power, some problems can not be
solved with linear programming alone. When it comes to complex problems, we use
Artificial Neural Networks (ANN), which were inspired by biological neurons and are
capable of learning just as happens in living organisms. ANN are extremely efficient when
large amounts of data must be modeled and analyzed, involving statistical and
computational aspects (KOVÁCS, 2006). Many studies have already been done on this
technology which has provided several advances, such as voice recognition and virtual
assistants. This review seeks to gather this knowledge in a way that facilitates and
disseminates it, showing this area of computing and its possible applications in the area of
Electrical and Electronic Engineering, in a simple and objective way.
KEYWORDS: Machine Learning. Artificial Neural Networks. Artificial Intelligence.
Computational Intelligence.
1 INTRODUÇÃO
2 METODOLOGIA
3 DESENVOLVIMENTO
Segundo Segatto e Coury (2006), uma técnica alternativa para corrigir a distorção
de ondas provenientes da saturação dos transformadores de corrente (TCs) é a utilização de
redes neurais artificiais. Os TCs estão presentes nos sistemas elétricos de potência e são
responsáveis para medição e proteção, porém são muito suscetíveis a saturação. Várias
arquiteturas de RNAs foram treinadas e testadas e os resultados obtidos com a nova técnica
foram extremamente promissores. Pode-se destacar que as redes neurais obtiveram um
índice de acerto próximo dos 98,5%, para se confirmar os resultados obtidos, pode-se
visualizar os resultados obtidos nos gráficos da Figura 5.
Figura 5: Gráficos dos sinais obtidos através da correção efetuada pela rede neural.
Já no que se diz respeito a próteses eletrônicas mais modernas, o uso das redes
neurais pode ajudar no reconhecimento de padrões dos sinais mioelétricos para um melhor
funcionamento da mesma, esse reconhecimento é possível porque os sinais obtidos nos
primeiros 200ms após a contração do músculo apresentam uma estrutura determinística. Na
pesquisa, foram testadas quatro arquiteturas, usando 1, 2, 3 e 5 camadas intermediárias
conforme apresentado no gráfico da Figura 6, percebe-se que o que demonstrou um melhor
desempenho foi a arquitetura que utilizou de três camadas intermediárias. Fazendo o
treinamento da RNA com alguns tipos de padrões o paciente foi capaz de controlar alguns
movimentos da prótese.
Fonte:
https://www.researchgate.net/profile/Juracy_Franca/publication/229010571_O_Uso_de_Redes_Neurais_Artific
iais_Para_o_Reconhecimento_de_Padroes_em_uma_Protese_Mioeletrica_de_Mao/links/57074cec08aefb22b0
934dd2/O-Uso-de-Redes-Neurais-Artificiais-Para-o-Reconhecimento-de-Padroes-em-uma-Protese-Mioeletrica-
de-Mao.pdf, 2018.
4 CONCLUSÃO
REFERÊNCIAS