Carlos Augusto Ucha da Silva

UM MTODO PARA ESTIMAR OBSERVVEIS GPS USANDO REDES NEURAIS ARTIFICIAIS

Tese apresentada Escola de Engenharia de So Carlos da Universidade de So Paulo, como parte dos requisitos para obteno do ttulo de Doutor em Engenharia Civil: Transportes.

Orientador: Prof. Associado Paulo Cesar Lima Segantine

So Carlos 2003

DEDICATRIA

minha esposa Ktia Cynara e meus filhos Rayra, Rahym e Raimi, meus maiores presentes.

AGRADECIMENTOS

A Deus pela esperana, pelos dons, pelo existir. A Ktia, a mulher que amo, por seu amor, por se tornar pai e me de nossos filhos em meus interminveis devaneios pelo mundo acadmico. A Maina por sua dedicao e carinho. A Aristides, meu pai, por seu apoio. Seu carter, inteligncia e criatividade sempre me inspiraram. A Helena, minha me, por seu amor. Sua emoo, por vezes inocente, mesmo distncia, sempre me afagaram. Ao cl dos Uchas, Conce, Beth e Humberto pela torcida, pela saudade e pelo carinho. A Rita, que com sua amizade, generosidade e desapego, tornou possvel mais esse passo. Aos meus cunhados. Os dois, cada um ao seu tempo, cada um de seu jeito, foram importantes. Antnio no incio, na sada de Belm e a Csar por sua ajuda providencial em nosso regresso. Ao amigos do forninho. Genival, Tule, Maurcio e Rodrigo so os irmos que escolhi em So Carlos, considerem o Meio-inteiros meu agradecimento especial a cada um e a todos os amigos nele citados. A Rodrigo, em especial por sua essencial ajuda ao desenvolvimento desse projeto, seu talento e doao fizeram dele o autor de diversas das implementaes computacionais utilizadas nesta pesquisa.

A meu orientador, Prof. Associado Paulo Csar Lima Segantine, por suas correes e sugestes para este trabalho. A Ktia Duarte, do Departamento de geodsia do IBGE pelo fornecimento dos dados da RBMC. A Profa. Roseli Romero, por sua ajuda na conduo da escolha da modelagem neural. Aos amigos do CEFET-Pa, pela torcida, pela fora, um agradecimento especial aos amigos Expedito, Srgio e Luis Carlos. Finalmente, a toda minha famlia, em especial a Rita Barbosa, minha av, ela se foi em 1994. Acho que herdei dela o seu melhor. Sua perseverana e altivez sempre encontraram eco em mim e definitivamente me impulsionaram a chegar at aqui, sinto saudades.

SUMRIO
LISTA DE FIGURAS .......................................................................................... i LISTA DE TABELAS........................................................................................ iv LISTA DE SIGLAS .............................................................................................v RESUMO.......................................................................................................... vii ABSTRACT ..................................................................................................... viii 1 INTRODUO ..............................................................................................1 1.1. Objetivos.......................................................................................................4 1.2. Justificativas ................................................................................................4 2 O ESTADO DA ARTE ...................................................................................6 3 O SISTEMA DE POSICIONAMENTO GLOBAL NAVSTAR/GPS.............9 3.1. O Sinal GPS ...............................................................................................10 3.2 As observveis GPS ....................................................................................12 3.2.1. Pseudodistncia ......................................................................................13 3.2.2 Fase da portadora ....................................................................................14 3.3 O Processamento de dados GPS .................................................................17 3.3.1 Posicionamento Pontual Preciso (PPP) ...................................................18 3.3.1.1 O Auto-GIPSY (AG) .............................................................................20 3.4 O formato RINEX........................................................................................22 4 REDES NEURAIS ARTIFICIAIS (RNAs) .................................................24 4.1 Inspirao Biolgica ....................................................................................25 4.2 Neurnio Artificial ......................................................................................27 4.3 Topologia tima. ..........................................................................................28 4.4 Caractersticas e propriedades teis das RNAs.........................................29

4.5 Os Modelos Neurais. ...................................................................................30 4.5.1 O Modelo Perceptron Multi Camadas (Multilayer Perceptrons ou MLP). ...........................................................................................................31 4.5.2 O algoritmo backpropagation ..................................................................33 4.5.2.1 Algoritmo de treinamento rpido .........................................................35 5 MATERIAIS E MTODOS .........................................................................37 5.1 Materiais. ....................................................................................................37 5.1.1 Critrios adotados para escolha dos dados e desenvolvimento do mtodo proposto...........................................................................................46 5.2 Metodologia .................................................................................................48 5.2.1 Etapas realizadas nesta investigao .....................................................49 5.2.2 Procedimentos adotados ..........................................................................50 5.2.2.1 Formao dos conjuntos de dados para treinamento, validao e testes do modelo neural...............................................................................51 5.2.3 Estratgias de Processamento.................................................................52 5.2.3.1 rvore de testes para definio da topologia adequada melhor generalizao da rede neural ......................................................................53 5.2.3.2 Processamentos dos dados GPS............................................................56 5.3 O Programa MORE-GPS verso 1.0 Manipulao e Modelagem de Observveis GPS por Redes Neurais Artificiais ........................................57 6 APRESENTAO DOS RESULTADOS....................................................65 6.1 A topologia escolhida...................................................................................65 6.2 O tempo de observao ...............................................................................70 6.3 Caractersticas do agrupamento das estaes RBMC mais adequado ao modelamento neural dos dados...................................................................74 6.4 Testes do mtodo para diferentes conjuntos de dados...............................76 6.5 Validao do mtodo ...................................................................................79 6.5.1 Dados para validao ...............................................................................80 6.5.1.1 Processamento por ponto simples (single point)..................................80 6.5.1.2 Processamento relativo esttico ...........................................................85 6.5.1.3 Processamento Posicionamento Pontual Preciso (PPP) ......................98

7 CONCLUSES E RECOMENDAES ..................................................101 7.1 Quanto modelagem neural ....................................................................101 7.2 Quanto ao sistema MORE-GPS................................................................102 7.2.1 Limitaes do mtodo proposto .............................................................103 7.3 Quanto ao processamento GPS ................................................................104 7.3.1 O processamento pontual ......................................................................104 7.3.2 O processamento relativo ......................................................................105 8 REFERNCIAS BIBLIOGRFICAS .......................................................108

LISTA DE FIGURAS
Figura 1 Modulao Bifsica da onda portadora. ...................................11 Figura 2 Interpretao geomtrica da fase da portadora.. .....................17 Figura 3 Localizao das estaes que compe a rede do IGS................19 Figura 4 Representao resumida do processamento pelo AG...............22 Figura 5 Representao genrica de um neurnio biolgico e processo de transmisso sinptica........................................................25 Figura 6 Modelo no linear de neurnio artificial ..................................27 Figura 7 Fac-smile de trecho de um arquivo RINEX de observao da estao BOMJ-RBMC. ...........................................................38 Figura 8 Fac-smile de trecho de um arquivo de efemrides precisas, formato SP3, correspondente ao dia 339 do ano 2001. .........40 Figura 9 Localizao das estaes RBMC ...............................................42 Figura 10 Freqncia de observaes/estao/ano..................................44 Figura 11 N de estaes operando simultaneamente em 2000.............45 Figura 12 N de estaes RBMC operando simultaneamente em 2001. 45 Figura 13 N de estaes RBMC operando simultaneamente em 2002. 46 Figura 14 Representao grfica do nmero Sunspot do Ciclo Solar 23.............................................................................................48 Figura 15 Tela de inicializao do programa MORE-GPS .....................59 Figura 16 Tela principal do programa MORE-GPS................................59 Figura 17 Fluxograma descritivo do programa MORE-GPS..................64 Figura 18 Desempenho rede 1:6:1 para 5 minutos de observao .........68

ii

Figura 19 Desempenho rede 1:10:1 para 5 minutos de observao .......68 Figura 20 Desempenho alcanado pela estimativas de duas horas de observao...............................................................................73 Figura 21 Agrupamento regional das estaes RBMC ...........................75 Figura 22 Desempenho do treinamento para 5 minutos com agrupamento regional de estaes RBMC.............................76 Figura 23 Desempenho do treinamento para 5 minutos no dia 17/05/2000 (Dia GPS 138) ......................................................77 Figura 24 Desempenho do treinamento para 5 minutos no dia 29/01/2002 (Dia GPS 29) ........................................................78 Figura 25 Desempenho do treinamento para 5 minutos no dia 08/03/2002 (Dia GPS 67) ........................................................78 Figura 26 Desvios para a estao VICO..................................................82 Figura 27 Desvios para a estao UEPP .................................................83 Figura 28 Desvios para a estao RIOD..................................................85 Figura 29 Estaes para o processamento I ............................................86 Figura 30 Desvios linha base BOMJ-VICO.............................................88 Figura 31 Desvios linha base BRAZ-VICO .............................................88 Figura 32 Desvios linha base UEPP-VICO .............................................89 Figura 33 Desvios linha base RIOD-VICO..............................................89 Figura 34 Estaes para o processamento II...........................................90 Figura 35 Desvios linha base BRAZ-UEPP.............................................92 Figura 36 Desvios linha base CUIB-UEPP .............................................93 Figura 37 Desvios linha base RIOD-UEPP .............................................93 Figura 38 Desvios linha base VICO-UEPP .............................................93 Figura 39 Desvios linha base PARA-UEPP ............................................94 Figura 40 Estaes envolvidas no processamento III .............................95 Figura 41 Desvios da linha base IMPZ-RIOD.........................................97 Figura 42 Desvios da linha base BRAZ_RIOD........................................97 Figura 43 Desvios da linha base VICO-RIOD.........................................97 Figura 44 Desvios da linha base UEPP-RIOD ........................................98

iii

Figura 45 Desvios da linha base PARA-RIOD ........................................98

iv

LISTA DE TABELAS
Tabela 1 Resumo de alguns componentes dos sinais dos satlites.........10 Tabela 2- Descrio resumida do Algoritmo de aprendizado backpropagation padro.........................................................34 Tabela 3 Informaes das estaes RBMC em maio 2003. .....................43 Tabela 4 Resumo dos dados escolhidos para modelagem. ......................47 Tabela 5 Comparativo entre diferentes topologias testadas para fase. .69 Tabela 6 Comparativo entre diferentes topologias testadas para cdigo. .....................................................................................69 Tabela 7 Desvios para o posicionamento pontual I.................................82 Tabela 8 Desvios para o posicionamento pontual II ...............................83 Tabela 9 Desvio para o posicionamento pontual III................................84 Tabela 10 Coordenadas oficiais das estaes utilizadas no processamento I......................................................................87 Tabela 11 Desvios do processamento I ....................................................87 Tabela 12 - Coordenadas oficiais das estaes utilizadas no processamento II ....................................................................91 Tabela 13 Desvios do processamento II...................................................91 Tabela 14 - Coordenadas oficiais das estaes utilizadas no processamento III ...................................................................95 Tabela 15 Desvios do processamento III .................................................96 Tabela 16 Coordenadas geodsicas ITRF2000 das estaes VICO, UEPP e RIOD (PPP)...............................................................99

LISTA SIGLAS
ASCII AG C/A DEGED DOY ESSC-USP FIR FLINN ftp GIPSY GLONASS GNSS GPS IBGE IGS ITRF JPL MLP MSE N American Standard Code for information Interchange Auto Gipsy Coarse/Acquisition code Departamento de Geodsia Day Of the Year ( 0-365) Escola de Engenharia de So Carlos-Universidade de So Paulo Filter Inpulse Response Fiducial Laboratories for International National Science Network File Transfer Protocol GPS Inferred Positioning System Global Navigation Satellite System Global Navigation Satellite Systems Global Positioning System Instituto Brasileiro de Geografia e Estatstica International GPS Service for Geodynamics International Terrestial Reference Frame Jet Propulsion Laboratory Multi-Layer Perceptron Mean of Squared Error Ambiguidade

vi

NASA NGS NAVSTAR NOAA OASIS P PPP PRN RBMC RINEX RNAs RMS SA SAD69 SGB SIVAM SNNS SOM SPS SP3 SVN TEC URL WGS84 WWW

National Aeronautics and Space Administration National Geodetic Survey, USA Navigation System using Time And Ranging National Oceanic & Atmospheric Administration Orbit Analysis and Simulatio Software Precise code (Cdigo preciso) Precise Point Positioning Pseudo Randon Noise Rede Brasileira de Monitoramento Contnuo Receiver Independent Exchange Format Redes Neurais Artificiais Root Mean Square Selective Availability South American Datum 1969 Sistema Geodsico Brasileiro Sistema de Vigilncia da Amaznia Stuttgart Neural Network Simulator Self Organizing Map Standard Position Service Formato de efemrides usado pelo NGS Space Vehicle Number Total Electron Content Uniform Resource Locator World Geodetic System 1984 World Wide Web

vii

RESUMO
SILVA, C. A. U. UM MTODO PARA ESTIMAR OBSERVVEIS GPS

USANDO REDES NEURAIS ARTIFICIAIS. So Carlos, 2003, 112 p. Tese

Escola de Engenharia de So Carlos, Universidade de So Paulo.

O NAVSTAR-GPS, com uma grande variedade de conjuntos receptores e sua aplicabilidade prtica em diversas reas, transformou-se no mais difundido dos sistemas de posicionamento. Porm, necessidades cada vez maiores em termos de preciso trouxeram consigo o nus de um custo elevado com a aquisio de equipamentos de dupla freqncia. Este trabalho consiste no desenvolvimento de um mtodo que possibilite a modelagem das observveis GPS, atravs de Redes Neurais Artificiais, bem como a agregao destes dados a um arquivo gerado por um receptor de uma freqncia, conferindo-lhe caractersticas especficas de arquivos gerados por receptores de dupla freqncia e cdigo P. Isto possibilita que dados gerados por receptores de uma freqncia, a imensa maioria dos receptores utilizados no Brasil, possam ser processados como vetores de bases longas. Os resultados obtidos indicam que o uso de modelos neurais, treinados por algoritmos de aprendizado supervisionado, so uma alternativa promissora para estimar dados GPS.

Palavras-chave: GPS; Redes Neurais Artificiais, Modelagem, portadora L2, cdigo P.

viii

ABSTRACT
SILVA, C. A. U. A METHOD TO ESTIMATE GPS DATA OBSERVABLES USING ARTIFICIAL NEURAL NETWORKS. So Carlos, 2003. 112 p. Thesis School of Engineering of So Carlos, University of So Paulo.

The NAVSTAR-GPS, with a great variety of receivers and its practical aplicabillity in several areas, transformed itself in the most known positioning system. But the necessity of improving the results precision brings with it a cost increasing caused by the use of equipments of dual frequency equipments. This work consist on the development of a method that makes possible the GPS data modelling using Neural Networks, as well as the aggregation of these data into a file generated by single frequency receiver, providing to the system specific characteristics of files generated by double frequency an P code receiver. This makes possible that data generated by receivers of single frequency, the majority of receivers in Brazil, can be processed as vectors of long bases. The results obtained indicate that the use of Neural Network models, with algorithms of supervised learning are a promissing alternative to estimate GPS data.

Keywords: GPS; Artificial Neural Networks, Modelling, L2 Carrier, P code.

1
INTRODUO

O NAVSTAR/GPS, do ingls Navigation System using Time and

Ranging/Global Positioning System, um sistema de posicionamento global,

fundamentado em rdio-navegao por satlites, que utiliza diferentes observveis para calcular distncias entre os centros de fase das antenas dos satlites e de receptores localizados na superfcie da terra ou prximo dela, com o objetivo de determinar a posio tridimensional dos pontos de interesse. Neste trabalho, o sistema ser tratado apenas por GPS. Inicialmente desenvolvido e implementado com fins militares, o GPS foi liberado posteriormente pelo congresso americano para uso civil, ainda que com degradaes intencionais em sua preciso, PARKINSON (1996). Aps essa liberao, ocorreram profundas transformaes no conceito de posicionamento em diversas reas do conhecimento com diferentes aplicaes, tais como: Mensurao e suas reas afins, Transporte terrestre, areo e naval, Telefonia mvel, Monitoramento de segurana, Servios de emergncia, Monitoramento de fauna e flora, Controle de queimadas, Fiscalizao de desmatamento e outros. Resumidamente, pode-se dizer que os primeiros projetos, da chamada Era espacial, datam do incio dos anos 50. Aps duas dcadas de pesquisas, os americanos e os russos implantaram o GPS e o GLONASS, respectivamente, que so hoje os nicos sistemas de posicionamento global operacionais. Ambos compem o chamado GNSS (Global Navigation Satellite System).

Existe ainda um projeto liderado pelos pases membros da unio europia para implantao de um outro sistema, o GALILEO. Este est sendo desenvolvido principalmente para aplicaes civis, com previso de lanamento dos primeiros satlites para 2005. A operao contnua do sistema GPS, a grande variedade de receptores no mercado, e sua aplicabilidade prtica em diversas reas o transformaram no mais popular dos sistemas de posicionamento. Porm, as necessidades cada vez maiores em termos de preciso no posicionamento trouxeram consigo o nus de um custo elevado na aquisio de conjuntos receptores e dependendo da estratgia de posicionamento, a necessidade de um aumento considervel nos tempos de coleta e de processamento dos dados. A possibilidade de se obter uma melhor preciso no posicionamento por ponto simples passou ento a ser objeto de estudo de vrios pesquisadores, visando eliminar a necessidade de posicionamento relativo, minimizar o tempo da sesso de observao e otimizar o custo dos levantamentos. Nesse sentido, novas possibilidades tm se apresentado promissoras, tais como, o Posicionamento Pontual Preciso, tambm chamado de mtodo PPP1, que proporciona preciso tridimensional da ordem de alguns centmetros e demanda baixo esforo computacional em relao s redes, MONICO (2001). Maiores informaes acerca deste mtodo so apresentadas no item 3.3.1. O termo posicionamento pontual, do ingls single point, refere-se tradicionalmente as estimativas das coordenadas de uma determinada estao, atravs da anlise de pseudodistncias entre as antenas dos satlites e de um receptor, geralmente baseadas no cdigo C/A (com limitaes impostas pelos parmetros contidos na mensagem de navegao, que tm preciso de poucos metros para rbitas e de dezenas de metros para relgios), ZUNBERGE; BERTINGER (1996) apud ZUNBERGE (1997). O uso de receptores de dupla freqncia possibilita ao uso de um modelo de combinao linear dos sinais da portadora L1 e L2, definida como L3, ou

Precise Point Positioning

ainda, ion free, onde so eliminados os efeitos da ionosfera na propagao do sinal GPS, geralmente uma fonte de erros importante em se tratando de vetores de linhas-base longas. Desde o surgimento do GPS, vrias foram as questes e dvidas levantadas sobre ele, quase todas no sentido de melhor compreend-lo e aprimor-lo numa incessante tentativa de explorar todas as suas possibilidades. Uma delas : seria possvel fazer com que dados observados por receptores de uma freqncia (L1) possam ser processados de forma a se obter um nvel de preciso similar queles gerados por receptores de dupla freqncia (L1 e L2)? Uma segunda questo : seria possvel modelar, prever ou estimar dados GPS? e ainda uma outra pergunta surge: Qual ferramenta seria adequada a esta modelagem? LUO; UNBEHAUEN (1998) lanaram uma luz sobre estas perguntas quando afirmaram que a utilizao de Redes Neurais Artificiais no processamento de sinais estava se ampliando com aplicaes em diversas reas como filtragem, estimativa de parmetros, deteco de sinais, reconhecimento de padres, reconstruo de sinais, sistemas de identificao, compreenso e transmisso. Redes Neurais Artificiais, neste trabalho, tratadas apenas por Redes Neurais ou ainda pela sigla RNAs, tm seu uso indicado nesta investigao em funo da excelente capacidade de generalizao, classificao, interpolao e extrapolao, tolerncia a erros e rudos e tambm pelo fato de no haver a necessidade prvia de parametrizaes explcitas na modelagem. A hiptese inicial desta investigao configura-se ento na assero de que possvel estimar dados GPS da portadora L2 e cdigo P2 utilizando modelagem a partir de RNAs, a despeito dos erros inerentes propagao do sinal GPS, quer intencionais ou no, da poca e do local onde tenham sido observados, desde que sejam satisfeitas determinadas restries. Estas restries referem-se necessidade de existirem dados de um conjunto de estaes GPS, equipadas com receptores de dupla freqncia e cdigo P, dependendo dos objetivos do usurio, rastreando simultaneamente

quele que se deseja estimar, dentro de uma determinada regio de abrangncia. Os limites desta regio so objeto de estudos futuros. Existe ainda uma restrio relativa necessidade de existncia de efemrides precisas em formato SP3.

1.1. Objetivos
O objetivo central deste trabalho desenvolver um mtodo para estimar dados GPS, mais especificamente, a contagem de ciclos da fase da portadora L2 e a pseudodistncia a partir do cdigo P2, para serem agregados aos dados de um receptor de nica freqncia (L1 e C/A), obtendo-se um novo conjunto (L1, C/A, L2Modif, P2Modif). Esses dados sero estimados atravs da utilizao de um modelo de rede neural, usando algoritmos de aprendizado supervisionado, alimentados por dados oriundos de receptores de dupla freqncia (L1, C/A, L2, P2) da Rede Brasileira de Monitoramento Contnuo (RBMC), mantida pelo Instituto Brasileiro de Geografia e Estatstica (IBGE). Este novo conjunto de dados (L1, C/A, L2Modif, P2Modif) modificado, ser testado mediante diferentes condutas de processamentos tais como: ponto simples e processamento relativo de bases longas.

1.2. Justificativas
Esta investigao justifica-se principalmente pela tentativa de elevar a preciso da posio tridimensional de uma dada estao GPS, observada pelo mtodo de posicionamento simples com receptor GPS de uma freqncia, a um nvel similar s coordenadas de uma estao observada com um receptor de dupla freqncia e cdigo P. Isto proporciona uma expressiva reduo de custo no eventual uso de receptores de dupla freqncia, funo da substituio destes, por receptores de uma freqncia. Se utilizado o PPP, ainda se obtm uma segunda vantagem, esta, relativa ao fato de que esse mtodo no necessita do uso simultneo de dois ou mais receptores, diretamente pelo usurio.

Este trabalho pode tambm ser legitimado em funo do uso que ele proporciona enorme massa de dados gerados e disponibilizados pelo Departamento de Geodsia do IBGE (DEGED), os dados da RBMC, que geralmente, so usados apenas pelo prprio instituto e tambm por pesquisadores, com aplicaes especficas em seus campos de estudo. O fato do mtodo proposto utilizar de forma continuada e sistemtica, os dados da RBMC confere a esta aplicao, o carter de democratizar e tornar mais conhecidos e utilizados esses dados. Alm de justificar e de tornar imprescindvel implantao, adensamento e manuteno de redes de estaes GPS ativas que utilizem conjuntos receptores de dupla freqncia. O Brasil no conta com uma densa rede de estaes ativas de receptores de dupla freqncia e cdigo P, o que facilitaria diversas aplicaes geodsicas, que normalmente requerem um refinamento maior em termos de preciso espacial do posicionamento. At junho de 2003, a nica rede de estaes GPS com estas caractersticas a RBMC, composta atualmente de apenas 15 estaes e que no so suficientes para cobrir de maneira uniforme toda a extenso territorial brasileira. Isto fica mais evidente ao se observar os imensos vazios na regio amaznica, onde atualmente a nica estao em operao est localizada em Manaus. Entretanto, existe um nmero significativo de estaes dotadas de receptores de uma freqncia, tal como aquelas que compem a Rede INCRA de Base Comunitrias do GPS (RIBAC), composta atualmente por 44 estaes. A possibilidade de que possam ser utilizadas como se fossem de dupla freqncia e cdigo P traria grandes benefcios em termos de preciso, principalmente para o processamento relativo de bases longas.

2
O ESTADO DA ARTE

Esta investigao um hbrido, fruto da unio entre duas reas de conhecimento, um problema de GPS pela Engenharia - Mensurao e a busca da soluo atravs de Redes Neurais Artificiais pela Cincia da Computao. Ainda na dcada de 40 MCCULLOCH & PITTS (1943) desenvolveram o primeiro modelo artificial de um neurnio biolgico, onde se concentram muito mais em descrever e apresentar as capacidades computacionais de um neurnio artificial do que apresentar tcnicas de aprendizado. Apenas com o trabalho de HEBB (1949) estas tcnicas de aprendizado tarnaram-se objeto de estudo. Posteriormente, o trabalho de WIDROW & HOFF (1960) apresentou uma regra de aprendizado baseada no gradiente descendente para minimizao do erro da rede, denominada regra delta, que ainda hoje utilizada. ROSENBLATT (1958), criou um novo modelo, o perceptron, com sinapses ajustveis, que se prestaria ao terinamento de certos tipos de padres. As Redes Neurais Artificias ficariam adormecidas durante toda a dcada de 70, em grande parte por conta do trabalho de MINSKY & PAPERT (1969), que chamaram a ateno para algumas tarefas que o perceptron no era capaz de executar, j que s resolve problemas linearmente separveis. O principal argumento de MINSKY e PAPERT era que o problema do crescimento explosivo tanto do espao ocupado, como do tempo requerido para a resoluo de problemas complexos, afetariam as RNAs, inclusive os perceptrons.

HOPFIELD (1982) publicou um artigo que foi o responvel por parte da retomada das pesquisas na rea, onde mostrou a relao entre redes recorrentes auto-associativas e sistemas fsicos. A descrio do algoritmo de treinamento

backpropagation por RUMELHART (1986) mostrou que a viso de MINSKY e

PAPERT acerca do perceptron era bastante pessimista. Provando que as RNAs de mltiplas camadas so realmente capazes de resolver problemas complexos. O avano acelerado da microeletrnica tambm contribuiu para que nas ltimas duas dcadas, pesquisadores se dedicassem ao estudo e aplicao de RNAs em diversas reas do conhecimento, BRAGA; CARVALHO; LUDERMIR (2000). Existem diversos trabalhos que abordam sob os mais variados aspectos tanto a tecnologia GPS quanto RNAs. Porm, na Mensurao a maioria dos trabalhos com aplicao em GPS est voltada utilizao prtica que se d desta tecnologia, principalmente na obteno de coordenadas com variadas aplicaes nos diferentes segmentos tais como: Geodsia, Topografia, Cadastro urbano e rural, Fotogrametria, Sensoriamento Remoto, Sistema de Informaes Geogrficas, Monitoramento de veculos, Monitoramento de deformaes de estruturas e outros. H uma outra corrente de pesquisadores que se ocupa com estudo e modelagem dos erros inerentes ao processo de transmisso, propagao ou recepo do sinal GPS, sempre visando obter-se uma maior acuracidade para as coordenadas. Com relao s redes neurais, sabe-se que o Brasil um dos pases que registra um dos maiores crescimentos mundiais no estudo da inteligncia artificial ou inteligncia computacional. Segundo levantamento do Conselho Nacional de Redes Neurais, praticamente todas as grandes universidades federais, estaduais e algumas particulares possuem estudos voltados para esta rea. So comuns trabalhos que apresentam a utilizao de RNAs principalmente em previso de dados, algoritmos de aprendizado, otimizao de sistemas, reconhecimento de padres e outros. Dentre os trabalhos, j desenvolvidos, relacionando RNAs aos diferentes segmentos da Mensurao pode-se citar: o processamento digital de imagens de

satlites (Sensoriamento Remoto) PANDEY et al. (2001), a modelagem numrica do terreno (Topografia), BACA (2001) e a predio de anomalia gravitacional (Geofsica), TIERRA; FREITAS (2000). Freqentemente, utiliza-se o sistema GPS apenas como instrumento de orientao e navegao. LORA; HEMERLY; LAGES (1998) desenvolveram um mtodo onde a idia possibilitar um bom nvel de automao em embarcaes, que seriam guiadas por este sistema. Nesta aplicao, RNAs so utilizadas no treinamento adaptativo de mquinas e o GPS serve apenas para fornecer parte do padro de entradas externas, ou seja, as coordenadas de pontos, para a rede neural. O trabalho de HERNNDEZ-PAJARES et al. (1997) prope e aplica a modelagem do Total Electrons Content (TEC) da camada ionosfrica e busca quantificar seus efeitos na propagao do sinal GPS utilizando os modelos Self

Organizing Map (SOM) e Hopfield.

E, mais recentemente, MAIA et al. (2002) apresentaram a possibilidade da predio da contagem de ciclos de uma portadora GPS utilizando o modelo Temporal FIR MLP. O que indica que se possvel prever o comportamento temporal de uma observvel, ainda que por um curto perodo de tempo, provavelmente tambm seja possvel estimar o comportamento de uma observvel em funo de outra. Apesar de uma minuciosa e exaustiva busca, no foi encontrado durante a fase de reviso bibliogrfica nenhum trabalho que caminhasse na mesma linha de pesquisa proposta nesta investigao. Este fato impossibilitou a citao expressa de trabalhos anteriores. desejvel que em se tratando de uma tese de doutoramento se exijam como atributos bsicos um carter indito, uma significativa relevncia e a exeqibilidade.

3
O SISTEMA DE POSICIONAMENTO GLOBAL NAVSTAR/GPS

Apesar de este ser um assunto cujos fundamentos so amplamente apresentados em literatura especfica, existem algumas nuances que podem ser ressaltadas e o sero, como forma de oportunizar um bom entendimento, ainda que superficial devido complexidade e extenso dos temas, aos profissionais quer sejam eles ligados Mensurao ou Cincia da Computao. Quanto a este captulo, a abordagem ter como foco principal seu princpio de funcionamento, a caracterizao dos sinais e seu processamento. Detalhes pormenorizados tais como histrico e sistemas predecessores, segmentos nos quais est dividido, erros aos quais est sujeito, constelao, configurao orbital e prescries do tempo foram propositalmente omitidos, em funo de serem assuntos amplamente apresentados por diversos autores tais como: SEEBER (1993); LEICK (1995), PARKINSON (1996), HOFFMANNWELLENHOF (2001), e outros. No sero explanadas nenhumas das outras caractersticas do sistema que no estejam relacionadas caracterizao, descrio e processamento do sinal recebido pelas antenas receptoras dos equipamentos.

10

3.1. O Sinal GPS

Sob a tica da Engenharia, sinais so funes ou seqncias que servem para transportar informao de uma fonte de mensagens a um destinatrio. As caractersticas especficas dos sinais dependem do canal de comunicao utilizado para este transporte. Este canal definido pelo tipo de distoro que introduz os sinais. Esta distoro pode ser: determinstica linear, determinstica no linear ou aleatria, KOVCS, 1996. Os sinais so processados no lado do transmissor com a finalidade de produzi-los e configur-los, e no lado do receptor para extrair a informao neles contida, se possvel com a mxima eficincia. (No caso do sinal GPS, a fonte geradora, so os satlites artificiais GPS, e o canal de comunicao, as portadoras, e o destinatrio, o receptor GPS so elementos pr-definidos com caractersticas gerais muito bem especificadas). A Geodsia por Satlites baseada em dados transmitidos atravs de ondas eletromagnticas, oriundas de osciladores a bordo dos satlites que geram uma freqncia fundamental f o . Duas portadoras da banda L so geradas pela multiplicao de constantes por f o , resultando nas portadoras L1 e L2. Estas so moduladas por cdigos para fornecer leituras dos relgios dos satlites ao receptor e tambm para transmitir informaes tais como os parmetros orbitais, HOFFMANN-WELLENHOF et al. (2001). Os componentes desses sinais encontram-se resumidos na Tabela 1.

Tabela 1 Resumo de alguns componentes dos sinais dos satlites (Adaptada de HOFFMANN-WELLENHOF et al., 2001).
Componentes Freqncia fundamental Portadora L1 Portadora L2 Cdigo P Cdigo C/A Freqncia (MHz)

f0 154 f 0

= 10,23

= 1575,42 = 1227,60 = 10,23 = 1,023

( 19,0 cm) ( 24,4 cm)

120 f 0
f0 f 0 / 10

11

Os satlites GPS so reconhecidos atravs de diferentes critrios de nomeao e numerao. Um destes critrios o nmero Pseudo-Random-Noise (PRN), rudo falsamente aleatrio. Os cdigos que formam o PRN so modulados, em fase, sobre as duas portadoras, L1 e L2. Esta modulao possibilita que se executem medies de distncias a partir do tempo de propagao da modulao (Leick, 1995). De forma bastante simplificada pode-se dizer que os cdigos so uma seqncia com os estados + 1 e 1 , correspondentes aos valores binrios 0 e 1. A chamada modulao bifsica executada com um efeito de 180 na fase da portadora sempre que ocorrer uma mudana de estado. Esta modulao est ilustrada na Figura 1.

Figura 1 Modulao Bifsica da onda portadora (Adaptada de HOFFMANNWELLENHOF et al., 2001). O principal motivo para o uso de uma segunda freqncia nos satlites GPS minimizar os efeitos da camada ionosfrica na propagao do sinal. Assim, o uso de um conjunto receptor/antena de dupla freqncia permite que se tenham prontamente disponveis, as observveis das duas freqncias, cuja composio independe da ionosfera. Usurios que faam uso de receptores de uma freqncia normalmente dependem da eliminao dos efeitos ionosfricos atravs da eliminao de erros que ocorre na dupla diferena e/ou da utilizao de modelos ionosfricos.

12

Diversas razes, para as quais no cabe uma anlise mais detalhada neste momento, concorrem para que no Brasil a maioria dos usurios do sistema GPS utilize receptores de uma freqncia. Dentre elas pode-se destacar a significativa diferena de custo entre os conjuntos receptores de uma e dupla freqncias. Caso se utilize para observao conjuntos receptores de uma freqncia, a estimativa do atraso ionosfrico normalmente realizada a partir da aplicao de diferentes modelos, geralmente alimentados por parmetros transmitidos na mensagem de navegao. Uma descrio geral desses modelos pode ser encontrada em SILVA (2000). Testes e comparaes entre esses modelos podem ser obtidos em LEANDRO (2003).

3.2 As observveis GPS

O conceito relacionado s observveis GPS refere-se a distncias calculadas a partir de medies de fase ou tempo, baseadas na comparao entre sinais gerados internamente pelos receptores e recebidos dos satlites GPS. A forma de medir as distncias a partir dos sinais recebidos difere dos distancimetros eletrnicos terrestres pelo uso de dois relgios, um no satlite e outro no receptor. Este fato faz com que as distncias sejam influenciadas pelos erros de ambos, por isso so chamadas de pseudodistncias, HOFFMANNWELLENHOF et al. (2001). O princpio fundamental da navegao por GPS reside em medies das pseudodistncias. Ao conhecerem-se as coordenadas dos satlites em um determinado sistema de referncia possvel se calcular as coordenadas da antena de um dado receptor, neste mesmo sistema. Para a determinao das coordenadas de pontos seria necessrio observar apenas trs satlites, estaria assim solucionado o problema de geometria. Porm devido ao no sincronismo dos relgios do satlite e do receptor, um quarto satlite necessrio, para solucionar este problema.

13

3.2.1. Pseudodistncia
Pseudodistncias calculadas a partir de leituras de cdigo so funo do tempo de viagem do sinal GPS entre as antenas dos satlites e de um dado receptor. Elas so o resultado da multiplicao da velocidade da luz pelo tempo de
S propagao do sinal ( R ) resultante do processo de correlao cruzada. Embora

os relgios dos satlites possuam osciladores de alta preciso, seu sistema de tempo diferente dos relgios dos receptores. Estes tm osciladores de menor preciso, mas pode-se relacionar esses dois sistemas de tempo, satlites( t S ) e receptor ( t R ), ao sistema de tempo GPS ( tGPS ), utilizando-se as seguintes expresses:

tGPS S = t S dt S

(1) (2)

tGPS R = t R dt R
onde:

tGPS S = sistema de tempo GPS do satlite; tGPS R = sistema de tempo GPS do receptor;
dt S = erro do relgio do satlite em relao ao tempo GPS no instante t S ;
dt R = erro do relgio do receptor em relao ao tempo GPS no instante t R .
A partir das equaes (1) e (2) pode-se escrever a equao da pseudodistncia da seguinte forma:
S PDi R = c R + c(dt R dt S ) + P D i R S S

(3)

onde:

c = velocidade da luz no vcuo;

S R = tempo de propagao do sinal, contado desde sua gerao no satlite

at a correlao no receptor;

14

PD i S = erro da medida de pseudodistncia; R

i = ndice que representativo do tipo de cdigo a partir do qual a
pseudodistncia foi obtida (C/A, sobre a portadora L1, e ou do cdigo P, sobre as portadoras L1 e ou L2); Existem diversos fatores que podem ser considerados no clculo da pseudodistncia, e o so por diferentes autores. Entretanto, um detalhe particularmente importante a ser observado refere-se ao tempo de propagao
S R . Seu produto pela velocidade da luz no representa exatamente a distncia S geomtrica R entre as antenas dos satlites e de um dado receptor. Isto ocorre S devido aos erros provocados pela atmosfera terrestre (ionosfera = IiR

e
S

S troposfera TiR ) e tambm devido aos efeitos de multicaminhamento ( M PDi R ).

MONICO (2000) descreve uma equao possvel para a pseudodistncia que considere esses fatores e pode ser representada por:
S S S S PDi R = R + c(dt R dt S ) + Ii R + Ti R + M PD i R + PDi R S S

(4)

3.2.2 Fase da portadora

Comparativamente pseudodistncia, a fase da portadora ou simplesmente fase, mais precisa, e por isso considerada a observvel a se utilizar em aplicaes geodsicas (MONICO, 2000). Chamando-se de S (t ) a fase da portadora reconstruda e recebida com a freqncia f S e de R (t ) a fase da portadora de referncia, gerada internamente no receptor com uma freqncia f R . O parmetro t uma poca no sistema de tempo GPS, reconhecida a partir de uma poca inicial t0 = 0 . Assim, pode-se escrever as seguintes equaes ( HOFFMANN-WELLENHOF et al. ,2001):

S (t ) = f S t f S R (t ) = f R t OR

l oS c

(5)

15

S As fases iniciais, O e OR , so causadas pelos erros dos relgios e so

iguais a:
S O = f S S OR = f R R

(6)

S Conseqentemente a fase R (t ) dada por:

S R (t ) = S (t ) R (t ) S R (t ) = f S

l + f S S + f R R + ( f S f R )t c

(7)

O desvio das freqncias f S , f R em relao freqncia nominal f apenas da ordem de frao de Hz. Isto pode ser constatado ao se considerar que a estabilidade na freqncia em um curto intervalo de tempo de sendo f 1,5 GHz, o erro da freqncia df = 1,5. 10 -3 Hz. Assim, o erro da freqncia ( aproximadamente t = 0,07 segundos) pode ser negligenciado durante a propagao do sinal, o erro mximo do ciclo da fase est abaixo do nvel de rudo, por isso os erros dos relgios dos receptores so na ordem de milisegundos e so menos efetivos, podendo-se escrever a equao anterior de forma simplificada:
S R (t ) = f

df = 10 12 , f

l f c

(8)

Inicialmente, o nmero inteiro N de ciclos da portadora, chamado de ambiguidade entre as antenas dos satlites e de um dado receptor desconhecido. Porm, se a observao continuada sem perda de contato, ou seja, sem a chamada perda de ciclo, o nmero permanece o mesmo e a fase poca t dada por:
S S R (t ) = R t to

+N

(9)

16

S R

t to

denota a frao de fase na poca t adicionado ao nmero inteiro

de ciclos desde a poca inicial to . Uma interpretao geomtrica da equao (9) representada pela Figura
S 2, onde i a notao abreviada para R ti to

e por simplificao, a frao do

batimento de fase inicial , o , assumida como sendo zero. Fazendo a substituio da equao (9) na (8) e nomeando a quantidade observao negativa
S por = R , a equao da pseudodistncia da fase resume-se em:

l+

+ N

(10)

Onde: = comprimento de onda. Multiplicando-se a equao acima por , a fase expressa em ciclos para uma distncia que se diferencia da pseudodistncia do cdigo apenas por um inteiro multiplicado por . A distncia l representa a distncia entre o satlite na poca t da emisso e o receptor na poca da recepo t + t . A fase da portadora pode ser medida melhor que 0,01 ciclos, que corresponde a 2 mm de resoluo, HOFFMANN-WELLENHOF et al. (2001).

17

Figura 2 Interpretao geomtrica da fase da portadora. (Adaptada de HOFFMANN-WELLENHOF et al., 2001).

3.3 O Processamento de dados GPS

No haveria sentido em descrever detalhadamente as formas clssicas de posicionamento e processamento de dados GPS, tais como posicionamento simples e relativo uma vez que estas se encontram bastante difundidas em toda a literatura pertinente. Maiores detalhes podem ser encontrados em SEEBER (1993); LEICK (1995), PARKINSON (1996), HOFFMANN-WELLENHOF (2001), e outros. Ainda que esta pesquisa se utilize destas formas de processamento para efeito de anlise e comparao de resultados, ser descrito apenas, o posicionamento pontual preciso que, apesar de figurar entre as inovaes no processamento de dados GPS nos ltimos anos ainda quase que completamente desconhecido tanto por pesquisadores quanto por usurios do sistema GPS no Brasil. Os dados relativos ao uso do Auto-Gipsy por usurios do Brasil, mostram apenas 222 consultas ao sistema desde 1998, http://milhouse.jpl.nasa.gov/ag/usage.html, 01/06/2003.

18

3.3.1 Posicionamento Pontual Preciso (PPP)

O PPP, do ingls Precise Point Positioning, um mtodo que utiliza as informaes de fase das portadoras L1 e L2, e pseudodistncias, a partir dos cdigos C/A e P em conjunto com as efemrides precisas e correes de relgio, fornecidas pelo International GPS Service (IGS), para processamento pontual. Este fato provoca uma limitao no seu uso, uma vez que apenas dados oriundos de receptores com estas caractersticas podem ser submetidos ao servio automatizado de processamento. Alm disso, os dados s podem ser processados entre uma e duas semanas aps sua observao, tempo necessrio para clculo e liberao das efemrides precisas pelo IGS, SILVA; SEGANTINE (2001). Este mtodo possui uma forma de processamento de dados GPS que utiliza uma estratgia relativamente nova. E, como tal, possui vantagens e desvantagens quando comparado s formas tradicionais de processamento. Esta diferena decorre da metodologia utilizada na estimativa das coordenadas para uma determinada estao GPS. O aspecto mais incomum deste tipo de processamento e que o diferencia dos demais que os erros dos relgios so modelados como coeficientes polinomiais, que so estimados como parmetros estocsticos e no cancelados como ocorre na dupla diferena de fase, usada pela maioria dos mtodos de processamento GPS ( WEBB; ZUMBERGE, 1997). A essncia deste mtodo calcular rbitas e erros dos relgios de todos os satlites disponveis, atravs de uma rede global ativa de alta preciso, neste caso a rede IGS, que se encontra ilustrada pela Figura 3, e usar todas estas informaes para resolver os parmetros de uma estao de qualquer local no mundo (posio, relgio e troposfera mida).

19

Figura 3 Localizao das estaes que compe a rede do IGS. (Fonte:http://igscb.jpl.nasa.gov/network/allmaps.html, 10/03/03). uma ferramenta que pode ser usada para processar desde uma nica estao at uma rede com centenas de pontos. A preciso das coordenadas calculadas individualmente no PPP comparvel a solues de redes, ou seja, variam de poucos milmetros a poucos centmetros. Entretanto, ele incapaz de identificar correlaes entre estaes, GREGORIUS (1996). O JPLs Flinn Analysis o setor, dentro do JPL, responsvel pela determinao e fornecimento de rbitas e correes precisas de relgios com uma repetibilidade diria de poucos milmetros na componente horizontal e cerca de um centmetro na vertical das coordenadas dos satlites. A preciso obtida est em um fator entre 100 a 1000 vezes melhor que a possvel pela mensagem de navegao, possibilitando ps-processamento de dados de um receptor simples com preciso de poucos centmetros quando usado em conjunto com efemrides precisas (ZUMBERGE, 1998). O PPP usa para processamento os programas GIPSY e OASIS II, ambos desenvolvidos pelo Jet propulsion Laboratory (JPL). Eles utilizam mdulos comuns apesar de serem dois pacotes independentes. Uma das facilidades proporcionada pelo JPL a anlise automtica e gratuita de dados GPS, que um servio disponvel a um usurio qualquer atravs do uso de e-mail e ftp. Este servio designado por Auto-Gipsy, descrito a seguir.

20

3.3.1.1 O Auto-GIPSY (AG)

O JPL possibilita o processamento automatizado de dados GPS com o sistema AG. Qualquer usurio, de qualquer lugar, que utilize e-mail e ftp2 e que possua dados, adequados s exigncias do PPP pode obter as coordenadas da estao observada, alm de diversas outras informaes estatsticas, em cerca de 5 a 10 minutos aps o envio dos dados. Estas informaes podem ser descritas como: Tempo de observao uma hora; Receptor de dupla freqncia e cdigo P; Taxa de coleta de dados 30 segundos ( taxas menores que 30 devem ser submltiplos de 30 s); Mtodo de posicionamento esttico; Formato RINEX do arquivo com nomenclatura internacional. A anlise automtica funciona regularmente desde 1998 e possibilita a anlise de dados GPS coletados por um receptor numa localizao arbitrria. Porm, a principal vantagem para o usurio quando se utiliza do servio automatizado que no despende tempo de aprendizado, instalao e manuteno de um complexo programa de anlise GPS. O procedimento para utilizao do AG envolve: Disponibilizar o arquivo RINEX de observao (apenas este), nomeado adequadamente, para download em uma rea de ftp anonymous (opcionalmente comprimido); Enviar um e-mail para ag@cobra.jpl.nasa.gov. No local destinado ao assunto do e-mail, deve-se escrever Static. O corpo do e-mail deve conter a URL3 (endereo de ftp) onde est seu arquivo RINEX a ser processado. Apenas dados oriundos de satlites com elevao acima de 15 so considerados. O sistema detecta automaticamente a maioria das condies de anormalidade nos dados. Caso ocorra problema quanto a informaes e ou
2 3

File Transfer Protocol Uniform Resource Locator

21

formato dos dados, o usurio receber um e-mail como resposta avisando destes erros. O tempo de resposta, geralmente, cerca de 10 minutos. Aps esse perodo, o usurio receber um e-mail com o endereo de ftp onde se encontram oito arquivos para serem copiados com as seguintes informaes: 1. 2. Explicaes detalhadas de todos os resultados (readme); Estimativas de coordenadas (, , h, em WGS 84, com as devidas correes para o ITRF4 2000) do centro de fase da antena receptora, seus desvios e a correlao entre si (*.gd) ; 3. 4. 5. 6. Componentes cartesianas referentes a um determinado ITRF (*.stacvx); Componentes cartesianas sem um ITRF definido (*.stacov); Resduos posteriores do ajustamento (*.prf); Erros formais em parmetros estimados tais como: atraso zenital na troposfera mida, desvio de fase, erro do relgio do receptor e coordenadas da estao (*.tdf); 7. 8. Parmetros utilizados pelo GIPSY no processamento (*.rgnml);

logfile (resumo dos dados utilizados).

Uma grande vantagem deste servio a anlise eficaz de dados observados com receptores GPS de diferentes fabricantes sem a necessidade de formar dados diferenciados com receptores de referncia. alcanada uma preciso diria de alguns poucos milmetros na dimenso horizontal e aproximadamente 1cm na dimenso vertical para receptores estacionrios, http://milhouse.jpl.nasa.gov/ag/agfaq.html, 15/04/2003. Uma importante limitao do PPP o fato de que o receptor utilizado nas sees de observao necessariamente tem que ser capaz de receber os sinais L1, L2, P1 ou C1 e P2. Se o receptor for de dupla freqncia, mas no corresponder a este padro, o AG no processa os dados, SILVA (2000). mais uma forma de anlise e ps-processamento de dados GPS, que possibilita a um usurio do sistema obter coordenadas com uma preciso compatvel
4

com

trabalhos

topogrficos

com

trabalhos

geodsicos de

International Terrestrial Reference Frame, referente a correo peridica do deslocamento dos plos terrestres.

22

planimetria, de forma simples, rpida e com baixo custo de execuo e uso do sistema. A Figura 4 apresenta um resumo do processamento pelo AG.

Figura 4 Representao resumida do processamento pelo AG.

3.4 O formato RINEX

Os dados GPS, frutos da observao e coleta realizados por um receptor, normalmente so armazenados em um formato binrio, prprio e especfico, que reconhecido e processado apenas por programas oferecidos pelo fabricante. Entretanto, para resolver o problema de processamento de observaes GPS feitas com receptores de diferentes fabricaes, definiu-se um formato padro que independe do tipo e modelo do receptor com o qual ele foi obtido. A este formato deu-se o nome RINEX, do ingls Receiver Independent Exchange

Format. O RINEX em sua verso atual consiste de seis diferentes arquivos de

acordo com o padro ASCII:

23

1. Dados de observao; 2. Dados de navegao; 3. Dados meteorolgicos; 4. Mensagem de navegao GLONASS; 5. Mensagem de navegao GEO; 6. Dados de relgio de receptor e satlite. Cada arquivo consiste de uma seo de cabealho e uma seo de dados. O cabealho contm informaes gerais para todo o arquivo e colocado no incio do arquivo. A seo de dados traz informaes especficas para cada poca observada. Uma descrio detalhada do formato com espaamentos, tipo de dados, construo e exemplo do formato pode ser obtida em GURTNER (2002).

24

4
REDES NEURAIS ARTIFICIAIS (RNAs)

As RNAs no so um assunto propriamente novo, pois o primeiro modelo artificial de um neurnio biolgico data de 1943, resultado do trabalho do neuroanatomista e psiquiatra Warren MaCulloch e do matemtico Walter Pitts. Entretanto, merecero nfase naquilo que possibilite o conhecimento bsico de seus fundamentos bem como a descrio dos paradigmas de aprendizagem, evidenciando-se o modelo MLP (Multi Layer Perceptron5) e o algoritmo

backpropagation, responsvel pelo ressurgimento das RNAs no final da dcada

80. Muitos autores conceituam e descrevem Redes Neurais Artificiais,

sempre enfatizando as caractersticas que mais evidenciam a utilizao que se quer dar a elas. Vrias dessas definies podem ser encontradas em HERTZ; KROGH; PALMER (1991), HAYKIN (1999); BRAGA; CARVALHO; LUDERMIR (2000) e outros. Optou-se, neste trabalho, por uma abordagem que faz uma analogia entre RNAs e estatstica, numa tentativa de tornar mais claros seus conceitos fundamentais e adequ-los a um jargo mais familiar engenharia. Porm, deve-se enfatizar que o estudo das RNAs um importante campo dentro da Inteligncia Artificial, rea da Cincia da Computao. SARLE (1994) descreve redes neurais como sendo uma ampla classe de modelos discriminantes e regresso no linear flexvel, modelos de reduo de dados e sistemas dinmicos no lineares. Com freqncia, compostos por
5

Modelo artificial de um neurnio biolgico

25

diversos

neurnios,

isto

elementos

de

clculo

lineares

ou

no,

interconectados atravs de ligaes, por vezes complexas e freqentemente organizados em camadas. RNAs podem ser usadas basicamente de trs formas: 1. Como 2. Como modelos que simulam adaptativo o de em sistema sinais nervoso em biolgico real e ou

inteligncia; processador tempo para controladores implementados hardware aplicaes

especficas, tal como em robs; 3. Como mtodos analticos de dados. Este trabalho limitar-se- apenas estimativa e anlise de dados.

4.1 Inspirao Biolgica

A inteligncia potencial, alegada s redes neurais, levou diversos pesquisadores implementao de redes neurais em hardwares. Contudo, RNAs muito raramente tm mais que centenas ou poucos milhares de neurnios, enquanto que o crebro humano tem cerca de 100 bilhes de neurnios biolgicos, ilustrados pela Figura 5.
Segmento do dendrito
Entradas sinpticas

Espinha dendrtica

Axnio Telodendro Potencial de ao

Corpo celular Dendritos basais

Fenda sinptica
Dendrito

Axnio

Terminais sinpticos Neurotransmissores

Vescula sinptica

Figura 5 Representao genrica de um neurnio biolgico e processo de transmisso sinptica. (Adaptada de HAYKIN, 1999).

26

Apesar de existirem computadores com funcionamento paralelo, RNAs comparveis complexidade do crebro humano ainda esto muito alm de nossa capacidade tecnolgica. Milhares de fibras nervosas, chamadas dendritos, so conectadas ao corpo celular ou soma do neurnio. Funcionam como conexes de entrada, cada uma com menos de um mcron de dimetro. O corpo celular capaz de executar operaes complexas sobre os sinais de entrada, contudo, estas operaes podem ser aproximadas por um somatrio simples destes, HAYKIN (1999). A extenso do soma uma nica e longa fibra nervosa chamada axnio. Esta estrutura recebe e analisa o valor do somatrio exterior. Se este valor for superior a um determinado limite mnimo, o axnio produz uma voltagem de sada de 10 3 V , tambm denominada potencial de ao, que conduzida sua extremidade. A extremidade do axnio se ramifica em diversos terminais sinpticos ou telodendros. Estes terminais se conectam aos dendritos ou soma das unidades vizinhas atravs de complexas estruturas chamadas sinapses. Segundo KOVCS (1997), no ocorre um contato direto entre telodendro e dendrito, mas sim uma conexo qumica temporria (processo de transmisso sinptica), o que provoca a excitao, inibio ou modulao da unidade seguinte. No telodendro h vesculas com neurotransmissores que so responsveis pela conduo do potencial de ao entre os neurnios. Quando o potencial de ao atinge a membrana do telodendro, abrem-se canais provocados pela fuso entre a membrana do mesmo e as membranas das vesculas. Esta fuso permite a sada dos neurotransmissores, que se difundem pela fenda sinptica e se ligam aos receptores da membrana do dendrito. Esta ligao desestabiliza a membrana, permite a entrada de ons e possibilita a conduo do potencial de ao para outro neurnio, HAYKIN (1999).

27

4.2 Neurnio Artificial

Redes Neurais so sistemas de processamento de informaes compostos por um grande nmero de elementos de processamento simples chamados de neurnios artificiais, ou simplesmente neurnios. Muitos modelos de RNAs tm sido propostos e extensivamente usados para processamento de sinais. O modelo inicial para um neurnio artificial, foi proposto por McCulloch e Pitts e posteriormente aprimorado por ROSENBLATT (1958), que o nomeou de

perceptron (Figura 6). Ele representa uma aproximao extremamente

simplificada sob a tica neurofisiolgica, porm conserva algumas das caractersticas bsicas do neurnio biolgico e viabiliza a sua implementao computacional. pesos
bias

x1
Sinais de entrada

wk1 wk 2
. . . . . . . .

bk

Funo de ativao

x2

uk

(.)

sada

yk

Somatrio

xm

wkm

Figura 6 Modelo no linear de neurnio artificial (Adaptada de HAYKIN, 1999). Onde xm so as entradas da rede, wkm so os pesos, ou pesos sinpticos, associados a cada entrada, bk o termo bias , u k a combinao linear dos sinais de entrada, (.) a funo de ativao e y k a sada do neurnio. Pode-se dizer que nos pesos que reside todo o conhecimento adquirido pela rede. Os pesos que so os parmetros ajustveis e que mudam e se adaptam medida que o conjunto de treinamento apresentado rede. Assim sendo,o processo de aprendizado supervisionado em uma RNA com pesos, resulta em sucessivos ajustes dos pesos sinpticos de tal forma que a sada da rede seja o mais prximo possvel da resposta desejada.

28

Tipicamente, a ordem de amplitude normalizada da sada do neurnio est no intervalo [0, 1] ou alternativamente [1, 1] . O modelo neural tambm inclui um termo chamado de bias, aplicado externamente, simbolizado por bk . O bias bk tem o efeito do acrscimo ou decrscimo da funo de ativao na entrada da rede, dependendo se positiva ou negativa, respectivamente. Regies de deciso so intervalos fixos onde a resposta desejada pode estar. O bias serve para aumentar os graus de liberdade, permitindo uma melhor adaptao, por parte da rede neural, ao conhecimento fornecido a ela.

4.3 Topologia tima.

A priori, quanto mais camadas de neurnios, melhor seria o desempenho
da rede neural pois aumenta a capacidade de aprendizado, melhorando a preciso com que ela delimita regies de deciso. Mas, na prtica, aumentar o nmero de camadas intermedirias, s vezes, se torna invivel devido ao trabalho computacional. Existem pesquisadores como HECHT; NIELSEN (1989), que afirmam que com apenas uma camada intermediria na rede neural, j possvel calcular uma funo arbitrria qualquer a partir de dados fornecidos. De acordo com estes autores, a camada oculta deve ter por volta de (2i+1) neurnios, onde i o nmero de variveis de entrada. Outros, como CYBENKO (1988) estudaram o nmero de camadas intermedirias necessrias implementao de funes em RNAs. Seus resultados indicam que uma camada intermediria suficiente para aproximar qualquer funo contnua e duas camadas intermedirias aproximam qualquer funo matemtica. LIPPMANN (1987) afirma que em havendo uma segunda camada intermediria na rede neural, esta deve ter o dobro de neurnios da camada de sada. No caso de apenas uma camada oculta, ela dever ter s (i+1) neurnios, onde s o nmero de neurnios de sada e i o nmero de neurnios na entrada.

29

Outros autores defendem que em redes pequenas o nmero de neurnios da camada oculta pode ser a mdia geomtrica entre o nmero de neurnios de entrada pelo nmero de neurnios de sada.

4.4 Caractersticas e propriedades teis das RNAs

RNAs so capazes de processar uma grande quantidade de dados e fazer previses, algumas vezes com uma acurcia surpreendente e embora essa caracterstica no as torne inteligentes no sentido usual da palavra, redes Neurais Artificiais definitivamente aprendem. O algoritmo de aprendizado formado por um conjunto de procedimentos bem definidos, capazes de adaptar os parmetros de uma RNA. Existe um conjunto de ferramentas representadas por diversos algoritmos que diferem entre si atravs da forma como se d o ajuste de pesos, BRAGA; CARVALHO; LUDERMIR (2000). O poder de generalizao, atribudo s redes neurais, refere-se capacidade que elas possuem de produzir sadas razoveis a entradas que nunca lhe tenham sido apresentadas (aprendizado). Essa caracterstica possibilita a soluo de problemas complexos. A utilizao de redes neurais possibilita as seguintes capacidades e propriedades teis: No linearidade ( uma propriedade importante, particularmente se o sinal de entrada gerado por mecanismos fsicos, inerentemente no lineares); Traado entrada-sada (aprendizado supervisionado); Adaptatividade (capacidade de adaptar os pesos sinpticos, modificando-os em funo de entradas externas); Resposta clara (classificao, interpolao e extrapolao); Informao contextual (cada neurnio potencialmente afetado pela atividade global de todos os outros neurnios da rede); Tolerncia a erros;

30

Analogia neuro-biolgica (resoluo de problemas complexos).

4.5 Os Modelos Neurais.

H dezenas de diferentes modelos de RNAs descritos na literatura. primeira vista, o processo de seleo pode parecer uma tarefa difcil, frente ao nmero de possibilidades. Porm, provvel que uns poucos modelos forneam uma soluo excelente (MASTERS, 1994). Muitos modelos neurais so similares ou idnticos a tcnicas estatsticas populares tais como: modelos lineares generalizados, regresso polinomial, regresso no paramtrica e anlise de discriminantes, anlise de grupos e componentes principais, especialmente onde a nfase a predio de fenmenos complexos ao invs de uma explicitao das correlaes entre as variveis. Estes modelos neurais podem ser muito teis em diferentes tipos de aplicao. Apesar de existirem diversos mtodos para o treinamento de redes neurais, eles podem ser agrupados em dois paradigmas principais que so os aprendizados: supervisionado e no supervisionado. Existem ainda os aprendizados por reforo e por competio, mas o mtodo de aprendizado supervisionado o mais usado em RNAs, quer de neurnios com pesos, quer de neurnio sem pesos, e possui este nome em funo de que tanto entradas quanto sadas desejadas so fornecidas rede durante o processo de treinamento, BRAGA; CARVALHO; LUDERMIR (2000). Esta investigao utilizar apenas o mtodo de aprendizado supervisionado. SARLE (1994) afirma que embora muitos modelos de redes neurais sejam similares ou idnticos a modelos estatsticos bastante conhecidos, a terminologia na literatura de RNAs muito diferente que aquela usada por estatsticos. Por exemplo, na literatura de RNAs: Variveis so chamadas de caractersticas; Variveis independentes so chamadas de entradas; Valores estimados ou preditos so chamados de sadas; Variveis dependentes so chamadas de valores de treinamento;

31

Resduos so chamados de erros; Estimar ou prever so chamados de treinamento, aprendizado, adaptao ou auto-organizao; Critrio de estimao chamado de funo erro, funo custo, ou funo Lyapunov; Observaes so chamadas de padres de treinamento; Parmetros estimados so chamados de pesos (sinpticos); Transformaes so chamadas de links funcionais; Regresso ou anlise de discriminantes so chamadas de aprendizado supervisionado ou heteroassociao; Anlise de classes chamada de aprendizado competitivo ou Adaptative Vector Quantization; Interpolao e/ou extrapolao so chamadas de generalizao. Os termos estatsticos, amostra e populao no parecem ter equivalentes no jargo de RNAs. Embora os dados sejam sempre divididos em conjunto de treinamento e teste, para que se efetive a validao cruzada.

4.5.1 O Modelo Perceptron Multi Camadas (Multilayer Perceptrons ou MLP).

Um perceptron, MCCULLOCH & PITTS (1943), calcula a combinao linear de entradas chamadas de entradas da rede. Ento, uma funo de ativao possivelmente no linear aplicada s entradas da rede para produzir uma sada. Um perceptron pode ter uma ou mais sadas. Se possuir uma funo de ativao linear, similar a um modelo de regresso linear. Segundo SARLE (1994) ao introduzir-se na rede uma camada extra de neurnios, chamada de intermediria ou camada oculta, ainda assim, existe apenas uma nica camada com pesos a serem estimados. Se o modelo inclui pesos, estimados entre a camada de entrada e a camada oculta, e a camada oculta usa funo de ativao no linear, tal como a funo logstica, o modelo torna-se genuinamente no linear. O modelo resultante chamado de Multilayer

Perceptron ou MLP.

32

As

redes

de

mltiplas

camadas

so

aproximadores

universais,

RUMELHART et al. (1986) e devem ser usadas quando se tem pouco conhecimento e dados insuficientes acerca do relacionamento entre as variveis independentes e dependentes. Pode-se variar a complexidade do modelo MLP atravs da variao do nmero de camadas intermedirias e do nmero de neurnios em cada camada intermediria. Com um pequeno nmero de neurnios ocultos, uma MLP um modelo paramtrico que fornece uma alternativa til regresso polinomial. Com um nmero mdio de neurnios ocultos, a MLP pode ser considerada como um modelo quase paramtrico. Se o nmero de neurnios intermedirios aumenta com o tamanho da amostra, a MLP torna-se um modelo no paramtrico. Considerando uma MLP para ajustamento de uma curva de regresso no linear simples, usando uma entrada, uma sada linear e uma camada intermediria com uma funo de ativao logstica, a curva pode ter muitas ondulaes e como existem neurnios ocultos, este tipo de MLP atuaria como uma regresso polinomial ou um ajustamento quadrtico. Diferentes de polinmios, MPLs so fceis de expandir para mltiplas entradas e mltiplas sadas sem um aumento exponencial do nmero de parmetros. MPLs so treinadas normalmente por um algoritmo chamado de regra delta generalizada, sugerida inicialmente por WIDROW; HOFF (1960), que calcula derivadas pela simples aplicao da regra da cadeia chamada

backpropagation.
Freqentemente, o termo backpropagation aplicado tambm ao prprio mtodo de treinamento ou rede treinada, desta forma. Esta confuso na literatura em redes neurais geral quando se trata de diferenciar modelos de mtodos ou algoritmos de treinamento. Embora uma MLP com uma camada intermediria seja um aproximador universal, existem diversas aplicaes onde o uso de mais de uma camada intermediria pode ser til. Eventualmente uma funo altamente no linear pode ser aproximada com poucos pesos quando se usam mltiplas camadas intermedirias ao invs de apenas uma.

33

Em estatstica necessita-se ter uma informao priori sobre a estrutura do modelo matemtico. Em redes neurais o usurio estima esta estrutura pela escolha do nmero de camadas e o nmero de neurnios e as funes de transferncia entre os neurnios de uma rede.

4.5.2 O algoritmo backpropagation

Para treinar a rede so utilizados vetores de entrada associados a seus respectivos vetores de sada desejada, at que a rede aproxime uma determinada funo e possa a partir da oferecer sadas adequadas a vetores de entrada diferentes daqueles com os quais foi treinada. O backpropagation padro um algoritmo gradiente descendente tal como a regra da cadeia. Atravs dele os pesos das conexes entre os neurnios da rede, so atualizados ao longo de um gradiente descendente de uma determinada funo. O termo backpropagation refere-se a forma como o gradiente calculado para redes de mltiplas camadas no lineares. Existe um nmero razovel de variaes a partir do algoritmo bsico, que so baseadas em tcnicas de otimizao, tais como o gradiente conjugado e mtodos de Newton. O algoritmo backpropagation bsico tem duas fases, para cada padro apresentado: Feed-forward as entradas se propagam pela rede, da camada de entrada at a camada de sada; Feed-backward os erros se propagam na direo contrria ao fluxo de dados, indo da camada de sada at a primeira camada escondida. O backpropagation o algoritmo de Redes Neurais mais utilizado em aplicaes prticas de previso, classificao e reconhecimento de padres em geral. A Tabela 2 apresenta sucintamente este algoritmo. Maiores detalhes acerca das diferentes funes de ativao, regra de atualizao de pesos e uma descrio matemtica, podem ser encontrados em HAYKIN (1989). Foi

34

demonstrado por CYBENKO, (1989) que o backpropagation um aproximador universal capaz de representar qualquer funo. Tabela 2- Descrio resumida do Algoritmo de aprendizado backpropagation padro. Inicializao pesos iniciados com valores aleatrios e pequenos ( w 0.1 ); Treinamento Loop at que o erro de cada neurnio de sada seja tolerncia, para todos os padres do conjunto de treinamento; 1. Aplica-se um padro de entrada o de entrada Xi com o respectivo vetor de sada da Yi desejado; 2. Calculam-se as sadas dos neurnios, comeando da primeira camada escondida at a camada de sada; 3. Calcula-se o erro para cada neurnio da camada de sada. Se erro tolerncia, para todos os neurnios, volta ao passo 1; 4. Atualiza-se os pesos de cada neurnio, comeando pela camada de sada, at a primeira camada escondida. 5. Volta-se ao passo 1 caso a diferena entre a sada da rede e a resposta desejada seja maior que uma determinada limite, especificado pelo usurio. Um dos fatores que influenciam o aprendizado a forma como ele se d. O algoritmo bsico pode ser implementado tanto para o aprendizado incremental quanto para o aprendizado acumulativo. No modo de aprendizado incremental os pesos so atualizados a cada apresentao de um novo padro, ele utiliza o mtodo do gradiente descendente mas tende a aprender melhor o ltimo padro apresentado. No modo de aprendizado acumulativo, tambm chamado de modo batch, os pesos so ajustados apenas depois da apresentao de todos os padres, ou seja, depois de um ciclo completo na apresentao dos padres. Muitas das variaes do algoritmo bsico utilizam esta forma de aprendizado como tentativa de acelerar o processo de treinamento da rede.

35

4.5.2.1 Algoritmo de treinamento rpido

Para um treinamento mais rpido podem-se utilizar diversos artifcios, entre eles pode-se destacar a taxa de aprendizado varivel e os algoritmos de gradiente conjugado. Existem ainda como alternativa os chamados de mtodos

de Newton para treinamento acelerado.

A diferena fundamental utilizada nos mtodos de Newton em comparao ao algoritmo padro est na matriz Hessiana (segunda derivada) do ndice de erro aos valores atuais de pesos e bias. Os mtodos de Newton sempre convergem mais rpido que os mtodos de gradiente conjugado, mas, infelizmente, o clculo da derivada segunda complexo e demorado para determinar a matriz Hessiana. Assim, utiliza-se uma segunda classe de algoritmos que, apesar de baseados no mtodo de Newton, no necessitam do clculo da derivada segunda, so chamados de mtodos Quase-Newton ou ainda de mtodos secantes. Os mtodos Quase-Newton tm sido publicados com sucesso nos estudos de FLETCHER (1963), GOLDFARB (1970) E SHANNO (1970). Os algoritmos

backpropagation que utilizam essas tcnicas so denominados de BFGS (as

iniciais dos pesquisadores). Semelhante aos algoritmos Quase-Newton, o algoritmo LevenbergMarquardt foi desenvolvido para aproximar velocidade de treinamento de segunda ordem sem ter que calcular a matriz Hessiana. Quando a funo erro faz a somatria quadrtica, a matriz Hessiana pode ser aproximada como:

H = JTJ
E o gradiente pode ser calculado como:

(11)

g = J Te

(12)

Onde J a matriz Jacobiana que contm a primeira derivada dos erros da rede com os respectivos pesos e bias e e o vetor de erros da rede. A matriz Jacobiana pode ser calculada atravs da tcnica backpropagation padro.

36

O algoritmo Levenberg-Marquardt usa esta aproximao Quase-Newton para a matriz Hessiana com a seguinte atualizao:

xk + a = xk J T J + I

JTe

(13)

Quando o mdulo de zero, este o mtodo de Newton e usa a aproximao da matriz Hessiana. Quando grande, isto faz com que o gradiente descendente tenha um pequeno incremento a cada passo. Os algoritmos que usam os mtodos de Newton so mais rpidos e mais precisos quanto menor for o erro mnimo desejado no treinamento. Assim, diminudo depois de cada passo bem sucedido (reduo do erro) e s aumentado quando o erro aumentar. Deste modo, o erro sempre diminuir a cada iterao do algoritmo. Este algoritmo aparece na bibliografia como sendo o mtodo mais rpido para o treinamento de redes neurais de tamanho moderado. Alm disso, encontra-se implementado de forma bastante eficiente como uma ferramenta do programa MATLAB sob o nome trainlm (DEMUTH; BEALE, 1997).

37

5
MATERIAIS E MTODOS

Esta pesquisa, em relao ao mtodo, acatou as idias de John Dewey, posteriormente difundidas por NORTHROP apud CASTRO (1977) que indicam que se inicie com uma pergunta, a partir da qual se estruturam as explicaes, hipteses e a natureza dos dados que possam respond-las. Assim sendo, as perguntas que motivaram esta investigao j foram feitas no Captulo 1 e so repetidas a seguir: Seria possvel fazer com que dados observados por receptores de uma freqncia (L1) possam ser processados de forma a se obter um nvel de preciso similar queles gerados por receptores de dupla freqncia (L1 e L2)? Seria possvel modelar, estimando o comportamento das observveis GPS? Qual ferramenta seria adequada a esta modelagem?

5.1 Materiais.
Os dados utilizados em todos os procedimentos de investigao desta pesquisa referem-se a: Arquivos de dados obtidos nos receptores da RBMC, no formato RINEX, exemplificado na Figura 7, contendo as observveis L1, C1, L2, P2 e D1;

38

Arquivos de dados GPS no formato RINEX gerados por receptores de freqncia simples, que observaram em estaes cujas coordenadas j se conhecia de observaes anteriores; Arquivos de efemrides precisas disponibilizados pelo IGS6; Informaes sobre atividade solar disponibilizadas pelo NOAA7.

Figura 7 Fac-smile de trecho de um arquivo RINEX de observao da estao BOMJ-RBMC. Para o desenvolvimento do mtodo proposto, buscou-se utilizar

exclusivamente dados e informaes disponveis gratuitamente na Internet, numa tentativa de que o mtodo possa ser utilizado posteriormente sem a necessidade da compra de dados alm da facilidade e rapidez de acesso a eles. Adicionalmente, esta caracterstica dos dados permite que o experimento possa ser reproduzido, a qualquer tempo, a partir de conjuntos de dados diferentes daqueles utilizados neste experimento.
6 International GPS Service. 7 National Oceanic & Atmospheric Administration.

39

A aproximao de funes que representem um determinado fenmeno fsico, por vezes sob comportamento no linear, atravs de RNAs nas quais se utilizem modelos com aprendizado supervisionado, tal como proposto nesta investigao, necessitam de um professor externo. Ou seja, para que a rede neural aprenda necessrio ensin-la e isso feito atravs da separao do conjunto de dados disponveis em trs conjuntos: 1. Treinamento; 2. Validao; 3. Testes. Como a prpria nomenclatura indica, os conjuntos de treinamento e validao so usados durante o processo de treinamento e o conjunto de testes usado j para a obteno das estimativas. Esta uma tcnica estatstica chamada de validao cruzada, HAYKIN (1999). A formao de padres de mapeamento entrada/sada que possibilitou a preparao dos arquivos, para ensinar a rede neural, incluiu alm de dados de observao, a insero de dados de posio precisa dos satlites GPS. Estes dados podem ser obtidos atravs da Internet como arquivos de efemrides precisas atravs, por exemplo, do endereo: ftp://igscb.jpl.nasa.gov/igscb/product, 02/12/2002. Um exemplo destes arquivos apresentado na Figura 8.

40

Figura 8 Fac-smile de trecho de um arquivo de efemrides precisas, formato SP3, correspondente ao dia 339 do ano 2001. As efemrides precisas so disponibilizadas como arquivos ASCII, em formatos especficos. O formato adotado nesta investigao o SP3. De forma bastante resumida, pode-se dizer que o arquivo de efemrides traz consigo informaes da posio mais provvel dos satlites GPS em intervalos regulares de tempo. So apresentadas as coordenadas cartesianas X S , Y S , Z S e o erro do relgio dos satlites. Maiores detalhes sobre este formato podem ser obtidos no seguinte endereo eletrnico: http://www.ngs.noaa.gov/GPS/SP3_format.html, 02/12/2002. Inicialmente, os dados retirados ou calculados a partir dos arquivos de observao das estaes que compem a rede GPS para uma determinada poca foram: o ngulo de elevao de cada satlite, os valores correspondentes contagem de ciclos das portadoras L1 e L2, as pseudodistncias a partir dos cdigos C/A e P2 e posio inicial aproximada da estao ( X R , YR , Z R ). Do arquivo

41

de efemrides precisas pode-se retirar as coordenadas ( X S , Y S , Z S ) para o mesmo satlite, mesma poca. Na verdade esses dados sero utilizados em funo das caractersticas dos receptores utilizados pela rede de estaes GPS usada para o treinamento da rede neural. Por isso, por exemplo, se utilizar a pseudodistncia P2, mas nada impede que se utilize a pseudodistncia P1, por exemplo, caso seja esse o padro dos receptores para treinamento. A Rede Brasileira de Monitoramento Contnuo (RBMC) uma rede ativa composta atualmente de 15 estaes, sendo quatorze geridas pelo IBGE8 e uma pelo INPE9. Possui caractersticas necessrias e desejveis realizao do experimento, tais como: receptores de dupla freqncia e cdigo P simultaneidade de operao em diversas estaes disponibilizao gratuita dos dados via rede WWW10 Posio da estao bem conhecida. As estaes de Fortaleza e Braslia alm de comporem a RBMC, tambm fazem parte da rede IGS. A localizao de todas as estaes da RBMC est ilustrada na Figura 9.

8 9

Instituto Brasileiro de Geografia e Estatstica Instituto Nacional de Pesquisas Espaciais World Wide Web

10

42

Figura 9 Localizao das estaes RBMC. (Adaptada de http://www.ibge.net/home/geografia/geodesico/rbmc.shtm. 06/04/2003). Existe a expectativa da entrada em operao, prevista para 2003, de seis estaes adicionais referentes ao Sistema Integrado de Vigilncia da Amaznia, designado por projeto SIVAM. Estas recobririam os vazios de observao GPS que hoje ainda persistem na Amaznia Legal e complementariam a RBMC, perfazendo um total de 21 estaes. H de se notar que, em se tratando de Amaznia, bem como parte do nordeste brasileiro, tem de se ter cuidados especiais na utilizao de dados GPS. O equador geomagntico que passa pela Amaznia brasileira, uma regio cuja camada ionosfrica freqentemente est sujeita ao dos chamados jatos de eltrons. Isso pode gerar uma brusca mudana no TEC e este por sua vez pode ocasionar uma intensa variao em seu ndice de refrao. Este fato pode provocar diversos efeitos no sinal GPS que vo desde o atraso at a interrupo de sua propagao. Maiores detalhes sobre os efeitos ionosfera no sinal GPS podem ser encontrados em CAMARGO (1999) e FONSECA JUNIOR (2002).

43

Assim,

quando

da

entrada

em

operao

das

estaes

SIVAM,

necessariamente, tero que se realizar testes no sentido de avaliar a funcionalidade do mtodo proposto sob condies adversas de atividade solar geomagntica. A Tabela 3 contm informaes relativas ao estabelecimento da RBMC desde o incio de sua implantao e do gradual acrscimo do nmero de estaes entre 1993 e 2002. Tabela 3 Informaes das estaes RBMC em maio 2003. Localizao/UF Fortaleza (IGS)/CE Braslia/DF Curitiba/PR Presidente Prudente/SP Bom Jesus da Lapa/BA Manaus/AM Viosa/MG Cuiab/MT Imperatriz/MA Porto Alegre/RS Salvador/BA Recife/PE Crato/CE Rio de Janeiro/RJ Santa Maria/RS Cdigo IBGE FORT BRAZ PARA UEPP BOMJ MANA VICO CUIB IMPZ POAL SALV RECF CRAT RIOD SMAR Incio de operao 13/05/93 03/03/95 13/12/96 18/12/96 18/02/97 28/04/97 22/05/97 18/06/97 16/02/98 28/10/98 20/05/99 06/07/99 09/04/00 21/07/01 08/11/01

As exigncias que limitam o uso do mtodo proposto dependem diretamente da disponibilidade de dados simultneos quele que se pretende estimar, ou seja, dados de observao dentro de uma determinada regio, neste caso, a rea de abrangncia da RBMC e efemrides precisas para o dia no qual foram feitas as observaes. Apesar de vrios institutos de pesquisa disponibilizarem as efemrides precisas, aqui se utilizaram aquelas fornecidas pelo IGS, devido ao seu carter oficial e tambm metodologia utilizada em sua determinao. Embora neste trabalho tenham sido usados dados da RBMC, nada impede que dados de outras redes, implantadas em outros pases ou continentes, sejam utilizados para obteno de estimativas usando o mtodo proposto,

44

obviamente, desde que possuam caractersticas similares quelas apresentadas pela RBMC e aprsentadas anteriormente nesse item. Como a RBMC foi escolhida como base dos dados, com os quais efetivamente se constri o modelo, buscou-se fazer um levantamento estatstico dos dados gerados pelo IBGE com a finalidade de ratificar o seu uso para esta aplicao, alm de conseguir-se uma viso mais ampla acerca da freqncia e qualidade de seus dados. De posse dos dados referentes a todas as estaes da RBMC desde a sua implantao at junho de 2002, pode-se fazer uma seleo no sentido de agrupar os dados e obter um indicativo sobre quantos e quais dados eleger para proceder as estimativas neurais. Este trabalho gerou informaes acerca do perodo mais adequado a utilizar, quais as estaes e dias nos quais havia um maior nmero de estaes operando simultaneamente. Esses resultados so apresentados em forma de grficos na Figura 10.
400 tota l de dia s obs erva dos 350 300 250 200 150 100 50 0 vico u epp sa v riod recf poa l pa ra bra z sma r cu ib 2000 bon j cra t ma n a fort impz 2002 E sta es RBMC 2001

Figura 10 Freqncia de observaes/estao/ano. Uma das necessidades do mtodo proposto a utilizao da maior quantidade disponvel de dados, neste caso, dados da RBMC. Este o motivo pelo qual no sero utilizados dados anteriores ao segundo semestre de 1999, funo de s estarem em operao no mximo 11 estaes. Assim, utilizou-se para efeito de modelagem e testes, os dados compreendidos entre o ano 2000 e

45

2002, que foram gentilmente cedidos pelo DEGED11 do IBGE ao Departamento de Transportes da EESC-USP com a estrita finalidade de pesquisa. Uma viso geral da simultaneidade de observaes das estaes RBMC para o perodo escolhido, ou seja, os anos de 2000, 2001 e 2002 so ilustrados nas Figuras 11, 12 e 13 respectivamente. Para o ano de 2002, s se obteve dados at o dia 307 (03/11/2002).

16 N de es ta es s imu lt n ea s 14 12 10 8 6 4 2 0 1 31 61 91 121 151 181 211 241 271 301 331 361 Dia s do a n os 2000

Figura 11 N de estaes operando simultaneamente em 2000

16 N de est aes simult n eas 14 12 10 8 6 4 2 0 1 31 61 91 121 151 181 211 241 271 301 331 361 Dias do ano 2001

Figura 12 N de estaes RBMC operando simultaneamente em 2001.

11

Departamento de Geodsia

46

N d e est aes simu lt n eas

14 12 10 8 6 4 2 0 1 31 61 91 121 151 181 211 241 271 301 331 361 Dias do ano 2002

Figura 13 N de estaes RBMC operando simultaneamente em 2002.

5.1.1 Critrios adotados para escolha dos dados e desenvolvimento do mtodo proposto
Como critrio inicial, buscou-se determinar entre o perodo de 2000 a 2002, os intervalos com o maior nmero de estaes que coletaram dados simultaneamente. Baseado na estatstica de operao simultnea das estaes RBMC, evidenciadas pelas Figuras 11, 12 e 13, adotou-se alguns dias como dados para a modelagem. importante ressaltar que a estao Fortaleza possui caractersticas operacionais que diferem do restante da rede. A principal diferena est na taxa de coleta dos dados. Em todas as estaes da RBMC a taxa de coleta de 15 segundos exceto para Fortaleza que possui taxa de coleta de 30 segundos. A taxa de 15 segundos de particular interesse para o desenvolvimento do mtodo proposto, pois quanto menor a taxa de coleta, maior ser a quantidade de dados (padres de entrada) disponveis para treinamneto da rede para pequenas intervalos de tempo, o que certamente concorrer para uma melhor generalizao da rede. FAZAN (2002), submeteu os dados gerados pela RBMC a uma srie de testes com o objetivo de verificar a sua qualidade e constatou que a estao de Fortaleza apesar de possuir uma freqncia diria dentro do mesmo padro das

47

outras estaes, possui um aproveitamento das observaes relativamente menor que as demais. Estas duas caractersticas da estao Fortaleza fizeram com que as observaes geradas por ela fossem ignoradas durante o processo de modelagem, o que no chega a prejudicar a aplicao do mtodo, pois existe uma outra estao que cobre a mesma rea, a estao CRAT, localizada em Crato-Ce. A Tabela 4 resume esses dados, j considerando a excluso da estao de Fortaleza. Tabela 4 Resumo dos dados escolhidos para modelagem. Data 12/05/2000 17/05/2000 18/05/2000 13/11/2001 25/11/2001 05/12/2001 29/01/2002 07/02/2002 08/03/2002 Dia Semana N de Atividade Solar GPS GPS estaes (Emisso de raios-X) 133 1061 13 Baixa com eventos de alta 138 1062 13 Mdia com eventos de alta 139 1062 13 Moderada com eventos de alta 317 1140 14 Baixa com eventos de alta 329 1142 14 Baixa 339 1143 14 Baixa 29 1151 12 Moderada 38 1152 12 Moderada 67 1156 12 Moderada com eventos de alta

Alm disso, buscou-se distribuir os dados em diferentes meses dos anos numa tentativa de validar o mtodo proposto independente do perodo no qual os dados foram observados, o que comprovar a eficcia da modelagem proposta sob diferentes perodos de observao, conjuntos de estaes e condies de atividade solar. De acordo com os critrios adotados por LEANDRO (2003), o ndice de emisso de raios-X pode ser utilizado para estimar a atividade solar classificando-a, por exemplo, em alta, moderada ou baixa. Entretanto, essa uma classificao relativa, pois a emisso de raios-X apenas uma dentre vrias grandezas que podem ser levadas em considerao, como a emisso de partculas, fluxo de ondas de rdio e nmero de manchas solares representado pelo nmero Sunspot.

48

Em janeiro de 2003 o sol passou por um perodo de alta intensidade que teve seu pice entre 2000 e 2001. Assim, mesmo os perodos considerados de baixa intensidade so de alta quando comparados ao perodo prximo a 1997, considerado um perodo de calmaria como pode ser visto na Figura 14 para o atual ciclo solar (ciclo 23).

Figura 14 Representao grfica do nmero Sunspot do Ciclo Solar 23. (Fonte: http://www.sec.noaa.gov/SolarCycle/index.html, 28/01/2003.) As emisses solares de raios-X podem ser avaliadas a partir de dados e grficos, obtidos em relatrios de ndices geofsicos e solares, medidos atravs do satlites GOES-X e disponibilizados na Internet pelo National Oceanic and

Atmospheric

Administration

(NOAA)

sob

endereo:

http://www.sec.noaa.gov/weekly/, 28/01/2003.

5.2 Metodologia
De posse de todas as informaes e dados descritos no item 5.1, pde-se delinear a seqncia de etapas, regras de procedimentos e estratgias de processamento adotadas no curso da investigao.

49

Devido a algumas restries relativas a observao simultnea das estaes RBMC, o conjunto de dados escolhido est exatamente em um perodo no qual ocorrem os mximos da atividade solar no atual ciclo. Este fato possibilitar, caso a hiptese inicial seja validada, que se comprove que o mtodo proposto funciona, mesmo sob intensa atividade solar, que provoca variaes bruscas no TEC e este por sua vez, na propagao do sinal GPS.

5.2.1 Etapas realizadas nesta investigao

1. Reviso Bibliogrfica; 2. Busca e definio das estaes GPS com receptores L1/L2 e cdigo P que possam ser utilizadas sistematicamente para treinamento da rede neural; 3. Busca e ou implementao do algoritmo neural que melhor se adaptou extrapolao e interpolao para estimativas de dados GPS; 4. Criao e montagem do padro de entradas mais representativo com dados obtidos de tal forma a se obter, como respostas, um conjunto de L2 e ou P2 por satlite/poca; 5. Desenvolvimento de aplicativos que possibilitem: a. Ler e extrair de um conjunto de arquivos de dados GPS, para um determinado conjunto de pocas especficas (240 pocas por hora a cada 15 segundos); b. Ler e extrair de um arquivo de efemrides precisas atravs de interpolao os dados de posio para cada a cada 15 segundos; c. A partir das informaes obtidas no arquivo GPS e tambm de efemrides precisas, construir um arquivo com os padres de entradas e sadas para treinamento da rede (aprendizado supervisionado) adaptado a diferentes formatos de sada; d. Garantir aleatoriedade quando da apresentao dos padres rede e se necessrio, transformar e normalizar os dados; 6. Implementao e testes com o algoritmo escolhido;

50

7. Implementao de aplicativo para agregao ao arquivo GPS original, dos dados de L2 e P2 estimados pela RNA, gerando um arquivo RINEX modificado por estimativas neurais; 8. Validao e testes do mtodo proposto: a) Observao com receptor GPS de dupla freqncia e cdigo P em pontos que possibilitem o processamento de vetores com diferentes comprimentos de linhas base (curta, mdia e longa); b) c) d) e) f) g) h) i) Aplicao do mtodo a esta observao, com a gerao e agregao de estimativas neurais; Processamento por ponto simples do arquivo original; Processamento por ponto simples do arquivo modificado; Processamento relativo do arquivo original; Processamento relativo do arquivo modificado; Processamento PPP do arquivo original; Processamento PPP do arquivo modificado; Comparao e anlise dos resultados obtidos nos diversos processamentos para as estaes teste.

5.2.2 Procedimentos adotados

Sabidamente a busca de procedimentos de experimentao exeqveis e adequados que conduzam mais rapidamente validao ou refutao das hipteses levantadas uma constante em todo o mtodo de investigao, porm, nem sempre possvel que isso ocorra. Tentou-se nesta pesquisa seguir uma seqncia lgica, buscando-se vencer, sem que fosse queimada nenhuma das etapas previstas inicialmente. Na verdade, houve uma srie muito maior de tentativas que aquelas explicitadas at aqui. Porm, objetivando deixar a verso final mais resumida, s foram documentadas investigao. aquelas que se mostraram relevantes no decorrer da

51

5.2.2.1 Formao dos conjuntos de dados para treinamento, validao e testes do modelo neural.
Inicialmente criou-se, a partir dos dados disponveis e escolhidos, diversos subconjuntos de dados que pudessem representar diferentes combinaes de mapeamento entradas/sadas, perodos de observao em horas e agrupamentos espaciais das estaes RBMC. Faz parte das suposies iniciais que os algoritmos de redes neurais que utilizam o conceito de aprendizado supervisionado, conseguissem gerar estimativas adequadas a esta modelagem. Assim, decidiu-se iniciar com o modelo backpropagation, o mais difundido entre os modelos neurais conhecidos e bastante utilizado devido a sua excelente capacidade de generalizao. O modelo backpropagation aplicado a uma rede de mltiplas camadas conhecida como MPL necessita, alm da definio do mapeamento entradas/sadas, da definio do nmero de camadas intermedirias, do nmero de neurnios em cada camada e dos parmetros de treinamento. A esta organizao em camadas d-se o nome de Topologia da Rede. A definio da Topologia da Rede Neural uma das maiores dificuldades na modelagem neural, mas tambm um passo importante na sua concepo, pois ela limita o tipo de problema que pode ser abordado pela rede. Assim, para se obter uma boa generalizao, deve-se proporcionar rede a maior quantidade possvel de informao. Mas isso implica tambm em construir uma topologia com uma grande quantidade de neurnios, o que acarreta um outro problema, a complexidade computacional que limita o uso em relao a tempo de processamento e espao (tamanho de arquivos). Normalmente, uma topologia adequada obtida travs de sucessivos refinamentos a partir da definio de uma topologia inicial. Esse modo de definir a topologia pode consumir um tempo considervel, fruto do empirismo empregado nesse mtodo, sem que chegue a chamada topologia ideal. Buscando-se diminuir a um mnimo adequado o nmero de neurnios e, por conseguinte, as conexes entre eles, deve-se fazer uso de algoritmos de otimizao sempre que possvel. Uma tentativa nesse caminho a utilizao de

52

algoritmos genticos combinados a RNAs para otimizar topologia e parmetros de treinamento da rede. Estes parmetros podem incluir as funes de ativao, taxa de aprendizado e o termo momento. H um projeto de doutoramento em andamento, ligado ao Instituto de Cincias Matemticas e Computao do Campus da USP em So Carlos - SP, que se prope ao desenvolvimento de um mtodo de otimizao de topologias para RNAs utilizando computao distribuda, algoritmos genticos e RNAs para varrer parte do espao possvel de topologias e parmetros na busca da topologia mais adequada aos dados disponveis. Como este projeto ainda est em desenvolvimento, no foi possvel fazer os testes usando esta abordagem. Foram realizados diversos testes no sentido de orientar a busca da topologia ideal, mais adequada generalizao do problema em questo. Estes testes referem-se a vrias topologias diferentes, com variao nos parmetros durante o treinamento, incluindo a combinao dos elementos abaixo, o que gera um nmero considervel de diferentes topologias a serem testadas: Quantidade de neurnios de entrada: 1, 2, 3, 5 e 6; Quantidade de neurnios de sadas: 1 e 2; Quantidade de camadas intermedirias: 1, 2, e 3; Quantidade de neurnios por camada intermediria: 2,3, 4, 5, 7, 10, 13, 15, 20, 25, 30 e 50. Realizaram-se testes em todos os subconjuntos de dados, buscando encontrar o melhor conjunto de parmetros de treinamento com as seguintes variaes: Taxa de aprendizado (), variando entre 0; 0,1; 0,2; 0,3; 0,5 e 0,9; Termo momento (), variando entre 0,0; 0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8 e 0,9;

5.2.3 Estratgias de Processamento

Os processamentos tanto neurais quanto GPS foram realizados atravs de diferentes programas na tentativa da obteno de respostas adequadas em

53

um tempo de processamento aceitvel, ou seja, que no impedisse a utilizao sistemtica do mtodo, podendo chegar no mximo a 30 minutos.

5.2.3.1 rvore de testes para definio da topologia adequada melhor generalizao da rede neural
No caso do processamento neural, realizou-se testes com o EasyNN verso 8.01, um programa comercial desenvolvido e comercializado por Stephen Wolstenholme para treinamento e generalizao utilizando o algoritmo

backpropagation em redes de mltiplas camadas. Este programa no pode ser

utilizado em funo da sua pouca flexibilidade em relao s sadas da rede. Tentou-se tambm a utilizao do SNNS12 verso 4.2, que um simulador neural implementado e distribudo gratuitamente pelo Institute for Parallel and Distributed High Performance System of University of Stuttgart sob o endereo: http://www-ra.informatik.uni-tuebingen.de/SNNS/. O SNNS foi utilizado com bastante eficcia em funo das grandes possibilidades que ele oferece em termos de flexibilidade na criao e modificao de topologias e parmetros. Alm disso, possui implementados eficientes modelos neurais. Na maioria dos testes realizados nesta etapa, foi possvel us-lo com sucesso. Apesar dessas caractersticas, o SNNS no foi capaz de preencher todas as expectativas e necessidades especficas desta investigao. Assim, buscou-se implementar o modelo algoritmo backpropagation, de forma que fossem atendidas as exigncias especficas desta modelagem de dados. Estas exigncias referem-se principalmente a sua capacidade de generalizao com sadas estimadas com um nmero mnimo em termos de algarismos significativos que fosse compatvel com o nvel de normalizao exigido e que pudesse aps a desnormalizao atingir-se uma preciso compatvel com as observveis GPS originais. Ocorre que o algoritmo backpropagation possui algumas caractersticas que tornam o aprendizado lento, por vezes estabilizando a soluo final em
12

Stuttgart Neural Network Simulator

54

mnimos locais. Isto aliado ineficincia das implementaes realizadas, provavelmente em uma linguagem inadequada, tornaram invivel a utilizao do algoritmo implementado. Na literatura foram encontradas diversas variaes deste algoritmo com a finalidade de resolver estes e outros problemas de convergncia. Algumas destas variaes, inclusive o algoritmo backpropagation Levenberg-Marquardt. (que foi utilizado para resolver este problema) e que encontram-se descritos no item 4.5.2.1 deste documento. Escolheu-se ento o programa MATLAB verso 6.1, que possui um pacote de ferramentas adequadas a simulao de RNAs, denominado de Neural

Network Toolbox for Use in MATLAB, cujo algoritmo em questo se encontra

implementado. Adicionalmente, o MATLAB permite que sejam feitas alteraes no sentido de se obter um nmero de significantes desejado na sada da rede neural. A grande flexibilidade na manipulao e formatao de arquivos e diversidade de algoritmos implementados eficientemente o elegeram definitivamente como forma de simulao neural a ser usada nesta pesquisa em conjunto com as implementaes j realizadas em Visual Basic verso 5.0. Para cada conjunto foram gerados os seguintes arquivos de treinamento e teste segundo a seguinte estratgia: data/perodo/tipo/nmero de entradas/nmero de sadas. Para efeito de nomenclatura adotou-se a seguinte: L1 a diferena da contagem de ciclos da portadora L1 entre pocas consecutivas de 15 segundos; L2 a diferena da contagem de ciclos da portadora L2 entre pocas consecutivas de 15 segundos; C1 a pseudodistncia a partir do cdigo C/A tomada a cada 15 segundos; P2 a pseudodistncia a partir do cdigo P2 a cada 15 segundos; AE o ngulo de elevao de cada segundos; satlite a cada poca de 15

55

X S , Y S , Z S so as coordenadas do satlite para pocas mltiplas de

15 segundos, obtidas atravs da interpolao de Lagrange das efemrides precisas.

Dentro de todos os dados escolhidos, o ano de 2001 apresenta o maior nmero de estaes simultneas. Assim, o dia 05/12/2001 foi o escolhido. Avaliao da influncia do mapeamento entradas/sadas, nestes testes avaliou-se o comportamento da rede quando se alteravam a quantidade os tipo de entradas e sadas: (05/12/2001)/1 h/geral/1 entrada(L1)/ 1 sada(L2); (05/12/2001)/1 h/geral/1 entrada(C1)/ 1 sada(P2); (05/12/2001)/1 h/geral/2 entradas(L1; AE)/ 1 sada(L2); (05/12/2001)/1 h/geral/2 entradas(C1; AE)/ 1 sada(P2); (05/12/2001)/1 h/geral/3 entradas (L1; C1; AE)/ 2 sadas(L2; P2); (05/12/2001)/1 h/geral/5 entradas(L1; AE; Xs; Ys; Zs)/ 1 sada( L2); (05/12/2001)/1 h/geral/5 entradas(C1; AE; Xs; Ys; Zs)/ 1 sada( P2); (05/12/2001)/1 h/geral/6 entradas(L1; C1; AE; Xs; Ys; Zs)/ 2 sadas (L2; P2). Aps a determinao da topologia mais adequada, pde-se avaliar a influncia do perodo de observao, ou seja: Com quantas horas de observao deve ser treinada a RNA para conseguir uma preciso adequada nas estimativas? (05/12/2001)/1 hora/geral/melhor ou melhores arquiteturas; (05/12/2001)/2 horas/geral/ melhor ou melhores arquiteturas; (05/12/2001)/6 horas/geral/ melhor ou melhores arquiteturas; (05/12/2001)/12 horas/geral/ melhor ou melhores arquiteturas; (05/12/2001)/24 horas/geral/ melhor ou melhores arquiteturas.

56

Aps a determinao da topologia e perodo de observao, mais adequados, pde-se avaliar a influncia do tipo de agrupamento das estaes RBMC, se global ou regional. (05/12/2001)/melhor perodo/global/melhor arquiteura; (05/12/2001)/melhor perodo/norte/ melhor arquitetura; (05/12/2001)/melhor perodo/nordeste/ melhor arquitetura; (05/12/2001)/melhor perodo/centro-oeste/ melhor arquitetura; (05/12/2001)/melhor perodo/sul e sudeste/ melhor arquitetura.

Definidas as melhores generalizaes, se geral ou regional, pode-se ento comprovar a independncia do mtodo proposto, atravs de repetio para outros conjuntos de dados obtidos em diferentes datas e para diferentes conjuntos de estaes: (12/05/2000)/melhor perodo/ melhor tipo/ melhor arquitetura; (17 /05/2000)/melhor perodo/ melhor tipo/ melhor arquitetura; (18 /05/2000)/melhor perodo/ melhor tipo/ melhor arquitetura; (13 /11/2001)/melhor perodo/ melhor tipo/ melhor arquitetura; (25 /11/2001)/melhor perodo/ melhor tipo/ melhor arquitetura; (29 /01/2002)/melhor perodo/ melhor tipo/ melhor arquitetura; (07 /02/2002)/melhor perodo/ melhor tipo/ melhor arquitetura; (08 /03/2002)/melhor perodo/ melhor tipo/ melhor arquitetura.

5.2.3.2 Processamentos dos dados GPS

Neste trabalho o objetivo do processamento GPS tem nica e exclusivamente um carter avaliativo que permita a comparao entre o processamento dos arquivos com dados originais e os arquivos cujos dados so frutos de estimativas neurais. Assim sendo, no se pretende fazer nenhum tipo de anlise ou comparao de estratgias de observao, posicionamento e processamento entre diferentes programas, mas, utiliz-lo apenas como forma de oferecer resultados

57

claros e objetivos em termos da influncia no posicionamento de estaes que tenham sido submetidas ao mtodo proposto. Seguindo essa conduta, adotou-se o programa SKI-Pro verso 2.1 (GPS

Pos-processing Software) e tambm o programa SKI verso 2.3, ambos

desenvolvidos e comercializados pela Leica Geosystems e disponveis no Laboratrio de Mensurao do Departamento de Transportes-EESC-USP.

5.3 O Programa MORE-GPS verso 1.0 Manipulao e Modelagem de Observveis GPS por Redes Neurais Artificiais
No foi intencional a idia de se desenvolver e implementar um sistema, mas a premente necessidade de agilizar a pesquisa acabou por obrigar seu desenvolvimento. Ainda que tenha sido fruto da mais estrita necessidade e que permanea em constante estado de transformao, se adaptando s necessidades que surgiram e certamente ainda surgiro, uma ferramenta capaz de ajudar bastante aqueles que se lanarem investigaes que necessitem da manipulao de dados GPS. O programa MORE-GPS um sistema composto de diversos aplicativos, desenvolvidos e implementados em linguagem Visual Basic verso 5.0, com a finalidade de possibilitar a manipulao de um conjunto de arquivos de dados GPS de uma e duas freqncias e de efemrides precisas. Atualmente no possvel a utilizao das efemrides transmitidas, funo da forma como se implementou o programa, mas uma modificao possvel e desejvel para trabalhos futuros. Adicionalmente, capaz de gerar arquivos em formato especfico para treinamento e testes de redes neurais e finalmente agregar estas estimativas obtidas a partir de uma rede neural a um determinado arquivo de dados GPS. A manipulao desses arquivos diz respeito leitura, extrao e transformaes dos diversos dados que possibilitem a montagem de um conjunto de padres de entrada/sada, necessrios ao treinamento supervisionado na simulao de uma rede neural.

58

O programa MORE-GPS permite ainda o uso de uma ferramenta padro em estatstica, que pode ser utilizada para desenvolver o aprendizado

backpropagation, conhecida como validao cruzada, STONE (1974,1978) apud

HAYKIN (1999). Inicialmente o conjunto de dados disponvel randomicamente dividido em um conjunto de treinamento e um conjunto de teste. O conjunto de treinamento subdividido em dois subconjuntos: o de treinamento utilizado para selecionar e treinar o modelo e o de validao, utilizado para testar ou validar o modelo. A motivao da validao cruzada ratificar a eficincia do modelo neural com um conjunto de dados diferente daquele que foi utilizado para treinamento. Aps a rede ter sido treinada e validada, ela testada com um conjunto de dados que nunca lhe tenha sido apresentado para testar sua capacidade de generalizao. Uma vez gerados os arquivos de treinamento e testes, pode-se treinar uma ou diversas topologias neurais. Quando a rede estiver adequadamente treinada, ou seja, com o erro menor ou igual aquele necessrio para que se atinja uma preciso mnima adequada. Pode-se apresentar a ela os dados de uma estao qualquer dentro da rea onde se retiraram os dados para treinamento da rede neural com a finalidade de se obter estimativas adequadas. Este mapeamento entradas/sadas resultar em um arquivo que pode ser manipulado pelo MORE-GPS para que sejam revertidas todas as transformaes a que foram submetidos os dados originais e depois agregados ao arquivo GPS original, dando origem a um arquivo modificado que possuir o formato RINEX verso 2.1, com a nica diferena que a ele foram agregadas estimativas neurais. Este arquivo modificado poder ento ser utilizado em diferentes condutas de processamento de dados GPS para que se obtenham as coordenadas de uma determinada estao. O programa MORE-GPS verso 1.0 um programa compatvel com o sistema operacional Windows e oferece uma interface amigvel com o usurio. Apesar da necessidade, ainda no foi possvel construir um guia do usurio, mas certamente o ser em trabalhos futuros.

59

A Figura 15 representa a tela de inicializao do programa e a Figura 16 ilustra a tela principal dos aplicativos de extrao, manipulao, gerao de arquivos de padres de treinamento e testes, converses de formatos e tambm de agregao de estimativas neurais.

Figura 15 Tela de inicializao do programa MORE-GPS

Figura 16 Tela principal do programa MORE-GPS

60

A tela principal do MORE-GPS, representada pela Figura 16, alm de possibilitar a abertura e manipulao de arquivos de dados GPS e de efemrides precisas, ainda a tela de chamada dos outros aplicativos que compem o programa, tais como a gerao dos arquivos em formato MATLAB (.m files) com estenso (*.m) utilizados para treinamento e estimativas neurais. Possui tambm a interface para a gerao de arquivos fonte e arquivos RINEX. Os arquivos fonte com extenso (*.crn) so arquivos intermedirios, adaptados a um formato especfico para posterior gerao do arquivo RINEX modificado. Os arquivos fonte possuem as informaes de cabealho do arquivo original, com as devidas modificaes para adapt-lo agregao das estimativas, mas permite ao usurio modificar, caso deseje, diversas informaes do cabealho do arquivo a ser gerado. Possuem tambm as observveis originais L1 e C/A e as observveis estimadas L2 e P2. O mdulo CRINEX l o arquivo fonte e o converte ao formato padro RINEX verso 2.1. O menu composto basicamente por Projeto, Opes e Sobre. O item Projeto abre a possibilidade de se criar um projeto novo, abrir um projeto existente ou salvar um projeto. Estas opes foram criadas em funo da facilidade de armazenar juntos, arquivos utilizados pelo programa durante sua execuo. Isso permite que sejam organizados em projetos diversos trabalhos diferentes e facilita a manipulao de dados diversas vezes, bastando para isso abrir um projeto gerado anteriormente. O item Opes proporciona toda a manipulao de arquivos GPS e efemrides, abertura, incluso e excluso, com visualizao em tela de nome da estao e data de sua observao, com habilitao ou retirada interativa do processamento. Uma importante observao diz respeito a esse item. Os arquivos de observao e navegao da RBMC referentes ao dia que se deseja estimar, devem estar todos em um mesmo diretrio, l tambm devem estar o arquivo de observao e navegao da estao que se deseja estimar e o arquivo de efemrides precisas referente a esse dia em formato SP3. O programa entende que depois de escolhidos todos os arquivos de observao (inclusive o arquivo a ser estimado) e o arquivo de efemrides

61

precisas ou de carregar um projeto com essa escolha j feita, o arquivo a ser estimado ser aquele que estiver sem o sinal de check na lista de estaes. fundamental que o usurio retire o sinal de check da estao desejada. O item Gerar padres autoriza ainda a gerao e ou converso de arquivos em formatos especficos adequados ao treinamento neural tanto pelo SNNS quanto pelo prprio aplicativo neural MORE-GPS ou um formato especfico para testes que no puderam ser realizados. Alm disso, ainda permite a sada em um formato matricial geral, ad-equado ao treinamento neural atravs do MATLAB. O programa permite a normalizao dos dados dentro de um intervalo especificado pelo usurio. Aceita que seja escolhido um intervalo de tempo dentro daquele em que foram realizadas as observaes GPS, e este pode ser diferente para o conjunto de treinamento e teste. Possibilita a aleatoriedade dos dados se necessrio e a escolha de quais observveis ou dados sero utilizados na montagem desses arquivos. Como se sabe, os valores numricos no arquivo RINEX relativos contagem de ciclos das portadoras L1 e L2 no tem nenhuma significncia se tomados como valores absolutos, na verdade o que interessa de fato so as diferenas entre esses valores para o mesmo satlite entre duas pocas consecutivas. Entretanto, a contagem inicial destes ciclos pode ser um nmero qualquer. Este fato dificulta o uso destes dados para o treinamento da rede neural. Uma rede neural necessita, via de regra, que os dados passem por um pr-processamento no sentido de aplicar transformaes visando um bom desempenho no processo de aprendizagem neural e a estabilidade do algoritmo backpropagation durante o processamento. Dentre as transformaes, a mais comum a normalizao, que coloca todos os dados comprimidos dentro de um intervalo entre 0 e 1 ou entre -1 a 1. A operao inversa da normalizao realizada com a aplicao do fator de normalizao, fazendo com que eles voltem a ter a mesma amplitude inicial. Porm, se este fator de normalizao for muito grande, pode ser que mesmo se

62

alcanando valores muito bons nas estimativas neurais, ainda assim as estimativas excedam um limite timo em termos de preciso. Estes limites so especficos do problema que se deseja tratar. Especificamente, neste caso onde os dados possuem uma grande amplitude, foi necessrio, alm de se descartar o valor inicial da contagem de ciclos das portadoras, diminuir ao mximo possvel o fator de normalizao. Isso foi conseguido com o uso do artifcio Quebra de contagem implementado no programa. A Quebra de contagem a incluso forada de falsas perdas de ciclos com o objetivo de zerar o contador de ciclos das portadoras. Este recurso permite que a um intervalo escolhido pelo usurio a contagem de ciclos no passe de um determinado limite, limitando assim a amplitude dos valores absolutos das contagens e por conseguinte, reduzindo o fator de normalizao. O segundo recurso tambm utilizado com o objetivo de diminuir o fator de normalizao das observveis foi denominado Truncagem e, como o prprio nome indica, possibilita que o usurio possa truncar os valores das observveis deixando-as com um nmero de casas determinadas por ele. O programa libera tambm o uso dos valores absolutos da contagem de ciclos das portadoras ou as diferenas de contagem entre pocas consecutivas, esta segunda foi a utilizada neste trabalho, funo da melhor capacidade de generalizao da rede, diminuindo os erros relativo ao conjunto de treinamento e testes, o que ocasiona estimativas mais prximas dos valores reais. Implementou-se ainda aplicativos que no fazem parte dessa verso do programa MORE-GPS. So eles os aplicativos de simulao neural implementados em Visual Basic, onde se autoriza a definio da topologia da rede, a escolha dos parmetros de treinamento, treinamento e estimativas, atravs do algoritmo backpropagation padro. A no utilizao dos referidos aplicativos neurais ocorreu principalmente em funo das dificuldades de convergncia do algoritmo backpropagation padro, objeto da implementao. Alm do fato de que com freqncia o

63

algoritmo estabiliza o processo de aprendizagem, no mais diminuindo os erros do treinamento (so os chamados mnimos locais), existe tambm o problema do tempo de treinamento, ou seja, um algoritmo lento, principalmente em se tratando de um grande conjunto de dados, como o que gerado pelo mtodo proposto. Certamente, todos estes aplicativos de manipulao de dados GPS podem ser melhorados e o algoritmo backpropagation otimizado, mas no objetivo desta investigao o acesso e domnio de diversas linguagens de programao, mas que se consiga gerar ferramentas adequadas e eficazes execuo da investigao. provvel que esta limitao, se reflita em um sistema com programas pouco eficientes, geridos por algoritmos que poderiam ser em muito melhorados se otimizados e talvez implementados em linguagens diferentes daquela aqui utilizada. Porm, ainda assim, aquilo que j foi feito pode conduzir ao propsito de comprovar ou refutar as hipteses. A Figura 17 representa um fluxograma descritivo do programa MORE-GPS.

64

Figura 17 Fluxograma descritivo do programa MORE-GPS

65

6
APRESENTAO DOS RESULTADOS

Confirmando as expectativas iniciais, apesar de se ter testado diversos tipos de redes, tais como a rede Elman backpropagation, a rede backpropagation

cascade forward e a rede de regresso generalizada, o modelo backpropagation feed-forward foi mais adequado para que fossem produzidas sadas esperadas,
neste caso, contagem de ciclos da portadora L2 e a pseudodistncia P2, durante o processo de aprendizagem da rede com o menor erro possvel. Objetivando-se contornar os problemas que com freqncia ocorrem com o treinamento a partir deste algoritmo, principalmente a lentido na convergncia para um resultado satisfatrio, utilizou-se uma variao desse algoritmo denominada de

Levemberg-Marquardt.

Este

algoritmo

encontra-se

implementado no Neural Network Toolbox do MATLAB 6.1.

6.1 A topologia escolhida

Tornou-se impossvel adotar uma conduta mais lgica e racional que aquela adotada aqui na busca e definio da topologia tima da rede neural. Uma topologia que convergisse para um erro mnimo em um menor tempo de processamento. A topologia adotada nestes resultados e tomada como mais adequada, foi aquela possvel de se encontrar dentro das limitaes de tempo disponvel para a execuo dos sucessivos refinamentos necessrios. Durante meses testou-se dezenas, seguramente mais de uma centena de topologias diferentes, fruto das combinaes descritas no item 5.2.2.1. Este modo

66

de definir a topologia despende um tempo considervel e ainda assim bastante provvel que haja uma combinao no testada que responda melhor s expectativas de generalizao e tempo de convergncia que aquela adotada. Ficou evidente durante a execuo da rvore de testes, que no se poderia usar todas as informaes retiradas inicialmente do arquivo RINEX original para compor os vetores de padres de entrada. A rvore de testes mostrou claramente que, medida que se acrescentavam elementos neste vetor, diminua a capacidade de generalizao da rede. Optou-se ento por deixar como padres de entradas, apenas a contagem de ciclos da portadora L1 e a pseudodistncia C/A e, como sada, a contagem de ciclos da portadora L2 e a pseudodistncia P2. Ainda assim a generalizao ficou bastante aqum daquelas observadas quando o vetor de entrada era composto por apenas um elemento. Dcidiu-se ento fazer estimativas separadas para contagem de ciclos e pseudodistncia. Ocorre que isto implicou em dobrar a quantidade de redes e estimativas. Para um mesmo perodo, uma rede para estimar L2 a partir de L1 e outra rede para estimar P2 a partir de C/A. Aps a realizao de uma outra extensa rvore de testes e varrer uma parte significativa do espao possvel, onde deveriam estar as topologias possveis, obviamente, baseando-se em uma relao custo/benefcio. Entenda-se como custo o tempo de convergncia e como benefcio o erro mnimo no conjunto de treinamento e principalmente no conjunto de teste. Apesar de se ter feito diversos testes com duas e trs camadas intermedirias, adotou-se uma topologia simples, com apenas uma camada intermediria de 6 ou 30 neurnios, dependendo se o treinamento for para fase ou pseudodistncia, respectivamente. Esta escolha baseia-se no fato do aumento do nmero de camadas intermedirias no resultar em acrscimo no tempo de treinamento. Esta deciso foi providencial em funo da necessidade de dar rapidez ao mtodo. J que, medida que se aumenta o nmero de camadas e o nmero de neurnios em cada camada, o tempo despendido no processamento da rede cresce de forma exponencial.

67

Um exemplo dessa afirmao pode ser visto na comparao entre as Figuras 18 e 19, que ilustram respectivamente o desempenho alcanado por duas redes treinadas com o mesmo conjunto de dados. O conjunto de dados composto por cinco minutos de observao, de treze estaes RBMC, coletados simultaneamente no dia 05/12/2001. Devido ao reduzido intevalo de observao, o tempo de processamento em ambos os casos tornou-se insignificante, variando de poucos segundos at 3 minutos. Pode-se calcular atravs da aplicao de estatstica diversos ndices que demonstram o desempenho do processo de aprendizado durante o treinamento da rede. Adotou-se aqui o MSE, do ingls Mean of Squared Error, pode ser definido como:

MSE =
Onde:

SSE n p

(14)

SSE = Somatria dos erros quadrticos do treinamento, que pode ser

entendido como as diferenas quadrticas entre os valores de sada da rede neural e os valores esperados como ideais;

n = Nmero de exemplos do conjunto de treinamento (quantidade de

padres);

p = Nmero de parmetros a serem estimados (quantidade de pesos da

rede). Note-se que estes critrios so adequados para modelos lineares. Entretanto, algumas vezes podem ser aplicados diretamente a modelos no lineares caso se esteja trabalhando com um nmero grande de exemplos de treinamento (JUDGE, 1980).

68

Figura 18 Desempenho rede 1:6:1 para 5 minutos de observao

2151 Ciclos de treinamento

Figura 19 Desempenho rede 1:10:1 para 5 minutos de observao

69

A Tabela 5 ratifica a escolha da topologia 1:6:1, a que apresenta o menor MSE, como aquela a ser utilizada para a aproximao de funes que aproximem a observvel fase. Alm disso, um exemplo comparativo entre algumas das topologias testadas para dois minutos de treinamento. Tabela 5 Comparativo entre diferentes topologias testadas para fase. Rede Ciclos MSE 1:3:1 4500 2,9.e-11 1:5:1 2856 7,9e-12 1:6:1 2576 3,7e-12 1:7:1 2546 3,9e-12 1:10:1 2151 1,4e-10 1:15:1 1551 2,1e-11 1:25:1 751 7,8e-12 1:50:1 261 5,9e-12

H de se notar que apesar das diferenas de desempenho em relao ao tempo de treinamento e convergncia, todas as topologias possuem uma excelente capacidade de generalizao, que alcana um erro mdio quadrtico da ordem de 3,7e 12 para um curto perodo de treinamento para a generalizao da fase. Em se tratando da observvel pseudodistncia a partir dos cdigos C/A e P2, o comportamento em relao topologia difere um pouco da topologia adotada para a generalizao da observvel fase, pois os resultados e as concluses em relao a qual topologia utilizar para sua generalizao foram diferentes. A pseudodistncia inerentemente mais ruidosa que a fase, ou seja, a pseudosistncia calculada a partir de informaes obtidas no cdigo que se encontra modulado na portadora, mais afetada pela gama de erros inerentes ao processo de propagao do sinal, j a fase medida pelo receptor atravs de um processo de sincronizao entre os sinais recebidos dos satlies e sinais gerados internamente pelo receptor. Isto deve explicar a diferena de comportamento no treinamento das redes, necessitando de uma quantidade maior de neurnios na camada intermediria. A Tabela 6 apresenta um comparativo de algumas topologias testadas para a pseudodistncia. Tabela 6 Comparativo entre diferentes topologias testadas para cdigo.

70

Rede Ciclos MSE Rede Ciclos MSE

1:3:1 3836 5,2.e-9 1:25:1 760 3,7e-9

1:5:1 2191 4,9e-9 1:30:1 450 3,4e-9

1:6:1 2147 4,9e-9 1:35:1 441 3,6e-9

1:7:1 2105 4,9e-9 1:40 380 3,6e9

1:10:1 1581 4,8e-9 1:50:1 306 3,3e9

1:15:1 1156 4,4e-9 1:100:1 144 2,9e-9

A topologia adotada como a mais adequada generalizao da pseudodistncia foi uma rede com uma camada intermediria de 30 neurnios. A topologia com 100 neurnios tem um ganho muito pequeno em termos de diminuio do erro.

6.2 O tempo de observao

Na seqncia apresentam-se de forma bastante resumida os resultados obtidos na rvore de testes realizada para avaliar a relao entre o tempo de observao GPS e a capacidade de generalizao da rede neural. Entenda-se como tempo de observao o perodo em horas para o qual se deseja gerar estimativas. O programa MORE-GPS foi desenvolvido com a expectativa de se poder optar pela extrao de dados desde um dia completo de observao, ou de vrios dias se assim desejar o usurio, at alguns poucos segundos. Possibilita tambm que esse perodo seja diferente para os arquivos que sero utilizados para treinamento da rede neural e para o arquivo que se deseja estimar as observveis. Existe um inconveniente em relao ao aumento do perodo de observao GPS. So extrados dados e informaes a cada 15 segundos de todos os arquivos da RBMC que foram observados simultaneamente quele que se deseja estimar. Isso provoca um aumento excessivo de dados, com os quais a rede diminui a sua capacidade de generalizar.

71

No se deve esquecer que apesar de no aparecerem de forma explcita na modelagem, a composio de todos os erros inerentes propagao do sinal GPS desde a sua sada do satlite at ser captado pela antena do receptor, deve aparecer como resultado final nas observveis. Quanto maior for a taxa de coleta desses dados, provavelmente maiores sero as diferenas entre os erros em pocas consecutivas, fruto da mudana da constelao e da posio relativa de cada um dos satlites em relao estao em questo. Pode-se estimar a quantidade de dados da seguinte forma:

D = E.S .O.ET
Onde:

(15)

D a quantidade de dados gerados no arquivo de treinamento, com a

grande maioria das variveis calculadas com preciso double e escritas no formato long;

E a quantidade de pocas relativa a um dia inteiro de observao a

cada 15 segundos;

S o nmero de satlites observados em cada poca;

O a quantidade de observveis GPS no arquivo de treinamento;

ET a quantidade de estaes RBMC operando simultaneamente.

Tomando como exemplo o dia completo 05/12/2001, referente ao dia GPS 339, no qual havia 14 estaes RBMC observando simultaneamente, pode-se chegar a uma quantidade de 3.870.720 dados. Isso apenas para um dia de observao, provoca a gerao de grandes arquivos, que ocupam mais de 50Mb de memria e de dificl manipulao. O tempo de processamento tambm aumenta consideravelmente, chegando a algumas horas apenas para a gerao dos arquivos de treinamento. Um exemplo de um aquivo como o descrito acima pode ser:

((24h * 240 pocas) * 12 satlites * 4 observveis *14 estaes) = 3870720 dados

72

Ainda assim, realizaram-se tentativas com diversos perodos de um dia e chegou-se a concluso de que no h nenhum sentido em estender-se o perodo de estimativas pelo simples fato de que a capacidade de generalizao da rede inversamente proporcional ao tamanho da janela de observao. Isto ocorre provavelmente porque medida que aumenta o tempo de observao, os erros inerentes ao processo de propagao do sinal se modificam, fazendo com que a rede aprenda e desaprenda de forma continuada. Diante disso, buscou-se diminuir o quanto possvel o tamanho da janela de observao e aps refinamentos consecutivos determinou-se que a janela de observao mxima para que se obtenham estimativas compatveis com a preciso das observveis GPS da ordem de alguns minutos. A adoo do intervalo de cinco minutos como o padro para montagem dos arquivos de treinamento e teste gerou um outro problema. SEGANTINE (1999), afirma que para se obter um resultado que satisfaa critrios previamente estabelecidos, deve-se estar atento ao tempo de observao, pois ele funo de alguns fatores tais como: comprimento da linha base para posicionamento relativo, nmero de satlites observados, geometria dos satlites (GDOP) e condies atmosfricas, principalmente da ionosfera. Mesmo que se considerem todos estes fatores, que interferem no processo de medio com o GPS, muito difcil, seno impossvel estabelecer um tempo de observao padro que garanta o sucesso da operao. Normalmente adota-se como conduta para o mtodo de posicionamento esttico um perodo de observao entre uma e duas horas com taxa de coleta da ordem de 15 segundos. A rvore de testes possibilitou que fossem testados diferentes

agrupamentos temporais dos dados, mas percebeu-se que ao agrupar em um mesmo conjunto de treinamento, dados coletados por um perodo de cerca de uma hora, a capacidade de generalizao da rede neural diminua bruscamente. O perodo timo para uma boa capacidade de generalizao ficou entre 5 e 10 minutos. Assim sendo, para que se gere um arquivo de uma hora de observao com estimativas neurais, devem-se subdividir os arquivos em perodos de cinco

73

minutos e gerar conjuntos de arquivos (treinamento e teste), tanto para a fase quanto para a pseudodistncia. Este procedimento resulta na gerao de 48 arquivos diferentes, sendo 24 para treinamento e teste da fase e 24 para treinamento e teste da pseudodistncia e o dobro disso caso o perodo necessrio para o processamento GPS seja de duas horas. Apesar disto, o programa extrai informaes e gera automaticamnte arquivos para treinamento e teste para quaisquer perodos escolhidos pelo usurio, at mesmo se o usurio escolher diferentes intervalos para treinamento e teste. As Figuras 18 e 20 indicam a diferena dos erros mnimos alcanado por dois conjuntos de treinamento com tempos de observao diferentes, respectivamente cinco minutos e duas horas. A linha horizontal presente na Figura 20 indica um critrio de parada adotado pelo usurio, ou seja, quando deve parar o processo de treinamento da rede.

Figura 20 Desempenho alcanado pela estimativas de duas horas de observao

74

Adicionalmente, pode-se ressaltar que os tempos consumidos para convergncia a estes resultados tambm guardam uma significativa diferena: 2 minutos para o processamento do arquivo com 5 minutos de observao e 18 minutos para o processamento do arquivo de 2 horas de observao, incluindo todas as estaes RBMC disponveis. Alm, claro, das diferenas nos erros mnimos alcanados que de 3,7e 12 para o arquivo de 5 minutos de observao e de 1,57e 9 para o arquivo com duas horas de observao.

6.3 Caractersticas do agrupamento das estaes RBMC mais adequado ao modelamento neural dos dados
Depois de definidas topologia e perodo de observao, pde-se analisar se a cada estimativa deveriam ser usados dados de todas as estaes RBMC ou se ao se agrupar regionalmente parte das estaes e us-las no treinamento se conseguiria reduzir o MSE e com isso aumentar a preciso das estimativas. Neste sentido houve a necessidade agrupar as estaes e adotou-se ento, o agrupamento das estaes no de acordo com a diviso poltico geogrfica do Brasil, mas denominou-se de regio a rea de abrangncia das quatro estaes RBMC mais prximas do ponto a ser estimado. Atravs de uma anlise rpida da Figura 9, pode-se perceber os imensos vazios na Amaznia, o que atualmente inviabiliza a aplicao do mtodo proposto nesta regio. Escolheu-se como rea teste a regio mais ao centro-sul Brasil, com cinco estaes da RBMC (BRAZ, BOMJ, CUIB, UEPP e VICO) como mostrado na Figura 21.

75

Figura 21 Agrupamento regional das estaes RBMC As estaes BOMJ, CUIB, UEPP e VICO formaram o conjunto de treinamento e a estao BRAZ foi utilizada para gerao das estimativas. Na verdade o MSE para o conjunto de treinamento, apresentado na Figura 22, mesmo para uma quantidade de ciclos de treinamento maior, est prximo daquele obtido para as estimativas geradas com todas as estaes RBMC. entretanto o MSE para o conjunto de teste maior, da ordem de 10 9 , o que certamente provoca uma diminuio na preciso final das estimativas. Parece que a contribuio das outras estaes, ainda que distantes geograficamente da estao em questo, podem contribuir para que a rede consiga uma generalizao mais ampla.

76

Figura 22 Desempenho do treinamento para 5 minutos com agrupamento regional de estaes RBMC A partir desta constatao, optou-se pela utilizao de todas as estaes que coletaram dados simultaneamente quela que se deseja estimar.

6.4 Testes do mtodo para diferentes conjuntos de dados

Com o objetivo de comprovar a independncia do mtodo proposto dos dados com os quais ele foi desenvolvido, lanou-se mo de outros conjuntos de dados observados com outros conjuntos de estaes, em outros meses e anos. Utilizaram-se outros trs conjuntos de dados nos dia 17/05/2000, 29/01/2002 e 08/03/2002, cujos resultados para o treinamento se encontram representados pelas Figuras 23, 24 e 25 respectivamente. As estaes RBMC em operao em cada um destes dias so: Dia 17/05/2000: 13 estaes (BOMJ, BRAZ, CRAT, CUIB, IMPZ, MANA, PARA, POAL, RECF, RIOD, SALV, UEPP e VICO);

77

Dia 29/05/2002: 12 estaes (BRAZ, CRAT, CUIB, IMPZ, PARA, POAL, RECF, RIOD, SALV, SMAR, UEPP, VICO); DIA 08/03/2002: 12 estaes (BRAZ, CRAT, CUIB, IMPZ, PARA, POAL, RECF, RIOD, SALV, SMAR, UEPP, VICO).

Figura 23 Desempenho do treinamento para 5 minutos no dia 17/05/2000 (Dia GPS 138)

78

Figura 24 Desempenho do treinamento para 5 minutos no dia 29/01/2002 (Dia GPS 29)

Figura 25 Desempenho do treinamento para 5 minutos no dia 08/03/2002 (Dia GPS 67)

79

Em todos os conjuntos de dados testados no ocorreram variaes significativas no comportamento da rede neural em relao magnitude dos erros e estimativas geradas. O que comprova que o mtodo eficaz, independente do conjunto de treinamento, qualquer que tenha sido o ano, ms ou dia, desde que se tenham dados da RBMC ou alguma outra rede com as mesmas caractersticas.

6.5 Validao do mtodo

O desenvolvimento de uma nova tcnica, de um novo mtodo, fundamentado em vises e abordagens inovadoras no pode prescindir de um processo de validao que o qualifique como capaz de comprovar ou refutar as hipteses aventadas inicialmente, alm claro, de permitir que seja reproduzido por outros pesquisadores. Por no se esperar nenhuma lenincia sobre as idias aqui apresentadas, realizou-se uma srie de processamentos com os arquivos originais e com os arquivos modificados pelas estimativas neurais. Apesar disso, sabe-se que ainda existe um nmero considervel de testes que poderiam ter sido feitos, mas que devido s limitaes impostas pelo tempo e pela disponibilidade de dados, no puderam ser realizados ainda. O desenvolvimento do mtodo e os resultados comparativos apresentados at agora, por si s j comprovam uma das hipteses iniciais, ou seja, realmente possvel estimar o comportamento de observveis GPS, ainda que por um curto intervalo de tempo e principalmente, que redes neurais artificiais so uma ferramenta eficaz na obteno dessas estimativas. Embora essa seja a tese a ser defendida, no se pode deixar de aplicar o mtodo para atender ao objetivo precpuo para o qual ele foi desenvolvido, ou seja, a tentativa de melhorar a preciso posicional de uma determinada estao observada por um receptor de uma freqncia. Assim sendo, a seqncia de processamentos que se segue tem o estrito objetivo de apresentar resultados em termos de coordenadas e preciso

80

posicional para as diversas condutas preconizadas no item 5.2.1 e finalmente tentar responder s seguintes perguntas: A aplicao deste mtodo melhora a preciso final das coordenadas de uma determinada estao cujos dados foram coletados por receptor de uma freqncia? Caso melhore, sob que condies essa assero verdadeira e em quanto melhora?

6.5.1 Dados para validao

Apesar do mtodo ter sido desenvolvido visando sua aplicao em arquivos gerados por receptores de uma freqncia, no haveria como fazer testes que pudessem comprovar a aplicabilidade e eficcia do mtodo se no fossem feitas observaes em pontos cujas coordenadas sejam bem conhecidas. Alm disso, havia ainda a necessidade de um comparativo entre os resultados, caso a observao houvesse sido feita por um receptor de dupla freqncia e cdigo P. Buscando-se aplicar o mtodo a estaes que possibilitassem o processamento relativo com vetores de diferentes comprimentos de linhas base, escolheu-se dados gerados por receptores de dupla freqncia e cdigo P. Destes arquivos, denominados de originais, foram excludos os valores reais de contagem de ciclos de L2 e pseudodistncia P2. Aplicou-se a ele o mtodo descrito. Aps gerarem-se as estimativas de L2 e P2, estas foram agregadas ao arquivo, este agora denominado de RINEX modificado.

6.5.1.1 Processamento por ponto simples (single point)

O posicionamento por ponto simples uma variao do posicionamento absoluto, tambm chamado de posicionamento instantneo. At o dia 1 de maio de 2000, quando o efeito SA, do ingls Selective Availability, ainda estava ativo, fazendo com que a posio instantnea de um ponto, usando a pseudodistncia a partir do cdigo C/A, possibilitasse uma preciso planimtrica por volta de 100

81

m. A partir da desativao deste efeito a preciso posicional melhorou cerca de 10 vezes. O posicionamento pontual refere-se ao posicionamento por ponto simples, do ingls single point, tambm baseado na observvel pseudodistncia, normalmente a partir do cdigo C/A. Porm, nada impede que se utilize tambm o cdigo P, caso ele esteja presente no arquivo de observao. A peculiaridade do chamado ponto simples e que o difere do posicionamento instantneo, o fato de se fazer um ajustamento do posicionamento instantneo para diversas pocas.

Processamento Pontual I:
PERODO DE OBSERVAO: DOY 339/2001 (11:00:00 a 11:04:30); ESTAO VIOSA (VICO); POSICIONAMENTO PONTUAL (SINGLE POINT)-CDIGO C/A E P2; MODELO TROPOSFRICO DE HOPFIELD SIMPLIFICADO; MODELO IONOSFRICO STANDARD DO SKI PRO); EFEMRIDES PRECISAS; NGULO DE CORTE: 15.

A Tabela 7 apresenta as coordenadas obtidas por processamento pontual do cdigo P2 dos arquivos modificado e original para a estao VICO, localizada em Viosa-MG, que compe a RBMC e a Figura 26 apresenta os desvios obtidos para o processamento pontual I. As coordenadas oficiais em WGS 84 da estao VICO so: Latitude: -20 45 41,41107; Longitude: -42 52 11,93817; Altura Geomtrica: 666,056m.

82

Tabela 7 Coordenadas e Desvios para o posicionamento pontual I (WGS 84) Estao Latitude Longitude Alt. Geomtrica -20 45 41,22649 -42 52 11,72998 687,561 m -20 45 41,18777 -42 52 11,75400 697,252 m Desvios em relao as coordenadas oficiais (m) -5,5374 -6,2457 21,505
-6.699 -5.5251 31,196

Desvio Plano (m)

8,347

Desvio Espacial (m)

23,068

VICOmodif P2 VICOoriginal P2

8,684

32,382

P on to simples: esta o VI CO 35 30 25 20 15 10 5 0 desvio pla n o desvio espa cia l P 2modif Tipo de desvio P 2or igin a l

metr os

Figura 26 Desvios para a estao VICO

Processamento Pontual II:

PERODO DE OBSERVAO: DOY 067/2002 (11:00:00 a 11:04:30); ESTAO PRESIDENTE PRUDENTE (UEPP); POSICIONAMENTO PONTUAL (SINGLE POINT) - CDIGO C/A E P2; MODELO TROPOSFRICO DE HOPFIELD SIMPLIFICADO; MODELO IONOSFRICO STANDARD DO SKI PRO; EFEMRIDES PRECISAS; NGULO DE CORTE: 15.

83

A Tabela 8 apresenta as coordenadas obtidas por processamento pontual do cdigo P2 dos arquivos modificado e original para a estao UEPP, localizada em Presidente Prudente-SP, que compe a RBMC e a Figura 27 apresenta os desvios obtidos para o processamento pontual I. As coordenadas oficiais em WGS 84 da estao UEPP so: Latitude: -22 07 11,66678; Longitude: -51 24 30,69935; Altura Geomtrica: 431,039 m.

Tabela 8 Coordenadas e Desvios para o posicionamento pontual II(WGS 84) Estao Latitude Longitude Alt. Geomtrica -22 07 11,49903 51 24 30,92609 451,428 m -22 07 11,49767 -51 24 30,97202 461,316 Desvios em relao as coordenadas oficiais (m)
5,033 6,802 20,389 5,073 8,180 30,277

Desvio Plano (m) 8,462

Desvio Espacial (m)

22,076

UEPPmodif P2 UEPPoriginal P2

9,626

31,770

P on t o simples: est a o UE P P 35 30 25 20 15 10 5 0 desvio pla n o desvio espa cia l P 2modif P 2or igin a l Tipo de desvio

metr os

Figura 27 Desvios para a estao UEPP

84

Processamento Pontual III:

PERODO DE OBSERVAO: DOY 038/2002 ( 11:00:00 a 11:04:30); ESTAO RIO DE JANEIRO ( RIOD); POSICIONAMENTO PONTUAL ( SINGLE POINT) - CDIGO C/A e P2; MODELO TROPOSFRICO DE HOPFIELD SIMPLIFICADO; MODELO IONOSFRICO STANDARD DO SKI PRO; EFEMRIDES PRECISAS; NGULO DE CORTE: 15.

A Tabela 9 apresenta as coordenadas obtidas por processamento pontual do cdigo P2 dos arquivos modificado e original para a estao RIOD, localizada em Rio de Janeiro-RJ, que compe a RBMC e a Figura 28 apresenta os desvios obtidos para o processamento pontual I. As coordenadas oficiais em WGS 84 da estao RIOD so: Latitude: -22 49 04,24906; Longitude: -43 18 22,57157; Altura Geomtrica: 8,745m.

Tabela 9 Coordenadas e Desvio para o posicionamento pontual III (WGS 84) Estao Latitude Longitude Alt. Geomtrica -22 49 04,17765 -43 18 22,69594 18,083 m -22 49 04,17446 -43 18 22,69584 28,888 Desvios em relao s coordenadas oficiais (m)
2,142 3,731 9,338 2,238 3,728 20,143

Desvio Plano (m)

4,302

Desvio Espacial (m)

10,281

RIODmodif P2 RIODoriginal P2

4,348

20,607

85

Ponto simples: estao RIOD 25 20 metros 15 10 5 0 desvio plano desvio espacial P2modif Tipo de desvio P2original

Figura 28 Desvios para a estao RIOD

6.5.1.2 Processamento relativo esttico

A observvel normalmente utilizada para posicionamento relativo esttico a fase da portadora. Neste tipo de posicionamento, dois ou mais receptores, rastreiam simultaneamente, por um perodo no inferior a 20 minutos, podendo chegar a algumas horas. (MONICO, 2000). Segundo SEGANTINE (1995) o objetivo do posicionamento relativo determinar as coordenadas de um ponto cujas coordenadas so desconhecidas em relao a outro cujas coordenadas se conhece, ou seja, um vetor entre estes dois pontos. Este vetor chamado de linha base ou simplesmente base.

Processamento I:
PERODO DE OBSERVAO: DOY 339/2001 (11:00:00 a 11:04:30); PROCESSAMENTO RELATIVO PARA A ESTAO VICO; BOMJ VICO ( 832km ) BASE LONGA; BRAZ VICO ( 750km ) BASE LONGA; UEPP VICO ( 897 km ) BASE LONGA; RIOD VICO ( 232km ) BASE LONGA; MODELO TROPOSFRICO DE HOPFIELD SIMPLIFICADO;

86

MODELO IONOSFRICO STANDARD DO SKI PRO; EFEMRIDES PRECISAS; NGULO DE CORTE: 15.

A Figura 29 ilustra a posio das estaes envolvidas no processamento I (WGS 84).

Figura 29 Estaes para o processamento I

A Tabela 10 apresenta as coordenadas geodsicas oficiais em WGS 84 utilizadas como referncia no processamento I. A Tabela 11 apresenta os desvios plano e espacial obtidos no processamento I. As Figuras 30, 31, 32 e 33 ilustram uma comparao grfica entres os resultados obtidos para os processamentos dos arquivos, originais e modificados por estimativas neurais, para as diferentes linhas base do processamento I.

87

Tabela 10 Coordenadas oficiais das estaes utilizadas no processamento I (WGS 84) Estao BOMJ BRAZ UEPP RIOD VICO Latitude -13 15 20,01971 -15 56 50,92071 -22 07 11,666 -22 49 4,24906 -20 45 41,41107 Longitude -43 25 18,22372 -47 52 40,30651 -51 24 30,699 -43 18 22,57157 -42 52 11,93817 Altura Geomtrica (m) 419,474 1105,950 431,039 8,745 666,056

Tabela 11 Coordenadas e Desvios do processamento I (WGS 84) Linha base Latitude Longitude Alt. Geomtrica Vetor -20 45 41,44857 -42 52 11,93861 666,675m 832232,977m -20 45 41,39830 -42 52 11,82686 665,641m 832231,603m -20 45 41,42993 -42 52 11,90530 666,424m 750555,987m -20 45 41,38797 -42 52 11,94492 668,407m 750554,384m -20 45 41,39200 -42 52 11,87634 666,492m 897012,819m -20 45 41,41962 -42 52 11,99321 667,413m 897009,412m Desvios em relao as coordenadas oficiais (m) 1,1250 0,0168 0,6192 0,3408 3,2175 0,2275 0,5660 0,9859 0,3677 0,7700 0,5165 2,6529 0,5720 1,8550 0,4364 0,1420 2,0765 1,8375 Desvio Plano (m) 1,125 Desvio Espacial (m) 1,284

BOMJ-VICOmodif L3

BOMJ-VICO L1

3,235

3,243

BRAZ-VICOmodif L3

0,986

1,052

BRAZ-VICO L1

1,086

2,867

UEPP-VICOmodif L3

1,941

1,990

UEPP-VICO L1

2,081

2,776

88

Tabela 11 Coordenadas e Desvios do processamento I (WGS 84) Linha base Latitude Longitude Alt. Geomtrica Vetor -20 45 41,39799 -42 52 11,94340 666,625m 232120,982m -20 45 41,41117 -42 52 11,95969 664,705m 232120,453m Desvios em relao as coordenadas oficiais (m) 0,3923 0,1568 0,5688 0,0040 0,7847 1,6074 Desvio Plano (m) 0,422 Desvio Espacial (m) 0,708

RIOD-VICOmodif L3

RIOD-VICO L1

0,785

1,789

Lin h a ba se: BONJ -VI CO 3.5 3.0 2.5 2.0 1.5 1.0 0.5 0.0 Desvio P la n o Desvio E spa cia l L3 modifica da Tipo de desvio L1 or igin a l

metr os

Figura 30 Desvios linha base BOMJ-VICO

Linh a base: BRAZ-VICO 3.5 3 met r os 2.5 2 1.5 1 0.5 0 Desvio P lano Desvio E spacial L3 modificada Tipo d e desvio L1 or iginal

Figura 31 Desvios linha base BRAZ-VICO

89

Linha base: UE P P -VICO 3 2.5 met r os 2 1.5 1 0.5 0 Desvio P lano Desvio E spacial L3 mod ificada L1 or igin al Tipo d e desvio

Figura 32 Desvios linha base UEPP-VICO

Linh a base: RIOD-VICO 2 1.5 met r os 1 0.5 0 Desvio P lan o Desvio E sp acial L3 modificad a Tipo de d esvio L1 or iginal

Figura 33 Desvios linha base RIOD-VICO

Processamento II:
PERODO DE OBSERVAO: DOY 067/2002 (11:00:00 a 11:04:30); PROCESSAMENTO RELATIVO PARA A ESTAO UEPP; BRAZ CUIB PARA VICO RIOD UEPP ( 771km ) BASE LONGA; UEPP ( 876km ) BASE LONGA; UEPP ( 430km ) BASE LONGA; UEPP ( 897 km ) BASE LONGA; UEPP ( 836km ) BASE LONGA;

MODELO TROPOSFRICO DE HOPFIELD SIMPLIFICADO; MODELO IONOSFRICO STANDARD DO SKI PRO);

90

EFEMRIDES PRECISAS; NGULO DE CORTE: 15. A Figura 34 ilustra a posio das estaes envolvidas no processamento II (WGS 84).

Figura 34 Estaes para o processamento II

A Tabela 12 apresenta as coordenadas geodsicas oficiais em WGS 84 utilizadas como referncia no processamento III. A Tabela 13 apresenta os desvios plano e espacial obtidos no processamento II. As Figuras 35, 36, 37, 38 e 39 ilustram uma comparao grfica entres os resultados obtidos para os processamentos dos arquivos, original e modificado por estimativas neurais, para o processamento II.

91

Tabela 12 - Coordenadas oficiais das estaes utilizadas no processamento II (WGS 84) Estao BRAZ CUIB RIOD VICO PARA UEPP Latitude -15 56 50.92071 -15 33 18,95744 -22 49 4,24906 -20 45 41,41107 -25 26 54,1362 -22 07 11,66680 Longitude -47 52 40.30651 -56 04 11,49752 -43 18 22,57157 -42 52 11,93817 -49 13 51,4115 -51 24 30,69935 Altura Geomtrica (m) 1105.950 237,358 8,745 666,056 925,705 431,039

Tabela 13 Coordenadas e Desvios do processamento II (WGS 84) Linha base Latitude Longitude Alt. Geomtrica Vetor -22 07 11.69429 -51 24 30.73499 430.164m 777288.044m -22 07 11.64815 -51 24 30.39423 432.104m 777282.176m -22 07 11.69376 -51 24 30.64403 431.342m 876277.581m -22 07 11.63207 -51 24 30.67417 429.325m 876275.395m -22 07 11.66856 -51 24 30.76582 430.385m 836773.461m -22 07 11.63473 -51 24 30.30827 432.317m 836760.719m Desvios em relao as coordenadas oficiais (m) 0,8248 1,0692 0,8743 0,5630 9,1239 1,1623 0,8089 1,6596 0,3034 1,0445 0,8229 1,6266 0,0529 1,9941 0,6533 0,9532 11,7690 1,3640 Desvio Plano (m) 1,350 Desvio Espacial (m) 2,588

BRAZ-UEPPmodif L3

BRAZ-UEPP L1

9,141

9,215

CUIB-UEPPmodif L3

1,846

1,871

CUIB-UEPP L1

9,141

9,215

RIOD-UEPPmodif L3

1,995

2,099

RIOD-UEPP L1

11,807

11,886

92

Tabela 13 Coordenadas e Desvios do processamento II (WGS 84) Linha base Latitude Longitude Alt. Geomtrica Vetor -22 07 11.68471 -51 24 30.77165 429.409m 897012.931m -22 07 11.64101 -51 24 30.21353 432.042m 896997.128m -22 07 11.64424 -51 24 30.70619 431.065m 430236.716m -22 07 11.65116 -51 24 30.42791 430.959m 430232.469m Desvios em relao as coordenadas oficiais (m) 0,5374 2,1690 1,6291 0,7299 14,7579 1,1093 0,6767 0,2052 0,027 0,4970 8,0802 0,0070 Desvio Plano (m) 2,235 Desvio Espacial (m) 2,765

VICO-UEPPmodif L3

VICO-UEPP L1

14,776

14,817

PARA-UEPPmodif L3

0,722

0,723

PARA-UEPP L1

8,095

8,095

10.0000 8.0000 met r os 6.0000 4.0000 2.0000 0.0000

Linha base: BRAZ-UE P P

Desvio plan o

Desvio espacial L3 modificad a L1 or iginal

Tipo de d esvio

Figura 35 Desvios linha base BRAZ-UEPP

93

Linha base:CUIB-UE P P 10.0000 8.0000 met r os 6.0000 4.0000 2.0000 0.0000 Desvio plano Desvio espacial L3 modificada L1 or iginal Tipo de desvio

Figura 36 Desvios linha base CUIB-UEPP

Linha base:RIOD-UE P P 14.0000 12.0000 10.0000 8.0000 6.0000 4.0000 2.0000 0.0000 Desvio plan o Tipo de desvio Desvio espacial L3 modificada L1 or iginal met r os

Figura 37 Desvios linha base RIOD-UEPP

Linha base: VICO-UE P P 16.0000 14.0000 12.0000 10.0000 8.0000 6.0000 4.0000 2.0000 0.0000 Desvio plano Desvio espacial L3 modificad a Tipo de desvio L1 or iginal

met r os

Figura 38 Desvios linha base VICO-UEPP

94

Linha base: P ARA-UE P P 10.0000 8.0000 met r os 6.0000 4.0000 2.0000 0.0000 Desvio p lano Desvio espacial L3 mod ificada L1 or iginal Tipo de desvio

Figura 39 Desvios linha base PARA-UEPP

Processamento III:
PERODO DE OBSERVAO: DOY 038/2002 (11:00:00 a 11:04:30); PROCESSAMENTO RELATIVO PARA A ESTAO RIOD; UEPP RIOD ( 836km ) BASE LONGA; VICO PARA BRAZ +IMPZ RIOD ( 232km ) BASE LONGA; RIOD ( 668km ) BASE LONGA; RIOD ( 899km ) BASE LONGA; RIOD ( 1961km ) BASE LONGA;

MODELO TROPOSFRICO DE HOPFIELD SIMPLIFICADO; MODELO IONOSFRICO STANDARD DO SKI PRO; EFEMRIDES PRECISAS; NGULO DE CORTE: 15.

A Figura 40 ilustra a posio das estaes envolvidas no processamento III.

95

Figura 40 Estaes envolvidas no processamento III (WGS 84)

A Tabela 14 apresenta as coordenadas geodsicas oficiais em WGS 84 utilizadas como referncia no processamento III. A Tabela 15 apresenta os desvios plano e espacial obtidos no processamento III. As Figuras 41, 42, 43, 44 e 45 ilustram uma comparao grfica entre os resultados obtidos para os processamentos dos arquivos original e modificado por estimativas neurais, para o processamento III. Tabela 14 - Coordenadas oficiais das estaes utilizadas no processamento III (WGS 84) Estao IMPZ BRAZ VICO UEPP PARA RIOD Latitude -5 29 30,36821 -15 56 50,92070 -20 45 41,41106 -22 07 11,66680 -25 26 54,13616 -22 49 4,24905 Longitude -47 29 50,02206 -47 52 40,30652 -42 52 11,93817 -51 24 30,69935 -49 13 51,41145 -43 18 22,57156 Altura Geomtrica (m) 105,024 1105,950 666,056 431,039 925,705 8,745

96

Tabela 15 Coordenadas e Desvios do processamento III (WGS 84) Linha base Latitude Longitude Alt. Geomtrica Vetor -22 49 04,41497 -43 18 22,44830 8,222m 1961416,184m -22 49 04,12648 -43 18 22,39136 15,575m 1961409,192m -22 49 04,31417 -43 18 22,47967 7,5167m 898583,004m -22 49 04,20820 -43 18 22,32142 16,933m 898583,389m -22 49 04,26456 -43 18 22,57418 8,694m 232121,086m -22 49 04,26213 -43 18 22,62223 8,225m 232121,274m -22 49 04,26503 -43 18 22,44519 8,881m 836775,252m -22 49 04,26601 -43 18 22,52336 14,184m 836773,379m -22 49 04,23825 -43 18 22,47626 10,023m 668631,052m -22 49 04,28628 -43 18 22,45644 12,567m 668631,015m Desvios em relao as coordenadas oficiais (m) 4,9773 3,6981 0,5226 3,7293 5,6361 7,2275 1,9533 2,7569 1,2279 1,2258 7,5045 8,1879 0,4650 0,0780 0,0500 0,3735 3,2184 0,3650 0,4791 3,7914 0,1360 0,4812 1,3707 5,5523 0,3243 2,8590 1,2780 1,1289 3,1589 3,613 Desvio Plano 6,200 Desvio Espacial 6,223

IMPZ-RIODmod L3

IMPZ-RIOD L1

6,758

9,895

BRAZ-RIODmod L3

3,3787

3,5949

BRAZ-RIOD L1

7,604

11,174

VICO-RIODmod L3

0,471

0,474

VICO-RIOD L1

3,240

3,260

UEPP-RIODmod L3

3,822

3,824

UEPP-RIOD L1

1,453

5,739

PARA-RIODmod L3

2,877

3,148

PARA-RIOD L1

3,354

4,988

97

Linha base:IMP Z-RIOD 12.0000 10.0000 met r os 8.0000 6.0000 4.0000 2.0000 0.0000 Desvio plano Tipo de desvio Desvio espacial L3 modificada L1 or igin al

Figura 41 Desvios da linha base IMPZ-RIOD

Linha base: BRAZ-RIOD 12.0000 10.0000 met r os 8.0000 6.0000 4.0000 2.0000 0.0000 Desvio plano Tip o d e d esvio Desvio espacial L3 mod ificada L1 or iginal

Figura 42 Desvios da linha base BRAZ_RIOD

Linh a base: VICO-RIOD 3.5000 3.0000 2.5000 2.0000 1.5000 1.0000 0.5000 0.0000 Desvio p lano Desvio espacial L3 modificada L1 or iginal Tipo de desvio met r os

Figura 43 Desvios da linha base VICO-RIOD

98

Linha base:UE P P -RIOD 7.0000 6.0000 5.0000 met r os 4.0000 3.0000 2.0000 1.0000 0.0000 Desvio plano Desvio espacial L3 modificada Tip o de desvio L1 or iginal

Figura 44 Desvios da linha base UEPP-RIOD

Linha base: P ARA-RIOD 6.0000 5.0000 met r os 4.0000 3.0000 2.0000 1.0000 0.0000 Desvio p lano Desvio espacial L3 modificada L1 or igin al Tipo de desvio

Figura 45 Desvios da linha base PARA-RIOD

6.5.1.3 Processamento Posicionamento Pontual Preciso (PPP)

Faz parte dos objetivos desta investigao que aps o desenvolvimento do mtodo de gerao de estimas neurais para dados GPS, os arquivos modificados pudessem ser processados atravs de diferentes condutas com o objetivo de comparar os resultados para as coordenadas finais do arquivo original e do arquivo modificado. Dentre estas condutas est o mtodo de processamento PPP. Ocorre que se tornou impossvel o processamento PPP em funo de algumas das restries impostas pelo mtodo, o tempo mnimo de observao de uma hora.

99

O mtodo de gerao de estimativas neurais para dados GPS desenvolvido nesta pesquisa obteve sucesso nas estimativas com uma preciso adequada, ou seja, sem que as diferenas entre as estimativas e os valores originais fossem grandes o suficiente para serem consideradas como perdas de ciclos, apenas para curtos perodos de tempo de processamento, neste caso 5 minutos. Isso implica na gerao de arquivos para intervalos de tempo muito curtos, neste caso de cinco minutos. Mesmo o programa MORE-GPS conseguindo gerar arquivos maiores, fruto da unio de diversos arquivos gerados com intervalos de tempo menores, ainda permanece a passagem entre esses arquivos menores sendo reconhecida pelos programas de processamento como perdas de ciclos, isso compromete os resultados em termos de preciso de arquivos maiores. Espera-se em trabalhos futuros conseguir a otimizao do mtodo na tentativa de gerar arquivos que preencham as exigncias de tempo de observao do PPP, podendo assim, serem processados atravs desse mtodo. Assim sendo, apresentam-se na Tabela 16 as coordenadas geodsicas em ITRF2000 dos pontos processados pelo PPP apenas para os arquivos originais. Tabela 16 Coordenadas geodsicas ITRF2000 das estaes VICO, UEPP e RIOD (PPP-ITRF 2000) Estao VICO UEPP RIOD Latitude -20 45 41,401548 -22 07 11,656200 -22 49 04,239048 Longitude -42 52 11,962092 -51 24 30,722400 -43 18 22,596624 Altura Geomtrica (m) 666,091 431,041 8,787

Mesmo que se consiga no futuro,gerar arquivos de estimativas maiores, superando a restrio do PPP quanto ao tempo de observao, ainda restaro limtaes de formato. importante ressaltar que apesar do RINEX ser um formato cujas especificaes so de domnio pblico e cujas caractersticas para a verso atual, o RINEX verso 2.1, serem perfeitamente especificadas por GURTNER (2002), no uma tarefa muito simples a adequao do formato aos

100

diversos programas existentes Essas dificuldades se do principalmente nos pequenos detalhes que foram incorporados verso 2, desde o seu lanamento em 1990. Existem informaes no cabealho que so consideradas pelo documento que trata das especificaes do formato como sendo opcionais, mas que so esseciais para o processamento em alguns programas, tais como o OMNI e o SKI. Para se ter uma idia mais geral deste problema, pode-se citar como exemplo o programa SKI-PRO de fabricao Leica. A verso anterior o SKI 2.3, l e processa com eficincia o arquivo modificado gerado pelo programa MOREGPS, enquanto o SKI-PRO no o faz, pois apresenta um erro de leitura do arquivo. Para ser processado pelo SKI-PRO o arquivo modificado teve de ser carregado pelo SKI verso 2.3 e gravado com formato RINEX novamente e s ento pde ser lido e processado pelo SKI-PRO.

101

7
CONCLUSES E RECOMENDAES

7.1 Quanto modelagem neural

Apesar de se ter feito todos os esforos no sentido de escolher as redes com topologias que oferecessem um erro mnimo em um tempo de processamento razovel, certamente no se esgotou a imensa combinao de possibilidades entre topologia e parmetros de treinamento. Assim, pode-se utilizar para a modelagem de dados GPS as topologias apresentadas no captulo 6, mas deve-se considerar que a definio da topologia no uma questo fechada. Uma indicao para a realizao de trabalhos futuros, pode ser a utilizao de um sistema que envolva RNAs, algoritmos genticos e computao distribuda para a otimizao da topologia tima, de acordo com o proposto por LAFORGA & ROMERO (2002). Um detalhe que corrobora esta afirmao advm do fato de que mesmo se utilizando redes com topologias diferentes para a generalizao das diferentes observveis L2 e P2, nem sempre se consegue resultados adequados com a topologia indicada neste documento para a generalizao da pseudodistncia P2, algumas vezes foi necessrio dobrar o nmero de neurnios na camada intermediria para que se obtivesse melhores resultados em termos de generalizao da rede. Isso no ocorreu com a observvel fase, provavelmente devido suas caractersticas de menor rudo e maior preciso. Um outro fato que se percebeu em toda a rvore de testes que se executou, mesmo entre aqueles que sequer esto documentados neste volume, a dependncia direta entre o erro alcanado no treinamento e o desempenho da

102

rede na generalizao. Porm, no h um ganho significativo em termos de preciso quando se utiliza uma quantidade de ciclos de treinamento muito grande. Nesta investigao sempre se alcanou bons resultados com, no mximo, 5000 ciclos de treinamento. O algoritmo backpropagation realmente atende s necessidades em termos de capacidade de generalizao e preciso nas estimativas geradas por Redes Neurais Artificiais onde se utilize como acelerador de convergncia, a otimizao numrica no ajuste da matriz de pesos da retropropagao. Com freqncia o MSE do conjunto de teste e treinamento chega a 10 14 . O que um excelente valor para qualquer treinamento com RNAs. Apesar de se ter obtido os melhores resultados com o algoritmo

backpropagation que executa o processo de treinamento da rede neural em modo batch, adaptado por Levemberg-Marquard e implementado no MATLAB 6.1,
testou-se outras variaes que tambm apresentaram resultados satisfatrios, dentre elas pode-se destacar um outro algoritmo que tambm opera no modo batch chamado de backpropagation BFG. Para trabalhos futuros, em relao modelagem neural de dados GPS, sugere-se que se desenvolva uma rvore de testes ainda maior que aquela executada aqui e que se utilizem outras abordagens, como a de utilizar RNAs e algoritmos genticos para cobrir um espao maior das topologias possveis no sentido de indicar uma topologia tima para esta generalizao. Ainda vislumbrando trabalhos futuros, sugere-se que se tente a implementao destes algoritmos baseados em otimizao numrica dentro do sistema MORE-GPS, isto possibilitar a independncia do mtodo utilizao do programa MATLAB.

7.2 Quanto ao sistema MORE-GPS

Ainda que a idia inicial fosse factvel, no havia como testar as hipteses aqui levantadas em funo da absoluta inexistncia de programas que conseguissem extrair e manipular dados de arquivos GPS com esta finalidade.

103

Os programas comerciais e a maioria dos programas ditos cientficos, prestam-se simplesmente ao processamento das observveis com um menor ou maior grau de interao entre o usurio e as diferentes estratgias de processamento. O programa MORE-GPS foi desenvolvido inicialmente com a finalidade de possibilitar esta extrao e manipulao de dados referentes s diferentes observveis, as pocas nas quais foram observadas, os satlites a partir de onde foram geradas, bem como suas efemrides e seus ngulos de elevao. Contudo, ele foi se transformando em uma ferramenta fundamental sem a qual possivelmente no se chegaria a nenhuma concluso. Apesar de ainda carecer de melhorias que consigam otimiz-lo, tornandoo mais eficiente, completo e amigvel, o sistema MORE-GPS a compilao de programas, implementados em Visual Basic 5.0, que possibilitar uma srie de diferentes investigaes a partir da extrao e manipulao de dados GPS.

7.2.1 Limitaes do mtodo proposto

Devido abordagem que se deu para a soluo do problema levantado, ou seja, a conduta que se utilizou na modelagem de observveis GPS, algumas restries ao uso do mtodo aqui preconizado se fazem necessrias: Necessariamente h de se ter dados da maior quantidade possvel de estaes que observem simultaneamente aquele que se deseja estimar. Obviamente, dados coletados no mesmo dia e perodo no qual se rastreou; Necessidade das efemrides precisas para a data da observao. Sugere-se que em investigaes posteriores se possibilite o uso das efemrides transmitidas, do ingls broadcast, como mais uma alternativa, no atual formato isto no possvel; um mtodo de ps-processamento, o que inviabiliza aplicaes em tempo real; Atualmente, para vetores superiores a 230 km, pelo menos para aqueles processados nesta pesquisa, o mtodo, no atende s

104

exigncias de preciso posicional de 0,50 m, normatizado pelo INCRA, que estabele as exigncias e restries para a obteno do certificado de cadastro de imvel rural; No consegue detectar os dados gerados por receptores cujos relgios se encontram muito defasados em relao aos outros, ou seja, possvel que se tenha que realizar um pr-processamento em arquivos com essas caractersticas, visando uniformizar a parte inteira dos segundos na contagem de pocas. Essa uniformizao acarretar na apresentao na correo das pseudodistncias, deixando-as com valores mais coerentes que aqueles apresentados em arquivos com a defasagem citada.

7.3 Quanto ao processamento GPS

No se conseguiu obter resultados satisfatrios para o perodo de transio diurno/noturno, mais especificamente entre 18:00:00 h e 19:00:00 h, horrio local, para algumas estaes observadas. Sugere-se que se desenvolva uma investigao mais profunda no sentido de determinar se esse um fato isolado e se ocorre sistematicamente ou no em todo a rea de cobertura da RBMC em diferentes pocas, ou seja, que se faam testes para dados obtido em anos com atividade solar mais baixa que a experimentada no atual ciclo solar. Ainda assim, de um modo geral, o mtodo se mostrou eficaz na gerao de observveis GPS (L2 e P2).

7.3.1 O processamento pontual

O mtodo desenvolvido, alm de gerar estimativas de L2, gera tambm, estimativas para a pseudodistncia P2, vislumbra-se ainda a possibilidade de melhora nestas estimativas, funo de um refinamento maior na determinao da topologia neural ideal, da aplicao de transformaes estatsticas mais adequadas aos dados de forma a se obter um fator de normalizao menor, o que certamente degrada menos os resultados das estimativas finais.

105

Para se ter uma idia da ordem de grandeza das estimativas atuais, o erro mdio das estimativas comparado ao valor original das pseudodistncias, obtidas no arquivo original para cada satlite/poca est em torno de 5 metros. Os resultados obtidos e apresentados no captulo 6 para processamento pontual, demonstram claramente que mesmo para curtos perodos de observao, neste caso cinco minutos, se conseguem resultados para as coordenadas, muito prximos aqueles conseguidos pelo processamento do arquivo original. O processamento pontual realizado com os dados de pseudodistncia calculadas a partir do cdigo P2 estimado pelo mtodo proposto, conseguiu, com freqncia para o conjunto de dados testado, um desvio plano e espacial menor que aqueles observados pelo processamento pontual do cdigo P2 do arquivo original. O que demonstra a excelente capacidade de generalizao da rede neural para estes dados e os qualifica para as mais diferente aplicaes onde se necessite da pseudodistncia a partir do cdigo P2. Uma outra caracterstica observada no processamento single point dos dados estimados refere-se constatao que apesar de possuir um desvio espacial muito grande em relao s coordenadas oficiais das estaes observadas, o seu desvio plano menor que aqueles apresentados para o processamento da fase L1 para bases muito longas.

7.3.2 O processamento relativo

Como j foi dito antes, no se deseja fazer nenhuma comparao entre o desempenho e as possibilidades oferecidas por diferentes programas de processamento GPS. Por este motivo, utilizou-se apenas alguns dos programas disponveis no Departamento de Transportes-EESC/USP. Para se ter uma idia da ordem de grandeza das estimativas atuais, o erro mdio das estimativas de contagem de ciclos da portadora L2, comparado ao valor original, obtido no arquivo original para cada satlite/poca est em torno de 0,082 ciclos da portadora L2, ou seja, 2 cm. Os resultados apresentados no

106

Captulo 6 indicam a influncia desse erro nas coordenadas finais das estaes estimadas para diferentes tipos de processamento. Os resultados obtidos com os dados disponveis possibilitam dizer que o mtodo proposto tem uma maior ou menor eficincia dependendo de diversos fatores, dentre os quais pode-se destacar: O perodo de observao (tempo durante o qual se observou); Conduta de processamento GPS adotada (no caso da combinao L1+L2 (ion free) adoo da soluo fix ou float para ambiguidades); Do comprimento da linha-base e; Da capacidade de generalizao da rede neural para os arquivos de treinamento, ou seja, possvel que a contribuio de arquivos com muitos rudos, fruto de multicaminhamento ou erros na propagao do sinal, caracterizados por excessiva perda de ciclo possam contribuir para um treinamneto deficiente da rede neural. Nos testes realizados percebe-se claramente a melhora da preciso nos resultados da coordenadas obtidas para vetores de bases longas quando se usa a combinao ion free do arquivo modificado em comparao ao processamento apenas de L1 do arquivo original, essa melhora maior ou menor dependendo do comprimento da linha base. Para os dados processados pode-se afirmar que vetores cujos comprimentos esto na casa dos 230km, os resultados tanto do desvio plano quanto espacial apresentam excelentes resultados, principalmente se considerando o pequeno intervalo de tempo observado (cinco minutos) e tambm o fato desses resultados serem baseados em estimativas e no em valores observados. Sugere-se que se desenvolvam mais testes com dados que possibilitem gerar vetores com diferentes comprimentos de linha base no sentido de aferir a capacidade de gerar estimativas adequadas do mtodo proposto para vetores de diferentes comprimentos e com perodos de observao homogneos. Prope-se ainda que em trabalhos futuros se utilizem diferentes programas de processamento GPS, notadamente aqueles denominados de

107

cientficos, tal como o OMNI, que segundo MADER (1998) um pacote computacional de processamento de dados GPS, composto por mais de 50 programas, desenvolvidos pelo National Geodetic Survey (NGS). Sugere-se tambm a aplicao do programa PAGE-NT, disponibilizado pelo NGS. A vantagem com o uso desse programa, d-se pelo fato dele operar em ambiente Windows 98 ou superior. Os programas cientficos possibilitam uma interveno maior do usurio no processamento de dados GPS, o que possibilita que sejam feitas comparaes mais detalhadas e se obtenham resultados baseados em solues e parmetros escolhidos pelo usurio e no adotados como padro do programa. Finalmente, conclui-se que possvel modelar o comportamento das observveis GPS utilizando RNAs como ferramenta de modelagem a partir do algoritmo de treinamento backpropagation, principalmente quando se utiliza o processo de aprendizado supervisionado. Um efeito positivo, mas no previsto inicialmente, observado quando da aplicao do mtodo proposto, a eliminao de perdas de ciclos para a fase L2. Como se utilizou dados oriundos de arquivos de dupla freqncia, pode-se comparar o arquivo original com o arquivo modificado e em alguns casos, havia perdas de ciclos no arquivo original e que no existiam no arquivo modificado, funo de terem sido geradas estimativas para todas as pocas. Como recomendao final, sugere-se que em trabalhos futuros, se utilize o mtodo proposto nesta investigao, repitam-se os experimentos documentados aqui, processem-se os arquivos modificados por estimativas neurais utilizando diferentes programas de processamento de dados GPS, adotando um leque maior de condutas e estratgias de processamento com o intuito de avaliar a eficcia e os limites de aplicao deste mtodo. Vislumbro ainda uma outra aplicao potencial deste mtodo, que seria a utilizao dos arquivos modificados para a gerao de modelos regionais dedicados correo do atraso ionosfrico.

108

8
Referncias Bibliogrficas

BACA, J.F.M. (2001). Redes Neurais Artificiais (RNA) Aplicadas na Modelagem Numrica do Terreno. XX Congresso Brasileiro de Cartografia, IX Congresso Nacional de Engenharia de Agrimensura, VIII Conferncia IberoAmericana de SIG, III Seminrio Latino-Americano em Educao e Transferncia de Tecnologia em Fotogrametria, SR e SIE. Porto Alegre. BOON, W.; SEGANTINE, P.C.L. (1999). Testing JPLs PPP Service. GPS

Solutions, pp 73-76, Vol.3, no. 1.

BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. (2000), Redes Neurais Artificiais: Teoria e Aplicaes. Livro Tcnico e Cientfico, Rio de Janeiro. CAMARGO, P. O. (1999). Modelo Regional da Ionosfera para Uso em Posicionamento com recpetores GPS de uma Freqncia. Tese Universidade Federal do Paran. CASTRO, C.M. (1977). A prtica da pesquisa. Ed. McGraw-Hill. So Paulo. CYBENKO, G. (1988). Approximation by superpositions of a sigmoidal function. Urbana, IL: University of Illinois. DEMUTH H.; BEALE M. (1997). Neural Network Toolbox For Use with MATLAB. Users Guide,Version 3.0. MathWorks.

109

DENNIS,

J.

E.;

SCHNABEL,

R.

B.

(1983),

Numerical

Methods

for

Unconstrained Optimization and Nonlinear Equations, Englewood Cliffs, NJ: Prentice-Hall. FAZAN. J.A. (2002). Controle de Qualidade dos dados GPS da RBMC. Relatrio Cientfico de Bolsa de Pesquisa de Iniciao Cientfica FAPESP. Presidente Prudente, julho 2002. FLETCHER, R.; POWELL, M.J.D. (1963). A rapidly convergent descent method

for minimization, Computer Journal, 7:149-154.

FONSECA JUNIOR, E. S. (2002). O Sistema GPS como Ferramenta a Avaliao da Refrao Ionosfrica no Brasil. Tese Escola Politcnica da Universidade de So Paulo. FONTANA, R.D.; CHEUNG, W.,STANSELL, T. (2001). The Modernized L2 Civil
Signal. GPS World. September.

GOLDFARB, D., 1970. A family of variable metric methods derived by

variational means, Mathematics of Computation, 24:23-26.

GREGORIUS, T. (1996). Gipsy-Oasis II, How it works. Department of

Geomatics, University of Newcastle.

GURTNER W. (2002). RINEX: The Receiver Independent Exchange Format Version 2.10. Astronomical Institute, University of Berne. HAGAN, M. T.; MENHAJ, M. (1994). Training feedforward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks, vol. 5, no. 6, pp.989993. HAYKIN, S. (1999). Neural networks A Comprehensive Foundation, second

edition. Prentice Hall. New Jersey.

HEBB, D. O. (1949). The Organization of Beharvior. Wiley. HECHT-NIELSEN, ROBERT. (1889).

Neurocomputing.

Addison-Wesley

Longman Publishing Co. Inc. Boston.

110

HERNNDEZ-PAJARES M. et al. (1997). Neural Network Modeling of

Ionospheric Electon Content at Global Scale using GPS data. Radio Science,
v.32, n 3, p.1081-1089, june. HERTZ, J.; KROGH, A.; PLAMER, R.G. (1991). Introdution to the Theory of

Neural Computation. Lecture Notes, Vol I, Santa Fe Institute Studies in the Sciences of Complexity. Addison-Wesley.
HOFFMANN-WELLENHOF, B. et. al. (2001). Global Positioning System:

Theory and Practice. Springer-Verlag Wien New York.

HOPFIELD, J. J. (1982). Neural Networks and physical systems with emergent collective propperties. Proc. Nat. Acad. Sci., 79:2554-8. JUDGE G. G. et. al. (1980). The Theory and Practice of Econometrics. John Wiley & sons. KAPLAN, E.D.; WARD, P. (1996). GPS Satellite Signal Characterstics.

Understanding GPS Principles and Applications. Artech House. Norwood.

KOVCS, Z. L. (1996). Redes Neurais Artificiais: Fundamentos e Aplicaes, 2 Ed. Collegiun Cognitio e Ed. Acadmica. So Paulo. KOVCS, Z. L. (1997). O Crebro e a sua Mente: Uma Introduo Neurocincia Computacional. Ed. Acadmica. So Paulo. LAFORGA,G., ROMERO, R., (2002). A Service-Oriented Architecture applied to Artificial Neural Network. Proc. ICONIP2002, volume 5, pp. 2650-2654, Singapure. LEANDRO, R.F. (2003). A influncia da ionosfera no posicionamento GPS por ponto simples. 79 p. Dissertao Escola de Engenharia de So Carlos da Universidade de So Paulo. LEICK, A.(1995). GPS Satellite Surveying. John Wiley & Sons, Inc. A WileyInterscience Publication. New York.

111

LIPPMANN, R.P. (1987). An introduction to computing with neural nets. IEEE

ASSP Magazine, vol.4, pp 4-22.

LORA,F.A.S.; HEMERLY,E.M. e LAGES,W.F. (1998) Sistema para Navegao e Guiagem de Robs Mveis Autnomos, Controle & Automao, Vol. 9, No. 3, pp. 107-118. LUO, F.; UNBEHAUEN R. (1998). Applied Neural Networks for Signal

Processing. Cambridge University Press.

MACCULLOCH, W.S.; PITTS, W. (1943). A logical calculus of the ideas

immanent in nervous activity, Bulletin of Mathematical Biophysics, vol 5,

pp.115-133. MADER, G. et. al. (1998). OMNI 4.0 UPDATE OF USERS GUIDE- NEW MERGE. Rockville, Maryland. MAIA, T.C.;SILVA, C.A.U.;ROMERO, R. A. F.; LEANDRO, R. F.;SEGANTINE, P. C. L. (2002). A Predio da Contagem de Ciclos da Portadora GPS Utilizando Modelagem Conexionista Temporal FIR ML. VII BRAZILIAN SYMPOSIUM ON NEURAL NETWORKS. MASTERS, T. (1994). Signal and Image Processing with Neural Networks

AC++ Sourcebook. John Wiley & Sons, Inc, New York.

MINSKY, M.; PAPERT, S. (1969). Perceptrons: na computational geometry. MIT Press, Massachusetts. MOLLER, M. F. (1993), A scaled conjugate gradient algorithm for fast supervised learning. Neural Networks, vol. 6, pp. 525-533. MONICO, J.F.G. (2000). Posicionamento pelo NAVSTAR-GPS Descrio, fundamentos e aplicaes. Editora UNESP. So Paulo. MONICO, J.F.G. (2001). O Posicionamento Pontual Preciso Descrio, Resultados e Aplicaes. Congresso Brasileiro de Cartografia, XX. CT2, Anais. Porto Alegre. introduction to

112

PANDEY, P. et al. (2001) Alternate Neural Network Tools for Pattern

Classification in Satellite Imageries. National Environmental Engineering Research Institute,

Nehru Marg Nagpur India. http://www.gisdevelopment.net/technology/ip/techip0001.htm. 15/05/2002. PARKINSON, B. W. (1996).

Global Positioning System: Theory and

Applications, V. I, V. II. American Institute of Aeronautics an Astronautics,

Washington. ROSENBLATT, F. (1958). The perceptron: A probabilistic model for information

storage and organization in the brain. Psychological Review, vol. 65, pp.386408. RUMELHART, D.E. et. al. (1986). Learning representations by back-

propagating errors. Nature, 323:533-536.

SARLE, W.S. (1994). Neural Networks and Statistical Models. Proceedings of

the Nineteeth Annaul SAS User Group International Conference. Cary,NC,

USA. SEEBER, G. (1993). Satellite Geodesy. Walter de Gruyter & Co. Berlim. SEGANTINE, P.C.L. (1995). Estabelecimento e ajuste de uma rede geodsica no estado de So Paulo, com o Sistema de Posicionamento NAVSTAR/GPS. 222p. Tese - Escola Politcnica da Universidade de So Paulo. SEGANTINE, P.C.L. (1999). Sistema de Posicionamento Global. Apostila. So Carlos, SP, publicao EESC-USP. SHANNO, D.F., 1970. Conditioning of quasi-Newton methods for function

minimization, Mathematics of Computation, 24:145-160.

SILVA, C.A.U. (2000). Anlise de Preciso dos Posicionamentos Relativo e por Ponto Simples para Bases Curtas, com o Sistema NAVSTAR/GPS: Estudo de Caso em Belm-Pa. 190 p. Dissertao Escola de Engenharia de So Carlos da Universidade de So Paulo.

113

SILVA, C.A.U.; SEGANTINE, P.C.L. (2001). O Posicionamento Pontual Preciso PPP. : Congresso Brasileiro de Cartografia, XX. CT2, Anais. Porto Alegre. STONE, M. (1974). Cross-validatory choice and assessment of statistical

predictions. Journal of the Royal Statistical Society, vol. B36, pp.111-113.

STONE, M. (1978). Cross-validation: A Review, Mathematische

Operationsforchung Statistischen, serie Statistics, vol. 9, pp.127-139. TIERRA, A.R.; FREITAS, S.R.C (2000). Predicting Free-Air Gravity Anomaly Using Artificial Neural Network. WAN .E.A. (1994). Time Series Prediction by Using a Connectionist Network

with Internal Delay Lines. SFI Studies in the Sciences of Complexity. v

XVII, Addison-Wesley. WEBB, F. H.; ZUMBERGE, J. F. (1997). An Introduction to GIPSY/OASIS-II Precision Software for the Analysis of data from the Global Posotioning System. Jet Propulsion Laboratory. Pasadena. WELLS, D. et al. (1987). Guide to GPS Positioning. Canadian GPS Associates. Fredericton. WIDROW, B.; HOFF. M.E. (1960). Adaptative swithing circuits. Institute of

Radio Engineers, Western Electronic Show and Convention.

ZUMBERGE, J.F. (1998). Characteristics and Applications of Precise GPS Clock

Solutions Every 30 Seconds. Navigation: Journal of the Institute of

Navigation. V 44, No 4, p 449-456. ZUMBERGE, J.F. (1999). Automated GPS Data Analisys Service. GPS Solutions, v 2, No 3, p 76-78. ZUMBERGE, J.F. et al.(1997).Precise point positioning for the efficient and

robust analysis of GPS data from large networks. Journal Geophysical

Research.