@MASTERSTHESIS{ 2018:975242837,
 	title = {COEFICIENTES DE CORRELAÇÃO COMO MÉTRICA DE AVALIAÇÃO DAS ESTRATÉGIAS DE CONTROLE INTELIGENTE FEL E MNFEL.},
 	year = {2018},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/2341",
 	abstract = "Sistemas de controle têm sido largamente utilizados nas mais diversas áreas: plantas
 industriais, robótica, medicina etc. Assim sendo, novas técnicas são frequentemente sugeridas para melhorar esses sistemas. Feedback-Error-Learning (FEL) é uma estratégia
 de controle inteligente que emprega uma rede neural ao lado de um controle convencional, por exemplo um Proporcional-Integral-Derivativo (PID) que é um dos mais usados
 na indústria. Um melhor controle é obtido com FEL a partir da aquisição do modelo
 inverso ou da compensação pela não-linearidade. Adicionalmente, tem-se a estratégia
 Multi-Network-Feedback-Error-Learning (MNFEL), que é baseada na FEL e utiliza múltiplas redes neurais, que pode melhorar mais o controle. Os trabalhos que utilizam FEL e
 MNFEL presumem que a adição das redes neurais irá melhorar o controle, no entanto, não
 existem muitos trabalhos que contabilizem o grau de contribuição da rede no sistema de
 controle. Uma pesquisa anterior propôs uma métrica baseada no Coeficiente de Correlação
 de Pearson (CP). Entretanto, essa métrica assume algumas condições de funcionamento
 que podem não ser garantidas nos sistemas de controle. Este trabalho visa propor duas
 abordagens baseadas no Coeficiente de Spearman (CS) e CP. A metodologia de avaliação
 é dividida em duas fases. A primeira fase determina o comportamento esperado do CS a
 partir da análise da correlação inicial entre o erro quadrático da planta e o controlador
 convencional, sendo essa antes do uso das estratégias FEL e MNFEL. A segunda fase avalia
 o comportamento do coeficiente durante o treinamento das redes. Duas plantas industriais
 foram utilizadas neste trabalho: Forno de Pelotização e Serpentina de Refrigeração. Os
 resultados mostraram que: i) a abordagem do trabalho anterior, isto é usando o CP, pode
 induzir a conclusões precipitadas sobre o sistema em análise; ii) a abordagem proposta,
 usando CS, demonstrou – em ambas as plantas – o grau de contribuição das rede durante
 a melhoria do sistema de controle; iii) o CS – durante o treinamento das redes neurais –
 pode antecipar que o uso dessas redes não irá melhorar substancialmente o controle do
 sistema. Assim sendo, constata-se que a métrica proposta é capaz de avaliar a contribuição
 das redes neurais para melhoria do controle, assim como indica que essas redes podem não
 contribuir no sistema de controle.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}