Detecção de pontos de mudança em séries temporais utilizando uma formulação neural/fuzzy/Bayesiana: aplicação na detecção das falhas
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
Walmir Matos Caminhas
Marcelo Azevedo Costa
Marcos Flavio S. V. D'angelo
Marcelo Azevedo Costa
Marcos Flavio S. V. D'angelo
Resumo
Neste trabalho o problema de detecção de até dois pontos de mudança em séries temporais utilizando uma formulação neural/fuzzy/Bayesiana foi tratado. Este problema é abordado usando uma formulação de três passos, ou seja: o primeiro passo consiste de um algoritmo de classificação do tipo rede neural de Kohonen que define o modelo a ser usado, de um ponto de mudança ou dois pontos de mudança. O segundo passo consiste em uma clusterização fuzzypara transformar a série temporal inicial, com distribuição arbitrária, em uma nova série cuja distribuição de probabilidade pode ser aproximada por uma distribuição beta. Os centros dos clusters fuzzy são determinados pelo algoritmo de classificação do primeiro passo. O último passo consiste em usar o algoritmo Metropolis-Hastings para realizar a detecção de até dois pontos de mudança na nova série temporal gerada pelo segundo passo, que tem distribuição beta. A principal contribuição e diferença apresentadas neste trabalho, quando comparado a trabalhos anteriores, é a possibilidade de detectar dois pontos de mudança na série temporal considerada. Resultados simulados são apresentados no decorrer da dissertação para ilustrara metodologia proposta.
Abstract
In this work, the problem of detecting till two change points in time series is handled by using a new neural/fuzzy/Bayesian technique. This proposed technique is split into a three-step formulation, namely: the first step is performed by a Kohonen neural network classification algorithm that defines the model to be used in the case of one change point or two change points in the time series. The second step consists of a fuzzy clustering to transform the initial data in the time series, with arbitrary distribution, into a new one that can be approximated by a beta distribution. Also, the fuzzy cluster centers are determined by using the Kohonen neural network classification algorithm used in the first step. The last step consists in using the Metropolis-Hastings algorithm to appropriately perform the detection of the change points in the transformed time series generated by the second step, with beta distribution. The main contribution of the proposed approach in this work, related to previous one in the Literature, is to allow to detect till two change points in time series with the correct model selection. Simulation results are presented in this work to illustrate the effectiveness of the proposed approach.
Assunto
Engenharia elétrica
Palavras-chave
Engenharia Elétrica