Abstract:
RESUMO: Com o crescimento de sistemas e processos não lineares, principalmente em ambientes industriais,
os estudos por novas e mais precisas técnicas de Identificação de Sistemas Dinâmicos têm
aumentado nas pesquisas. Dentre essas técnicas, as que permitem a geração de modelos locais
apresentaram grande avanço, permitindo a geração de diversos modelos lineares locais para
representar sistemas mais complexos. Também é preciso se preocupar com a inserção de ruídos
nos dados, dependendo da fonte os processos podem acabar absorvendo informações que não
são relevantes para a geração do modelo (outliers), o que pode interferir significativamente no
processo de identificação. Neste trabalho, os modelos locais múltiplos D-MKSOM e P-MKSOM
foram modificados para tratar dados discrepantes através da técnica de estimação M, passando
assim a realizar uma estimação mais robusta, originando os algoritmos RD-MKSOM e RPMKSOM,
sendo então aplicados em bases de dados com fortes não linearidades. Os dados
utilizados foram contaminados com ruído para avaliar quantitativa e qualitativamente a robustez
dos algoritmos e o comportamento do erro obtido nos testes. Para fins de comparação, a rede
neural global ELM também foi aplicada aos dados com a aplicação da técnica de estimação
M. A partir dos resultados foi observado que os algoritmos propostos levam a uma melhor
generalização a partir da análise de resíduos e robustez para inserção de outliers nos dados de
teste.
ABSTRACT: With the growth of non-linear systems and processes, especially in industrial environments,
studies for new and more accurate techniques for Dynamical Systems Identification have increased
in research. Among these techniques, the ones that allow the generation of local models
showed great progress, allowing the generation of several local linear models to represent more
complex systems. It is also necessary to be concerned with the insertion of noise in the data,
depending on the source, the processes may end up absorbing information that is not relevant
to the generation of the model (outliers), which can significantly interfere in the identification
process. In this work, the multiple local models D-MKSOM and P-MKSOM were modified
in order to handle outlier data through the M estimation technique, thus starting to perform a
more robust estimation, generating the RD-MKSOM and RP-MKSOM algorithms then they
were applied to databases with strong non-linearities. The data used were contaminated with
noise in order to quantitatively and qualitatively evaluate the robustness of the algorithms and
the behavior of the error obtained in the tests. For comparison purposes, the ELM global neural
network was also applied to the data with the application of M estimation. In the results was
observed that the proposed algorithms leads to better generalization from the residual analysis
and robustness to outliers insertion in test data.
