Professional Documents
Culture Documents
Vitória
2017
RAFAEL COELHO MARINS
Vitória
2017
(Biblioteca Nilo Peçanha do Instituto Federal do Espírito Santo)
Neste trabalho foram utilizadas redes neurais artificiais para realizar a previsão
dos perfis de vazão (ou demanda) e pressão no ponto crítico em um sistema de
abastecimento público de água tratada. O ponto crítico é o local menos
favorecido em relação ao abastecimento, normalmente por se situar na região
de maior altitude ou mais distante do suprimento (reservatório de distribuição
ou booster de água tratada). A previsão não é o objetivo em si, mas sim
disponibilizar uma ferramenta de apoio ao controle operacional na busca pela
eficiência energética e redução de perdas físicas de água tratada. Temas cada
vez mais em voga, não somente pela saúde financeira dos prestadores de
serviço de abastecimento público de água, mas também pela necessidade de
preservação ambiental. O horizonte da previsão foi de 24 horas à frente a cada
posto horário por concentrar a maior parte da rotina do controle operacional por
razões como: A demanda geralmente apresenta ciclos diários; programações
diárias dos horários de funcionamento das estações elevatórias principalmente
pela diferenciação de tarifas de energia nos horário de ponta e fora de ponta;
muitas vezes é possível inferir valores de referência de níveis de reservatórios
e pontos de monitoramento remoto de pressão da rede de distribuição de água
acerca da normalidade do abastecimento para determinadas horas do dia.
Foram realizadas duas abordagens para a previsão, uma utilizando rede neural
do tipo perceptron multicamadas e outra com rede neural não-linear
autorregressiva com elemento exógeno. Para avaliação de desempenho, foi
calculada a média de erro absoluto percentual da previsão de 24 horas para os
valores de vazão e pressão e o erro do volume disponibilizado. Ambos os
modelos de redes neurais desenvolvidos apresentaram as médias de erro
absoluto percentual abaixo de 3% e 11% para os perfis de vazão e pressão,
respectivamente, mostrando-se úteis para detecção antecipada de desvios das
metas operacionais possibilitando que sejam tomadas ações preventivas em
detrimento a ações corretivas.
This work uses artificial neural networks as a tool to perform the forecasting
profiles of the flow (or demand) and pressure at the critical point of a public
treated water supply system. The critical point is the place least favored in
relation to the supply, usually because it is located in the highest or at the most
distant region from the supply (distribution reservoir or treated water booster).
The forecast is not the objective in itself, but a way to provide a tool to support
the operational control to reach the energy efficiency and the reduction of
physical losses of treated water. These themes are currently in vogue, not only
for the financial health of the water supply systems services providers, but also
for the need for environmental preservation. The forecast horizon was 24 hours
ahead because it is the horizon of the most operational control routines for
reasons such as: Daily cycles that normally occurs in the demand; the
schedules of operating hours of the pump stations are daily, mainly due to the
differentiation of electric energy prices in peak and off-peak hours; it is often
possible to infer a thresholds of reservoir levels and remotely monitored points
of pressure from the distribution networks about the normality of water supply at
certain times of the day. Two approaches have been performed, one of them
using multi-layer perceptron-type neural network and another with a nonlinear
autoregressive neural network with exogenous element. In order to evaluate the
performance of the prediction fulfilled by the artificial neural network, it has been
calculated the mean absolute percentage error of the 24 hour forecast for the
flow and pressure values and the error of the total volume delivered in the
period. Both models of developed neural networks showed means absolute
percentage error below 3% and 11% for the 24-hour forecast of the flow and
pressure profiles of the critical point, respectively, proving that they are useful
for early detection of deviations from operational goals, making possible that
preventive actions are taken in detriment to corrective actions.
VD – Volume Disponibilizado
SUMÁRIO
1 INTRODUÇÃO .................................................................................... 12
1.1 CONTEXTUALIZAÇÃO E MOTIVAÇÃO ............................................. 12
2 REVISÃO DE LITERATURA............................................................... 19
2.1 IMPORTÂNCIA DA PREVISÃO DE DEMANDA NO SANEAMENTO . 19
1 INTRODUÇÃO
Nos últimos anos a região Sudeste do Brasil enfrentou a pior crise hídrica da
história.
No Estado do Espírito Santo, em 2016, devido aos níveis críticos de vazão dos dois
principais rios que abastecem a Região da Grande Vitória, o Rio Santa Maria da
Vitória e o Rio Jucú, a Companhia Espírito Santense de Saneamento (Cesan)
executou um plano de rodízio no abastecimento (G1VITÓRIA, 2016).
Os gastos com energia elétrica representam 12% das despesas dos prestadores de
serviço de abastecimento de água, podendo variar entre 9% e 24%, dependendo da
região do país. A Figura 2 ilustra a evolução do consumo específico de energia
elétrica (energia gasta por volume de água produzido, kW.h/m³) de acordo com tipo
de prestador de serviço.
15
Segundo Lambert (2002), a tendência natural do aumento das perdas com o avanço
da idade das redes de um sistema de abastecimento é controlada e gerenciada por
uma combinação de quatro componentes principais:
Controle de pressões–Telemetria das pressões na rede de distribuição,
utilização de bombas de velocidade variável, utilização de válvulas redutoras
de pressão, controle das pressões mínimas noturnas;
Rapidez e qualidade no reparo – Investimentos em procedimentos e logísticas
de equipes de manutenção;
Controle ativo dos vazamentos - Pesquisa de vazamentos não visíveis;
Gestão da infraestrutura – Substituição de redes e ramais, setorização e
criação de distritos de medição e controle (DMC’s).
Ressalta-se que existe um limite técnico mínimo de perdas físicas de água definido
pelo alcance das tecnologias atuais dos materiais, ferramentas, equipamentos e
logísticos e um limite econômico, a partir do qual se gasta mais para reduzir as
perdas do que o valor intrínseco dos volumes recuperados como mostrado no
diagrama da Figura 3.
16
Autores como Silva (2003), listam diversos fatores que influenciam na variação de
demanda, como a temperatura ambiente, umidade, ocorrência de chuva, dias de
feriados, tipo de ocupação do solo, existência ou não de medição, preço da tarifa,
tipo de consumidor (serviço público, residencial, comercial ou industrial) entre outros
fatores.
1.2 OBJETIVO
Esse trabalho tem por objetivo a previsão dos perfis de vazão (ou demanda) e de
pressão no ponto crítico de um sistema de abastecimento público de água tratada
em um horizonte de 24 horas à frente a partir de históricos de dados operacionais.
18
Contudo a previsão não é o objetivo fim em si, mas o meio de se obter informação
útil para tomada de decisões sobre o controle do sistema de abastecimento.
Para alcance do objetivo foram adotadas as redes neurais artificiais devido a suas já
bem estudadas características de: Capacidade de aprendizagem a partir de
exemplos do meio externo; capacidade de generalização; capacidade de solucionar
problemas não lineares e tolerâncias a erros, pois como visto no item 1.1 a previsão
de demanda envolve uma grande quantidade de variáveis independentes cujas
relações são difíceis ou impossíveis de serem modeladas matematicamente de
forma determinística.
19
2 REVISÃO DE LITERATURA
De acordo com Ren et al. (2016) a previsão de demanda pode ser classificada em
longo, médio ou de curto prazo. Os diferentes horizontes de previsão correspondem
a diferentes níveis de planejamento, as variáveis comumente utilizadas na previsão
e os problemas de decisão envolvidos são apresentados no Quadro 1.
Ren et al. (2016); Falkenberg (2005) e Silva (2003) entre outros autores citam
diversas vantagens que um modelo de previsão com acurácia adequada pode
prover como apresentados nos dois parágrafos seguintes para os sistemas de
distribuição e produção de água, respectivamente.
Trautwein Júnior (2004) estudou modelos de redes neurais do tipo MLP e rede
neural função de base radial aplicados ao problema de previsão de consumo de
água de curtíssimo prazo (frações de horas). Foram testados modelos considerando
23
3 MATERIAS E MÉTODOS
As redes neurais artificiais são constituídas por neurônios elementares sendo que os
modelos mais utilizados são baseados no trabalho pioneiro do psiquiatra e neuro-
anatomista Warren McCulloch e o jovem matemático Walter Pitts que em 1943
propuseram um modelo artificial de um neurônio biológico.
O bias (𝑏 ) representado na Figura 5, por uma entrada de valor fixo igual a “1” e
peso ajustável (𝑤 ) é um elemento que serve para aumentar o grau de liberdade
dos ajustes dos pesos aumentando ou diminuindo o po
potencial
tencial de ativação.
1, 𝑣 ≥ 0
Função degrau: 𝜑(𝑣 ) = (2)
0, 𝑣 < 0
.
Função sigmóide tangente hiperbólica: 𝜑(𝑣 ) = . (4)
Nas redes recorrentes existem laços de realimentação de uma camada à frente para
camadas anteriores e atrasos temporais. As redes recorrentes são úteis para
29
Segundo Duda et al. (2001) tem-se observado que redes com três camadas (ou
seja, com uma camada oculta) são suficientes para aproximar praticamente qualquer
função.Somente em condições ou requerimentos especiais de problemas é
recomendada a utilização de mais de três camadas, tais como o reconhecimento um
caractere em uma imagem de forma invariante a operações como translação ou
rotação.
Regras e técnicas para o projeto de redes neurais artificiais podem ser encontradas
em Haykin (2001).
Na entrada de cada nódulo das camadas ocultas, a soma ponderada das conexões
pelos pesos sinápticos é processada por uma função de ativação não linear que é
propagada para a camada adiante até a saída.
Uma solução para capacitar a rede MLP a processar padrões dinâmicos, segundo
Tampelini (2008) é modificar seu processo de treinamento. Um artifício utilizado para
esta adequação envolve o uso de janelas de tempo, em que a entrada da rede utiliza
trechos dos dados temporais, fixando um padrão estático, permitindo a estas redes o
processamento temporal.
A Figura 9 mostra uma janela na série temporal com cinco amostras consecutivas
que são utilizadas como entrada da rede MLP que possui como saída a previsão um
passo à frente da série temporal.
A rede neural Não Linear Autorregressiva com Elemento Exógeno (NARX) é uma
rede recorrente onde o conjunto de variáveis de entradas é formado por variáveis
exógenas ao sistema, podendo também conter amostras defasadas dessas, e
valores defasados das saídas providos por laços de realimentação (feedback).
34
Durante o processo de treinamento de uma rede NARX de acordo com Velmir et al.
(2012) e Khan et al. (2015) o laço de realimentação é aberto (modo série-paralelo),
série
pois a rede resultante será do tipo feedforward, assim a entrada tem maior acurácia
já que se trata do valor real ao invés do previsto e pode
pode-se
se utilizar um algoritmo de
treinamento da uma rede feedforward geralmente obtendo-se
se resultados mais
35
Foi selecionado um setor com tamanho grande o suficiente para que um consumidor
individualmente não pudesse
udesse distorcer o perfil de vazão em relação à demanda
média dos consumidores; caso contrário mudanças aleatórias de apenas um
consumidor poderiam invalidar o resultado da rede neural
neural; porém pequeno o
suficiente para que a demanda dos consumidores consigam modelar um perfil
característico
terístico na pressão do ponto crítico.
37
A válvula borboleta manual n°2 (VBM-2) é responsável pela separação entre o setor
estudado, “Setor A”, e o “Setor B”, e normalmente opera totalmente fechada. Essa
válvula só é aberta como medida de contingência operacional ou necessidade de
reforço no abastecimento de um setor para outro e vice-versa.
1
EPANET é um simulador hidráulico e de qualidade de água desenvolvido pela Agência de Proteção
Ambiental dos Estados Unidos (EPA).
38
A meta da vazão média diária durante um mês foi de 64,7% e de 70,6% no restante.
No processo de aquisição e registros dos dados podem ocorrer erros como: Ruídos
e descalibração dos instrumentos de medição; falta de energia elétrica; falha no
controlador lógico programável; falha no servidor de dados; falha comunicação
sistema de telemetria; interrupção na aquisição para manutenção preventiva dos
instrumentos entre outros.
39
Também ocorrerem distorções nos perfis normais de vazão e pressão por problemas
inerentes do processo de distribuição de água tratada como: Vazamento na rede;
fechamento de válvulas para reparo interligações ou expansões de redes; manobras
operacionais de contingência; parada do conjunto motor-bomba por problema
eletromecânica ou no fornecimento de energia de energia; paradas para
manutenção preventiva.
Fonte: Elaborado pelo autor, 2017. Fonte: Elaborado pelo autor, 2017.
Fonte: Elaborado pelo autor, 2017. Fonte: Elaborado pelo autor, 2017.
A influência das variáveis cronológicas (hora, dia da semana e mês) pode ser
observada nas Figura 18 e Figura 19, onde se percebe claramente um ciclo diário e
escalonamentos de acordo com o dia da semana nos valores de pressão e vazão.
Figura 18 – Influência do dia da semana nos Figura 19 – Influência do mês nos valores
valores médios de vazão e pressão. médios de vazão e pressão.
Obs.: Só foram mostrados do gráfico três dias da Obs.: Os índices 12, 1, 2 e 3 no eixo das
semana para facilitar a visualização. abscissas indicam o mês avaliado.
Fonte: Elaborado pelo autor, 2017. Fonte: Elaborado pelo autor, 2017.
Fonte: Elaborado pelo autor, 2017. Obs.: Os valores 0,4 e 0,67 na legenda indicam a
abertura da válvula para o valor normalizado da 0
a 1.
Fonte: Elaborado pelo autor, 2017.
∑ [( ̅ ).( ̅ )]
𝑟 = ∑ ̅ )]
(5)
([
Um exemplo prático de uma série temporal com forte autocorrelação é uma série
que represente o nível de um reservatório de água tratada.
A FAC da variável vazão após o pré-processamento dos dados, Figura 22(b), possui
a forma citado por Gouveia (2011) para um processo contínuo, os picos a cada 24
atrasos revelam os ciclos diários no perfil de vazão. A FAC de sinais periódicos
apresenta a mesma periodicidade, porém antes da filtragem dos dados, Figura
22(a), não era possível observar a forma periódica da FAC.
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.2 -0.4
0 10 20 30 40 50 60 70 80 0 10 20 30 40 50 60 70 80
Atrasos (passos de uma hora) Atrasos (passos de 1 hora)
(a) (b)
Fonte : Elaborado pelo autor, 2017.
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-0.2 -0.2
0 10 20 30 40 50 60 70 80 0 10 20 30 40 50 60 70 80
Lag Lag
(a) (b)
Fonte : Elaborado pelo autor, 2017.
0.2 0.4
0.1 0.2
0 0
-0.1 -0.2
-0.2 -0.4
-0.3 -0.6
-25 -20 -15 -10 -5 0 5 10 15 20 25 -25 -20 -15 -10 -5 0 5 10 15 20 25
Atrasos (passos de 1 hora) Atrasos (passos de 1 hora)
(a) (b)
Elaborado pelo autor, 2017.
46
Hora atual
Dia da semana
Vazão:
23 h atrás
22 h atrás
... Vazão:
O objetivo é fazer com que a rede aprenda a prever o valor de uma variável daqui a
uma hora baseada em valores conhecidos das últimas 24 horas.
Como a rede neural deveria fazer a previsão futura a partir de qualquer instante, a
hora e dia da semana foram selecionadas como variáveis de entrada diante do ciclo
diário e escalonamento com os dias da semana observados na Figura 18.
Percebe-se através da FAC, Figura 22, que os valores atuais da vazão e pressão
dependem de seus próprios valores em instantes anteriores. No gráfico da
covariância cruzada, Figura 24, observa-se que essas variáveis possuem forte
correlação negativa no mesmo instante amostral e correlação positiva em instantes
defasados e adiantados em 12 horas.
A idéia foi implementada através de duas topologias de rede, uma MLP e outra
NARX, nesta última ainda foram acrescentadas como entradas os estados de ligado
ou desligado das bombas e o percentual de abertura da VBM-1 com intuito de
verificar se a rede neural também poderia ser utilizada como um simulador frente às
possíveis manobras operacionais.
Na fase de treinamento das redes neurais foram utilizados o erro médio quadrático
(Mean Square Error - MSE) e o coeficiente de correlação linear (R2) entre a saída da
rede neural e o valor real como critério de desempenho.
∑ | |
𝑀𝑆𝐸 = (6)
Ressalta-se que a saída da rede neural é a de apenas um passo a frente das séries
temporais que representam a vazão e pressão do ponto crítico. Assim, o MSE e R2
computados no treinamento dizem respeito apenas à previsão de 1 (uma) hora.
2
O software MATLAB, produzido pela MathWorks, é um ambiente interativo e utiliza uma linguagem de alto nível baseada em
matrizes sendo utilizado mundialmente por milhões de engenheiros e cientistas
50
.∑
𝑀𝐴𝑃𝐸 = (7)
Dia da Semana
Q(t+1)
...
Q(t-23)
...
Q(t)
...
P(t+1)
P(t-23)
...
P(t)
Os dados disponíveis para treinamento da rede MLP foram preparados de forma que
cada sequência com no mínimo 25 amostras de vazão e pressão contínuas e
consecutivas foram organizadas como apresentado no Quadro 2Erro! Fonte de
referência não encontrada., onde Q e P representam os valores de vazão e
pressão respectivamente.
Foi utilizada somente uma camada oculta com 15 neurônios. A topologia da rede
criada no MATLAB é mostrada na Figura 28.
A Figura 29(a) mostra o histograma de erro (valor real menos saída da rede) obtido
no treinamento e a Figura 29(b) o coeficiente de correlação linear entre o valor real e
a saída da rede nos subconjuntos de treinamento, validação e teste.
(a) (b)
Fonte: Elaborado pelo autor utilizando MATLAB, 2017.
Em todos os conjuntos a correlação linear foi maior do que 0,99 mostrando que a
rede conseguiu extrair as características do sistema, mas manteve a capacidade de
generalização.
53
Estado Bomba 2
Hora atual
Dia da Semana
Q(t+1)
...
b
Q(t-23)
...
z-1
Q(t)
P(t+1)
...
z-1
P(t-23)
...
z-1
P(t)
z-1
A rede NARX foi treinada no modo série-paralelo como mostrado na Figura 32(a),
após o treinamento a rede é convertida para o modo paralelo, Figura 32(b), através
da função close loop do MATLAB habilitando-a a fazer previsões a partir de novo
conjunto de entradas exógenas e entradas recursivas das variáveis endógenas.
(a)
(b)
(c)
Observando o histograma de erro Figura 33(a) percebe-se que o erro na rede NARX
foi menor e teve menor dispersão quando comparado a rede MLP possivelmente
devido à utilização do percentual de abertura da VBM-1 e estado das bombas como
variáveis de entrada.
57
(a) (b)
Fonte: Elaborado pelo autor utilizando MATLAB, 2017.
Uma janela de 24 amostras das variáveis foi sendo deslocada de passo em passo
até o fim do período e passada como nova entrada da rede MLP ou condição inicial
da rede NARX.
Na rede MLP o conjunto dos sinais de entrada possui dimensão 50x1 representando
uma amostra de 50 variáveis e o conjunto de saída dimensão de 2x1. Para realizar a
previsão de 24 horas a própria saída da rede neural é utilizada para formação de um
novo conjunto de entrada substituindo-se os valores mais antigos de vazão e
pressão através de um algoritmo recursivo externo. A cada iteração, as saídas da
rede são concatenadas formando-se ao final uma matriz de dimensões 2x24 que
representa 24 amostras de duas variáveis, ou seja, a previsão de 24 horas do valor
de vazão e pressão no ponto crítico.
60
Resposta da rede para o valor de vazão 24 passos a frente Resposta da rede para o valor de pressão 24 passos a frente
0.8 0.8
0.6
0.75
0.4
0.7
0.2
0.65 0
Wed, 06:00 Wed, 12:00 Wed, 18:00 Thu, 00:00 Thu, 06:00 Wed, 06:00 Wed, 12:00 Wed, 18:00 Thu, 00:00 Thu, 06:00
Jan 25, 2017
Previsão Jan 25, 2017
Previsão
Valor Real Valor Real
4 30
MAPE - Vazão (%): 1.8503, Erro total do volume (%): -0.87853 MAPE - Pressão (%): 7.197
3
20
2
10
1
0 0
Wed, 06:00 Wed, 12:00 Wed, 18:00 Thu, 00:00 Thu, 06:00 Wed, 06:00 Wed, 12:00 Wed, 18:00 Thu, 00:00 Thu, 06:00
Jan da
Erro 25,amostra
2017 Jan da
Erro 25,amostra
2017
0.6
0.4
0.2
0
Tue, 12:00 Tue, 18:00 Wed, 00:00 Wed, 06:00
Previsão
Jan 24, 2017
Valor Real
40
MAPE - Pressão (%): 8.0551
30
20
10
0
Tue, 12:00 Tue, 18:00 Wed, 00:00 Wed, 06:00
Jan da
Erro 24,amostra
2017
Como pode ser observado nos gráficos, os perfis previstos pela rede neural
acompanham a tendência sem valores discrepantes dos perfis reais da vazão e
pressão no ponto crítico. No horizonte de 24 horas, o erro não é monotonamente
positivo ou negativo e seu valor absoluto não apresenta tendência de crescimento.
Diante do exposto a previsão mostra-se confiável, podendo ser utilizada no controle
operacional.
0.8
0.75
0.7
0.65
0.6
Thu, 06:00 Thu, 12:00 Thu, 18:00 Fri, 00:00 Fri, 06:00 Fri, 12:00
Valor real2017
Jan 12,
Valor simulação
6
Erro absoluto (%)
0
Thu, 06:00 Thu, 12:00 Thu, 18:00 Fri, 00:00 Fri, 06:00 Fri, 12:00
Jan da
Erro 12,amostra
2017
Como pode ser observado nos gráficos, os perfis previstos pela rede neural
acompanham a tendência sem valores discrepantes dos perfis reais da vazão e
pressão no ponto crítico. No horizonte de 24 horas, o erro não é monotonamente
positivo ou negativo e seu valor absoluto não apresenta tendência de crescimento.
Diante do exposto a previsão mostra-se confiável, podendo ser utilizada no controle
operacional.
5.3 DISCUSSÕES
O melhor resultado da rede NARX pode ser explicado pela adição das variáveis do
estado das bombas e percentual de estrangulamento da VBM-1 como entradas.
Figura 38 – Teste efetuado com a rede NARX para previsão de vários passo a
frente.
Nota: Os erros vão se acumulando na previsão do perfil depressão vários passos à frente, porém
considerando-se uma envoltória entre os valores máximos e mínimos reais a previsão não sofre
grandes desvios.
Em primeira análise a rede NARX escolhida poderia ser utilizada como um simulador
hidráulico para tomada de decisão sobre qual é o percentual de abertura necessário
da VBM-1 e qual das bombas se deve ligar, com os propósitos de se atingir as
metas operacionais e verificar se alguma condição de contorno será desrespeitada,
porém mais dados seriam necessário para treinamento da rede e testes.
A saída da rede neural poderia ser utilizada como um “sensor virtual” suprindo o
Centro de Controle Operacional de informação no caso de eventual falha de
comunicação ocorrido no transmissor de pressão PT-3, como mostrado na Figura
17. Vale pontuar que é melhor um valor mesmo com erro de 11%, do que valor
algum.
68
REFERÊNCIAS
BAUM, E. B.; HAUSSLER, D. What size net gives valid generalization? Neural
Computation, Massachusetts, v. 1, n. 1, p. 151-160, 1988.
G1 VITÓRIA. Confira os bairros que vão passar por racionamento na Grande Vitória.
G1 – Portal de Notícias da Globo, Vitória, 20 set. 2016. Disponível em:
<http://g1.globo.com/espirito-santo/noticia/2016/09/confira-os-bairros-que-vao-
passar-por-racionamento-na-grande-vitoria.html>. Acessado em: 21 jun. 2017.
KHAN, E. A. et al. Forecasting the Number of Muslim Pilgrims Using NARX Neural
Networks with a Comparison Study with Other Modern Methods. British Journal of
Mathematics & Computer Science, London, v. 6, n. 5, 2015.
REN Z.; LI, S. Short-term Demand Forecasting for Distributed Water Supply
Networks: A Multi-scale Approach, IEEE 2016.
APÊNDICE
ÊNDICE A - TREINAMENTO DAS REDES NEURAIS
Treinar uma rede neural artificial significa ajustar os parâmetros livres da rede (pesos
e bias) para que a resposta da rede de um dado conjunto de entrad
entrada se aproxime do
valor real.
𝒅𝑬
Onde, 𝜼, é um escalar que representa a taxa de aprendizagem e a derivada, 𝒅𝑾
,o
vetor gradiente.
( ( ))
=∑ 2[𝑑(𝑘) − 𝜑(𝑣(𝑘))] . − , para i=0, 1, ..., n (10)
( ( ))
Para resolver a derivada parcial aplica-se a regra da cadeia obtendo-se a
equação (8).
( ( )) ( ) ( ) ∑ ( . ) ( )
= =𝜑 . =𝜑 .𝑥 (11)
O termo 𝛿(𝑘) é o sinal de erro, [𝑑(𝑘) − 𝜑(𝑣(𝑘))], modulado pela derivada da função
de ativação, 𝜑 𝑣(𝑘) . 𝑥 , que representa a quantidade de correção que deve ser
aplicado ao peso 𝑤 .
Reescrevendo a equação (6) para o peso 𝑤 com 𝑖 variando de 0 a n, temos:
gradient
Mean Squared Error (mse)
val fail
(a) (b)
Fonte: Elaborado pelo autor utilizando MATLAB, 2017.